Bayangkan Anda memodelkan penjualan toko per bulan. Bulan Maret penjualan melonjak jauh di atas yang ditebak model — ada gerai baru buka, model belum tahu. Wajar kalau April juga masih tinggi: pelanggan baru itu belum hilang dalam sebulan. Lalu Mei, Juni, masih ikut terangkat. Kesalahan model bulan ini “menempel” ke bulan berikutnya, seperti gema yang belum reda.
Pola menempel inilah yang dideteksi uji autokorelasi. Kalau dibiarkan, regresi Anda akan terlihat jauh lebih meyakinkan daripada kenyataannya — dan kesimpulan skripsi bisa salah arah.
Apa Itu Autokorelasi, Dijelaskan Polos
Setiap kali model regresi memprediksi, ia meleset sedikit. Selisih antara nilai sebenarnya dan tebakan model itu disebut residual:
$$e = y - \hat{y} = (\text{nilai aktual} - \text{nilai prediksi})$$Di sini $e$ (dibaca “e”, dari error) adalah residual, $y$ nilai sebenarnya yang Anda amati, dan $\hat{y}$ (dibaca “y-topi”) nilai yang ditebak model. Misalnya penjualan aktual Maret 120 juta, model menebak 100 juta, maka residualnya $e = 120 - 100 = 20$ juta — model meleset 20 juta ke bawah.
Dalam regresi yang sehat, residual seharusnya acak: meleset ke atas dan ke bawah tanpa pola, seperti lemparan koin. Autokorelasi terjadi saat residual satu pengamatan berkorelasi dengan residual pengamatan sebelumnya — meleset ke atas cenderung diikuti meleset ke atas lagi (atau, lebih jarang, selalu berganti arah). Residualnya “ingat” tetangganya.
Inilah inti seluruh materi ini, dalam satu gambar:
Autokorelasi paling sering muncul pada data deret waktu (time series) — pengamatan yang berurutan dalam waktu: penjualan bulanan, harga saham harian, PDB tahunan. Pada data lintas-bagian (cross-section) — satu titik waktu, misalnya kuesioner ke banyak responden sekaligus — urutan baris tidak punya arti, jadi autokorelasi biasanya tidak relevan dan sebagian skripsi survei tidak mewajibkannya.
Kenapa berbahaya
Autokorelasi tidak membuat koefisien regresi menjadi bias — angka kemiringannya tetap benar rata-rata. Yang rusak adalah standar error: ia menjadi terlalu kecil. Akibatnya nilai $t$ membengkak, $p$-value mengecil, dan variabel tampak signifikan padahal belum tentu. Singkatnya: hasil regresi terlihat lebih meyakinkan daripada seharusnya. Pada skripsi, ini bisa membuat Anda mengklaim suatu pengaruh “signifikan” yang sebenarnya rapuh.
Statistik Durbin-Watson
Alat baku untuk mendeteksi autokorelasi adalah Durbin-Watson (DW). Rumusnya membandingkan selisih residual berurutan dengan total residual kuadrat:
$$ DW = \frac{\sum_{t=2}^{n}(e_t - e_{t-1})^2}{\sum_{t=1}^{n} e_t^2} $$Penjelasan tiap lambang:
- $e_t$ = residual pada pengamatan ke-$t$ (misalnya residual bulan ke-3).
- $e_{t-1}$ = residual pengamatan sebelumnya (residual bulan ke-2). Pasangan $(e_t, e_{t-1})$ inilah yang membuat urutan penting.
- $\sum_{t=2}^{n}$ artinya “jumlahkan untuk semua pasangan berurutan, dari pasangan ke-2 sampai ke-$n$” — dimulai dari $t=2$ karena pengamatan pertama tidak punya pendahulu.
- $n$ = banyak pengamatan.
Intuisi: kenapa rentangnya 0 sampai 4
Anda tidak perlu menghafal rumusnya untuk paham maknanya. Ada hubungan dekat antara DW dan korelasi residual berurutan ($\hat{\rho}$, dibaca “rho-topi”, seberapa kuat residual menempel ke tetangganya):
$$DW \approx 2\,(1 - \hat{\rho})$$Dari sini semua tafsiran mengalir sendiri:
- Kalau residual acak, korelasinya $\hat{\rho} \approx 0$, sehingga $DW \approx 2(1-0) = 2$. Inilah kondisi sehat.
- Kalau residual menempel kuat ke arah sama (autokorelasi positif), $\hat{\rho} \to 1$, sehingga $DW \approx 2(1-1) = 0$.
