TL;DR
Uji autokorelasi Durbin-Watson ngecek apakah residual model regresi saling nyambung antar periode, dengan nilai di rentang 0 sampai 4. Angka sekitar 2 berarti nggak ada autokorelasi, mendekati 0 berarti autokorelasi positif, mendekati 4 berarti negatif. Buat kesimpulan resmi, bandingkan nilai d sama batas dL dan dU dari tabel Durbin-Watson sesuai jumlah sampel dan jumlah variabel bebas.
Uji autokorelasi Durbin-Watson ngecek apakah residual di model regresimu saling nyambung antar periode, dan nilainya selalu jatuh di rentang 0 sampai 4.
Angka dekat 2 berarti aman. Dekat 0 berarti autokorelasi positif. Dekat 4 berarti autokorelasi negatif.
Rentang itu doang belum cukup buat nulis kesimpulan di bab 4. Kamu masih butuh nilai dL dan dU dari tabel, dan ada zona ragu yang bikin banyak orang salah nyimpulin.
Di bawah ini rumusnya, cara baca tabelnya, langkah di SPSS dan Excel, plus contoh angka dari data penjualan 24 bulan.
Uji Durbin-Watson adalah tes yang ngukur seberapa mirip residual satu periode sama residual periode sebelumnya. Hasilnya satu angka di rentang 0 sampai 4. Angka di sekitar 2 nunjukin residual bebas dari pola berulang. Uji ini dipakai buat regresi data runtun waktu, dan masuk daftar asumsi klasik sebelum hasil regresi boleh ditafsirkan.
Residual itu selisih antara nilai asli dan nilai yang diprediksi model. Kalau modelnya udah nangkep pola yang bener, sisa selisih ini harusnya acak.
Autokorelasi kejadian pas selisih itu nggak acak lagi. Bulan yang meleset ke atas diikuti bulan yang juga meleset ke atas. Polanya berulang, dan itu tanda modelmu kelewatan sesuatu.
Yang rusak duluan bukan koefisiennya, tapi standard error-nya. Standard error itu ukuran seberapa presisi koefisien yang kamu dapat. Kalau residual saling nyambung, angka ini kecil palsu.
Efek berantainya kelihatan di tabel output: nilai t membesar, p-value mengecil, dan variabel yang sebenernya biasa aja jadi keliatan berpengaruh nyata. Kamu bisa nulis kata signifikan di skripsi padahal buktinya rapuh. Arti angka p-value-nya aku bahas terpisah di glossary p-value.
Jadi jalanin uji ini dulu, baru nafsirin tabel koefisien.
Rumusnya ngebandingin selisih antar residual berurutan sama total kuadrat residual:
d = Σ (e_t - e_(t-1))² / Σ (e_t)²
e_t = residual periode t
e_(t-1) = residual periode sebelumnya
Pembilangnya ngukur seberapa jauh residual loncat dari satu periode ke periode berikutnya. Kalau loncatannya kecil terus, artinya residual gerak searah, dan nilai d jadi kecil.
Ada hubungan pendek yang enak diinget:
d ≈ 2 (1 - r)
r = korelasi antar residual berurutan
Kalau r nol (residual nggak berhubungan), d keluar di angka 2. Kalau r satu (residual gerak persis searah), d turun ke 0. Kalau r minus satu, d naik ke 4. Dari sini rentang 0 sampai 4 itu muncul.
Nilai Durbin-Watson selalu ada di antara 0 dan 4. Nilai mendekati 0 nunjukin autokorelasi positif, artinya residual gerak searah dari periode ke periode. Nilai sekitar 2 nunjukin nggak ada autokorelasi. Nilai mendekati 4 nunjukin autokorelasi negatif, di mana residual gantian naik turun tiap periode.
| Nilai d | Kondisi residual | Artinya buat model |
|---|---|---|
| 0 sampai 1,5 | Gerak searah kuat | Autokorelasi positif, ada pola yang kelewat |
| 1,5 sampai 2,5 | Acak | Aman menurut aturan praktis |
| 2,5 sampai 4 | Gantian naik turun | Autokorelasi negatif, sering gara-gara over-differencing |
Rentang 1,5 sampai 2,5 itu aturan praktis, bukan aturan resmi. Dosen penguji yang teliti bakal minta kamu bandingin sama tabel dL dan dU.
