3.

3 Penyemakan Diagnostik

Satu cara terbaik untuk memeriksa kecukupan keseluruhan model Box-Jenkins dengan
menganalisa residual yang didapati daripada model. Kita juga boleh mengira fungsi sampel
autokorelasi dan fungsi separa autokorelasi untuk residual residual. RSAC mewakili fungsi
sampel autokorelasi dan RSPAC mewakili fungsi sampel separa autokorelasi bagi residual
residual tersebut. Satu cara untuk menguji kecukupan bagi keseluruhan model dengan
menguji statistic yang menentukan sama ada sampel autokorelasi K yang pertama bagi
residual, dianggap bersama, dimana ia menunjukkan kecukupan model tersebut.
2 jenis statistic telah dicadangkan iaitu statistik Box Pierce dan statistik Ljung Box.
Statistik Box Pierce ialah
a^
r l ()
2

Q=n '
l=1

Statistik Ljung Box ialah

K

Q =n' (n' +2) ( n' l ) r l2 ( a^ )

l=1

Dimana

n' =nd , n ialah bilangan pemerhatian dalam siri masa asalan dan d ialah

perbezaan darjah tidak bermusim yang digunakan untuk menukar nilai siri masa asalan
kepada nilai siri masa pegun.

Proses memodelkan ini sepatutnya untuk mengira hubungan antara pemerhatian

pemerhatian dalam siri masa. Jika hubungan ini boleh dikira, maka residual residual adalah
tidak mempunyai hubungan. Oleh itu, residual autokorelasi sewajarnya adalah kecil. Justeru
itu, Q* sewajarnya kecil. Q* besar menunjukkan model itu tidak mencukupi. Kita boleh
menolak kecukupan model itu di bawah pertimbangan dengan menetapkan kebarangkalian
bagi satu ralat Jenis I bersamaan dengan (nilai - p).

RSAC
ACF of Residuals for y
(with 5% significance limits for the autocorrelations)
1.0
0.8

Autocorrelation

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

10

10

Lag

Rajah 7
RSPAC
PACF of Residuals for y
(with 5% significance limits for the partial autocorrelations)
1.0

Partial Autocorrelation

0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

6
Lag

Rajah 8

Minitab juga mengira Q* statistik Ljung Box dan nilai p berkaitan bagi nilai nilai K yang
bersamaan dengan 12, 24, 36 dan 48.

Diubahsuai
Lag
Chi-Square
DF
P-Value

Box-Pierce
12
18.7
11
0.066

(Ljung-Box) Chi-Square
24
36
24.8
25.2
23
35
0.362
0.888

statistik
48
*
*
*

Setelah nilai Q* = 18.7 < 19.675, kita tidak boleh menolak kecukupan bagi model itu dengan
menetapkan sama dengan 0.05. Nilai p ialah nilai luas dibawah lengkung taburan chi
square dimana ia mempunyai nilai K - nc = 11 dengan darjah kebebasan ke kanan Q* = 18.7.
Setelah nilai p ialah 0.066 > 0.05, kita tidak boleh menolak kecukupan model tersebut
dengan menetapkan = 0.05. Setelah statistik Ljung Box menunjukkan nilai p
mempunyai hubungan dengan Q* bagi K = 12, 24, dan 36 adalah lebih besar daripada 0.05,
dan setelah tiada pancang pancang di dalam RSAC dan RSPAC (kita mengabaikan pancang
pada lag 6 setelah kita mengabaikan ia di dalam SAC dan SPAC), kita merumuskan model
tersebut adalah model kecukupan.

3.4 Peramalan
Keputusan yang diterima dari MINITAB:
Ramalan dari tempoh masa 40
Had 95%
Tempoh Masa
41
42
43

Ramalan
12631.1
13002.2
13373.2

Nilai Bawah
11908.5
11879.7
11873.2

Nilai Atas
13353.7
14124.6
14873.2

Nilai Sebenar
12249.0
12700.0
13026.0

Dari keputusan yang didapati daripada MINITAB, nilai sebenar pengeluaran

kenderaan bermotor Jepun secara tahunan dalam tahun 1987, 1988 dan 1989 adalah 12249,
12700 dan 13026. Dalam kata lain, nilai ramalan bagi pengeluaran kenderaan bermotor Jepun
dalam tahun 1987, 1988 dan 1989 adalah 12631.1, 13002.2 dan 13373.2. Setelah semua bagi
ketiga tiga nilai sebenar bagi tahun 1987, 1988 dan 1989 ditempatkan di dalam 95% selang
ramalan, analisa lanjut tentang ketepatan ramalan akan dikendalikan dalam bahagian analisa
seterusnya.