- Kalau residual selalu berganti arah (autokorelasi negatif), $\hat{\rho} \to -1$, sehingga $DW \approx 2(1-(-1)) = 4$.
| Nilai DW | Korelasi residual | Arti |
|---|---|---|
| ≈ 2 | $\hat{\rho} \approx 0$ | Tidak ada autokorelasi (BAIK) |
| mendekati 0 | $\hat{\rho} \to +1$ | Autokorelasi positif (menempel searah) |
| mendekati 4 | $\hat{\rho} \to -1$ | Autokorelasi negatif (selalu berbalik) |
Contoh Hitung dari Nol
Misalkan sebuah regresi deret waktu dengan $n = 8$ pengamatan menghasilkan delapan residual berurutan ini (sudah diurutkan menurut waktu):
$$0{,}9;\quad 1{,}1;\quad 0{,}6;\quad 0{,}2;\quad -0{,}5;\quad -0{,}8;\quad -0{,}9;\quad -0{,}6$$Perhatikan dulu polanya: empat nilai pertama positif beruntun, lalu empat negatif beruntun — persis gelombang lambat seperti di gambar tadi. Ini ciri autokorelasi positif. (Jumlah seluruh residual = 0, sebagaimana selalu terjadi pada residual regresi.)
Kita butuh dua kolom: selisih berurutan yang dikuadratkan (untuk pembilang) dan residual yang dikuadratkan (untuk penyebut).
| $t$ | $e_t$ | $e_t - e_{t-1}$ | $(e_t - e_{t-1})^2$ | $e_t^2$ |
|---|---|---|---|---|
| 1 | 0,9 | — | — | 0,81 |
| 2 | 1,1 | 1,1 − 0,9 = 0,2 | 0,04 | 1,21 |
| 3 | 0,6 | 0,6 − 1,1 = −0,5 | 0,25 | 0,36 |
| 4 | 0,2 | 0,2 − 0,6 = −0,4 | 0,16 | 0,04 |
| 5 | −0,5 | −0,5 − 0,2 = −0,7 | 0,49 | 0,25 |
| 6 | −0,8 | −0,8 − (−0,5) = −0,3 | 0,09 | 0,64 |
| 7 | −0,9 | −0,9 − (−0,8) = −0,1 | 0,01 | 0,81 |
| 8 | −0,6 | −0,6 − (−0,9) = 0,3 | 0,09 | 0,36 |
| Σ | 0 | 1,13 | 4,48 |
Baris pertama kolom selisih kosong karena pengamatan ke-1 tidak punya pendahulu — itulah kenapa penjumlahan pembilang mulai dari $t=2$.
Pembilang (jumlah selisih berurutan dikuadratkan) = 0,04 + 0,25 + 0,16 + 0,49 + 0,09 + 0,01 + 0,09 = 1,13
Penyebut (jumlah semua residual dikuadratkan) = 0,81 + 1,21 + 0,36 + 0,04 + 0,25 + 0,64 + 0,81 + 0,36 = 4,48
Sekarang masukkan ke rumus:
$$ DW = \frac{\sum_{t=2}^{n}(e_t - e_{t-1})^2}{\sum_{t=1}^{n} e_t^2} = \frac{1{,}13}{4{,}48} \approx 0{,}25 $$DW = 0,25, jauh di bawah 2 dan mendekati 0 — sinyal kuat autokorelasi positif. Tapi “mendekati 0” itu sejauh apa baru disebut bermasalah? Untuk keputusan resmi, kita bandingkan dengan tabel.
Membaca Zona dL dan dU
DW tidak punya satu garis batas tunggal, melainkan dua nilai kritis dari tabel Durbin-Watson: $d_L$ (batas bawah, lower) dan $d_U$ (batas atas, upper). Keduanya tergantung pada banyak pengamatan $n$ dan jumlah variabel bebas $k$. Di antara keduanya ada zona ragu-ragu — wilayah saat uji DW jujur mengakui tidak bisa memutuskan.
Karena DW simetris di sekitar 2, batas yang sama dicerminkan untuk sisi negatif menjadi $4 - d_U$ dan $4 - d_L$. Aturan lengkapnya:
| Kondisi | Keputusan |
|---|---|
| $d_U < DW < 4 - d_U$ | Tidak ada autokorelasi (BAIK) |
| $DW < d_L$ | Ada autokorelasi positif |
| $DW > 4 - d_L$ | Ada autokorelasi negatif |
| $d_L \le DW \le d_U$ | Zona ragu-ragu sisi positif (tidak konklusif) |
| $4 - d_U \le DW \le 4 - d_L$ | Zona ragu-ragu sisi negatif (tidak konklusif) |
Lanjutkan contoh tadi. Untuk $n = 8$ dan $k = 1$ (satu variabel bebas), tabel Durbin-Watson pada taraf 5% memberi $d_L = 0{,}763$ dan $d_U = 1{,}332$. DW hitung kita = 0,25.