Tabel Durbin-Watson kasih dua batas: dL (batas bawah) dan dU (batas atas). Dua angka ini kamu cari pakai tiga informasi: taraf nyata (biasanya 0,05), jumlah sampel n, dan jumlah variabel bebas k.
Habis dapat dL dan dU, pakai lima aturan ini urut:
Zona ragu itu yang paling sering bikin bingung. Uji Durbin-Watson emang punya dua area di mana dia angkat tangan. Kalau nilaimu jatuh di situ, kamu nggak boleh maksa nulis kesimpulan bebas autokorelasi.
SPSS ngeluarin nilai Durbin-Watson sebagai bagian dari output regresi, bukan sebagai menu terpisah. Jalanin urut:
Kalau kolom Durbin-Watson nggak muncul, biasanya kamu lupa centang di langkah 5. Jalanin ulang, jangan ngarang angkanya.
Satu hal yang sering kelewat: urutan data. SPSS ngitung d berdasarkan urutan baris di Data View. Kalau datamu keurut berdasarkan nama toko atau nilai omzet, angka Durbin-Watson yang keluar nggak ada artinya.
Excel nggak punya fungsi khusus buat ini, tapi dua fungsi bawaan udah cukup. Anggap residual kamu ada di kolom C, baris 2 sampai 25.
=SUMXMY2(C3:C25;C2:C24)/SUMSQ(C2:C25)SUMXMY2 ngitung jumlah kuadrat selisih antara dua rentang yang digeser satu baris, persis pembilang di rumus tadi. SUMSQ ngitung jumlah kuadrat semua residual buat penyebutnya.
Kalau Excel kamu pakai koma sebagai pemisah argumen, ganti titik koma di rumus itu jadi koma.
Buat yang kerja di Python, statsmodels punya fungsinya langsung lewat durbin_watson(residuals). Detail parameternya ada di dokumentasi statsmodels.
Ini data 24 bulan toko_berkah, toko kelontong di Semarang. Semua angka dari dataset ngulikdata. Modelnya sederhana: omzet bulanan diprediksi dari belanja iklan bulanan.
Hasil regresi pertama kelihatan menggoda. R kuadrat 0,64, koefisien iklan positif, p-value 0,001. Kalau berhenti di sini, kesimpulannya iklan naikin omzet dan selesai.
Tapi nilai Durbin-Watson-nya 1,12. Buat n = 24 dan k = 1 di taraf 5 persen, tabel kasih dL 1,273 dan dU 1,446. Nilai 1,12 ada di bawah dL, jadi ada autokorelasi positif.
Waktu aku plot residualnya per bulan, polanya kelihatan jelas. Dari 24 bulan, ada 17 bulan yang residualnya searah sama bulan sebelumnya. Kalau residual beneran acak, angka itu harusnya di kisaran 12.
Sumber masalahnya ketemu setelah lihat kalender. Omzet toko_berkah naik tajam di bulan Ramadan dan seminggu sebelum Lebaran, dan model awal nggak tau apa-apa soal itu.
Perbaikannya satu kolom: variabel dummy bernilai 1 buat bulan Ramadan dan Lebaran, 0 buat bulan lain. Setelah regresi diulang dengan dua variabel bebas:
| Model | Variabel bebas | R kuadrat | Durbin-Watson | Kesimpulan |
|---|---|---|---|---|
| Awal | Belanja iklan | 0,64 | 1,12 | Autokorelasi positif (d < dL 1,273) |
| Revisi | Belanja iklan + dummy Ramadan | 0,81 | 1,89 | Bebas autokorelasi (dU 1,546 < d < 2,454) |
Yang berubah bukan cuma angka d. Koefisien belanja iklan turun sekitar 30 persen di model revisi. Artinya model pertama tadi ngasih kredit ke iklan buat kenaikan omzet yang sebenernya datang dari Ramadan.
Kalau pemilik toko ngambil keputusan dari model pertama, dia bakal naikin budget iklan di bulan biasa dan kecewa sama hasilnya.