3.4.1 Ketepatan Ramalan

Nilai sebenar bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1987
= 12249
Nilai ramalan bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1987
(Tempoh Masa 41) = 12631.1

|e 1987|

| y 1987 ^y 1987|
= |1224912631.1|
= 382.1

Nilai sebenar bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1988
= 12700

Nilai ramalan bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1988
(Tempoh Masa 42) = 13002.2

|e 1988|

| y 1988 ^y 1988|
= |1270013002.2|
= 302.2

Nilai sebenar bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1989
= 13026
Nilai ramalan bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1989
(Tempoh Masa 43) = 13373.2

|e 1989|

| y 1989 ^y 1989|
= |1302613373.2|
= 347.2
n

Purata Sisihan Mutlak (MAD)

|e t|
t =1

|e1987|+|e 1988|+|e1989|

382.1+302.2+347.2
3

343.8333
n

Purata Ralat Kuasa Dua (MSE)

( et )2

t =1

|e1987| +|e 1988| +|e1989|

3

382.12 +302.22 +347.22

3
119291.03
n

Purata Peratusan Ralat Mutlak (MAPE)

t =1

|et|

(100)
yt
n

382.1
302.2
347.2
( 100 ) +
( 100 ) +
(100)
12249
12700
13026

3
2.7215

Dari pengiraan di atas, kita mengetahui MAD, MSE dan MAPE bagi pengeluaran kenderaan
bermotor Jepun secara tahunan masing masing ialah 343.8333,119291.03 dan 2.7215

4.0 Perbincangan dan Konklusi

4 langkah dalam kaedah Box - Jenkins telah dibuat bagi meramal pengeluaran kenderaan
bermotor Jepun secara tahunan dalam tahun 1987, 1988 dan 1989.
Dalam tentative pengenalpastian, kita mendapati yang nilai siri masa adalah tidak
pegun, oleh itu perbezaan dicari bagi menukar nilai siri masa kepada nilai siri masa pegun.
Dalam kes kita ini, kita boleh mendapatkan nilai siri masa pegun setelah perbezaan kedua
berlaku. Bagi memastikan ini, plot siri masa bagi perbezaan kedua diplotkan dan kita lihat
graf berubah ubah dengan variasi malar disekitar purata malar. Selepas itu, ACF dan PACF
diplotkan bagi melihat model tersebut. Kita telah perhatikan bahawa kedua dua SAC dan
SPAC dipotong, di mana SAC dipotong selepas lag 1 dan SPAC dipotong selepas lag 2. Oleh
itu, model yang memadani nilai siri masa ialah model purata bergerak 1 (MA(1)). Terakhir
sekali, kita boleh mengenalpasti model secara tentatifnya ialah ARIMA(0,2,1).

Dalam anggaran, kita mesti memastikan bahawa nilai siri masa adalah pegun dan
disongsangkan. Kita tetapkan anggaran titik awalan 1 = 0.1. Pada akhirnya, kita menjumai
yang anggaran titik akhiran yang kita dapatkan ialah 1 = 0. 8115. Kedua dua titik awalan
dan akhiran dipenuhi keadaan songsangannya di mana |1| < 1.
Walaubagaimanapun, dalam penyemakan diagnostic, kita melihat ia tiada pancang
pancang (kecuali pada lag 6) dalam residual SAC dan residual SPAC, kita boleh konklusikan
model itu adalah cukup.
Akhir sekali, dalam peramalan, kita menyedari bahawa MAD, MSE dan MAPE bagi
pengeluaran kenderaan bermotor Jepun secara tahunan masing masing ialah
343.8333,119291.03 dan

2.7215 . Berbanding dengan tugasan 1, keputusan bagi

peramalan dalam tahun 1987, 1988 dan 1989 dengan menggunakan Double Exponential
Smoothing adalah lebih tepat berbanding kaedah Box-Jenkins kerana nilai MAD, MSE dan
MAPE yang kecil.

5.0 Sumber Rujukan

Bruce L. Bowerman and Richard T. QConnell, Forecasting And Time Series: An Applied
Approach (Third Edition), China Machine Press, 2004

http://www.itl.nist.gov/div898/handbook/pmc/section6/pmc622.htm

http://people.duke.edu/~rnau/Slides_on_ARIMA_models--Robert_Nau.pdf