Karena $0{,}25 < d_L = 0{,}763$, nilai DW jatuh di zona paling kiri: ada autokorelasi positif. Keputusan tegas, tidak masuk zona ragu. Model deret waktu ini melanggar asumsi nonautokorelasi dan perlu diperbaiki.
Saat DW Masuk Zona Ragu: Run Test
Tidak semua kasus seberuntung contoh tadi. Kalau DW jatuh di antara $d_L$ dan $d_U$, uji ini tidak memberi kesimpulan. Salah satu jalan keluar adalah Run Test (uji rentetan).
Run Test tidak melihat besar residual, hanya tandanya (positif atau negatif). Ia menghitung jumlah “run” — rentetan tanda yang sama berturut-turut. Residual + + + − − − + punya tiga run (satu rentetan plus, satu minus, satu plus lagi). Logikanya: kalau residual benar-benar acak, tandanya berganti-ganti cukup sering sehingga run-nya banyak. Kalau residual menempel (autokorelasi positif), tandanya bertahan lama sehingga run-nya sedikit — persis seperti gelombang di gambar pembuka yang hanya punya dua run.
Di SPSS, Run Test tersedia lewat menu Analyze → Nonparametric Tests → Runs. Yang dibaca adalah nilai signifikansinya:
| Sig. Run Test | Kesimpulan |
|---|---|
| Sig. > 0,05 | Residual acak (tidak ada autokorelasi, BAIK) |
| Sig. ≤ 0,05 | Residual berpola (ada autokorelasi) |
Run Test berguna persis saat DW mentok di zona ragu, atau saat syarat DW tidak terpenuhi (misalnya model memuat variabel terikat yang di-lag).
Kalau Autokorelasi Benar Terjadi
Menemukan autokorelasi bukan akhir — ada beberapa perbaikan baku:
- Tambahkan variabel yang hilang. Sering autokorelasi muncul karena model belum menangkap suatu pola berurutan (mis. tren atau musiman). Menambah variabel tren/musiman bisa menghilangkannya.
- Tambahkan variabel lag. Masukkan nilai variabel terikat periode sebelumnya sebagai prediktor.
- Transformasi data dengan metode Cochrane-Orcutt atau selisih pertama.
- Pakai standar error tahan-autokorelasi (Newey-West / HAC), yang mengoreksi standar error tanpa mengubah koefisien.
Pembahasan teoretis lengkap (termasuk uji Breusch-Godfrey untuk lag lebih dari satu) ada di versi teori autokorelasi.
Coba Sendiri
Geser tingkat autokorelasi pada peraga berikut dan amati: residual mulai “menempel”, lalu nilai DW bergeser dari 2 menuju 0. Saat autokorelasi negatif, DW bergerak ke arah 4. Saat residual benar-benar acak, DW kembali ke sekitar 2.
Rumus di Excel
=COUNT(A2:A9) → n (banyak residual)
=SUMXMY2(A3:A9; A2:A8) → pembilang Σ(eₜ − eₜ₋₁)²
=SUMSQ(A2:A9) → penyebut Σ eₜ²
=SUMXMY2(A3:A9;A2:A8)/SUMSQ(A2:A9) → statistik Durbin-Watson
SUMXMY2(deret1; deret2) menghitung jumlah kuadrat selisih dua deret yang sejajar — persis pembilang DW kalau deret kedua adalah residual yang digeser satu baris.
⬇ Unduh uji-autokorelasi-spss.xlsx
Berkas pendamping memuat residual berurutan, kolom selisih berurutan dan kuadratnya, kolom residual kuadrat, jumlah pembilang dan penyebut, statistik DW dengan formula hidup, plus tabel $d_L$/$d_U$ dan panduan zona keputusan.
Cek Pemahaman
1. Sebuah regresi deret waktu menghasilkan 5 residual berurutan: 2; −1; 3; 0; −4. Hitung pembilang dan penyebut statistik Durbin-Watson, lalu nilai DW-nya.