Jangan langsung buang datanya. Empat langkah ini urut dari yang paling sering berhasil:
Ngejalanin uji ini di data kuesioner. Durbin-Watson cuma masuk akal kalau baris datamu punya urutan waktu. Jawaban responden nomor 12 nggak datang setelah responden nomor 11 dalam arti apa pun. Acak barisnya, nilai d berubah, dan itu bukti angkanya nggak bermakna.
Lupa ngurutin data menurut tanggal. Kalau data keurut menurut nama cabang, nilai d yang keluar cuma angka acak. Urutin dulu sebelum jalanin regresi.
Maksa nyimpulin dari zona ragu. Kalau d jatuh antara dL dan dU, tulis aja hasilnya nggak konklusif, atau pindah ke uji Breusch-Godfrey. Nulis bebas autokorelasi di situ nggak jujur.
Pakai batas 1,5 sampai 2,5 tanpa cek tabel. Aturan praktis ini kepakai buat sanity check cepat. Buat skripsi, sebutin nilai dL dan dU-nya lengkap sama n dan k yang kamu pakai.
Nyalahin outlier padahal masalahnya musiman. Satu bulan Lebaran yang omzetnya meledak sering dikira outlier terus dihapus. Padahal itu kejadian nyata yang berulang tiap tahun, dan harusnya dimodelkan, bukan dibuang.
Aturan praktis yang paling sering dipakai: nilai antara 1,5 dan 2,5 dianggap bebas autokorelasi. Tapi ini cuma pegangan kasar. Kesimpulan yang bener dibikin dengan bandingin nilai d sama batas dU dari tabel Durbin-Watson, yang berubah tergantung jumlah sampel dan jumlah variabel bebas. Kalau d ada di antara dU dan 4 dikurangi dU, barulah kamu boleh bilang nggak ada autokorelasi.
Zona ragu terjadi kalau nilai d jatuh di antara dL dan dU, atau di antara 4 dikurangi dU dan 4 dikurangi dL. Di situ uji Durbin-Watson nggak bisa mutusin apa-apa. Pilihanmu ada tiga: tambah jumlah sampel, ganti pakai uji Breusch-Godfrey yang nggak punya zona ragu, atau laporkan apa adanya bahwa hasilnya nggak konklusif.
Data yang punya urutan waktu jelas, misalnya penjualan bulanan, harga saham harian, atau produksi kuartalan. Kalau datamu kuesioner yang responden satu sama lain nggak berurutan, uji ini nggak relevan. Barisnya bisa kamu acak dan hasilnya berubah, yang artinya angkanya nggak punya makna. Buat data kuesioner, fokus aja ke uji normalitas, multikolinearitas, dan heteroskedastisitas.
Itu tanda autokorelasi positif yang kuat. Residual satu periode mirip banget sama residual periode sebelumnya. Biasanya penyebabnya model kamu kelewat satu variabel yang bergerak musiman, misalnya efek Ramadan, gajian akhir bulan, atau libur sekolah. Coba tambahin variabel dummy buat periode itu, terus jalanin ulang regresinya dan lihat apakah nilai d naik mendekati 2.
Durbin-Watson cuma ngetes autokorelasi orde satu, yaitu hubungan residual sama satu periode sebelumnya. Dia juga punya zona ragu dan jadi nggak valid kalau model kamu pakai variabel terikat versi lag sebagai prediktor. Breusch-Godfrey bisa ngetes orde lebih tinggi, nggak punya zona ragu, dan tetap jalan di model dengan lag. Kalau hasil Durbin-Watson kamu abu-abu, Breusch-Godfrey jalan keluarnya.
Tiga hal yang perlu kamu pegang:
Coba buka output regresi yang udah kamu punya, catat nilai Durbin-Watson-nya, terus cek ke tabel sesuai n dan k kamu. Lima menit, dan kamu tau apakah kesimpulanmu berdiri di atas angka yang kuat.
Lanjut baca uji hipotesis buat analis kalau kamu mau ngerti logika di balik p-value tadi, atau statistik deskriptif buat ngecek datamu sebelum masuk regresi.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.