Lihat jawaban
Selisih berurutan: $(-1-2)=-3$, $(3-(-1))=4$, $(0-3)=-3$, $(-4-0)=-4$. Kuadratnya: 9, 16, 9, 16 → pembilang = 50. Residual kuadrat: $2^2=4$, $(-1)^2=1$, $3^2=9$, $0^2=0$, $(-4)^2=16$ → penyebut = 30. Maka $DW = 50/30 \approx 1{,}67$. Nilai ini cukup dekat 2, jadi tidak ada indikasi kuat autokorelasi (perlu dicek terhadap $d_U$ untuk kepastian).
2. Output SPSS Anda menunjukkan DW = 0,42 untuk model dengan $n = 8$, $k = 1$ ($d_L = 0{,}763$; $d_U = 1{,}332$). Apa keputusan Anda, dan kenapa standar error regresi ini patut dicurigai?
Lihat jawaban
DW = 0,42 lebih kecil dari $d_L = 0{,}763$, jadi jatuh di zona autokorelasi positif — keputusan tegas. Karena autokorelasi positif membuat standar error diremehkan (terlalu kecil), nilai $t$ jadi terlalu besar dan sebagian variabel bisa tampak signifikan padahal sebenarnya tidak. Hasil regresi ini terlihat lebih meyakinkan daripada seharusnya, jadi perlu diperbaiki (mis. Newey-West atau tambah variabel lag) sebelum ditafsirkan.
3. (Transfer) Seorang teman menguji data kuesioner (200 responden, diisi serentak satu hari) dan panik karena DW = 1,1 masuk zona ragu-ragu. Apakah ia benar perlu khawatir? Jelaskan.
Lihat jawaban
Tidak. Data kuesioner serentak adalah data lintas-bagian, bukan deret waktu — urutan baris responden tidak punya makna waktu, jadi konsep “residual menempel ke residual sebelumnya” tidak relevan. Nilai DW di sini tidak bisa ditafsirkan apa pun, dan banyak skripsi survei memang tidak mewajibkan uji autokorelasi. Yang patut dicek pada data survei adalah heteroskedastisitas, normalitas, dan multikolinearitas, bukan autokorelasi.
Kesalahan Umum
Menguji autokorelasi pada data lintas-bagian murni. Untuk kuesioner satu waktu, urutan baris tidak bermakna, sehingga DW tidak bisa ditafsirkan. Pastikan data Anda memang berurutan menurut waktu sebelum memakai uji ini.
Mengabaikan zona ragu-ragu. DW antara $d_L$ dan $d_U$ (atau antara $4-d_U$ dan $4-d_L$) tidak memberi kesimpulan apa pun. Jangan dipaksakan menjadi “tidak ada autokorelasi” — pakai Run Test atau perbesar sampel.
Memakai DW saat ada variabel terikat yang di-lag. Kalau model memuat nilai variabel terikat periode sebelumnya sebagai prediktor, DW menjadi bias ke arah 2 sehingga seolah-olah aman padahal belum tentu. Gunakan Breusch-Godfrey.
Salah baca tabel $d_L$/$d_U$. Pastikan memakai baris sesuai $n$ dan kolom sesuai jumlah variabel bebas $k$ yang benar. Salah kolom membuat seluruh keputusan keliru.
Mengira DW harus persis 2. DW di rentang sekitar 1,5–2,5 umumnya sudah aman; tidak perlu tepat 2. Yang penting adalah posisinya relatif terhadap $d_U$ dan $4-d_U$, bukan jaraknya ke angka 2.
Dipakai di Dunia Nyata
Uji asumsi klasik skripsi data deret waktu. Wajib di bab metode untuk regresi dengan data berurutan waktu (penjualan, harga, indikator makro). Penguji kerap menanyakan letak DW pada zona dL/dU.
Analisis keuangan deret waktu. Memeriksa residual model harga atau imbal hasil saham; residual yang berautokorelasi menandakan model peramalan belum menangkap dinamika harga.
Model peramalan permintaan. Residual yang masih berpola berarti ada sinyal (tren/musiman) yang belum dimasukkan ke model — peluang memperbaiki akurasi ramalan.
Lanjutan
- Uji Heteroskedastisitas (Glejser) — asumsi klasik tetangga, soal ragam residual.
- Uji Linearitas
- Ringkasan Uji Asumsi Klasik — peta kelima uji dan urutannya.
- Autokorelasi (teori: Breusch-Godfrey, Newey-West) — versi mendalam untuk lag berganda.
Rujukan
- Durbin, J. & Watson, G. S. (1950, 1951). “Testing for Serial Correlation in Least Squares Regression.”
- Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25.
- Gujarati, D. N. & Porter, D. C. (2009). Basic Econometrics (5th ed.).