Solusi Mengatasi Masalah White Noise (Ljung-Box) Kelayakan Residual Model ARIMA pada Minitab

Dalam analisis deret waktu (time series) menggunakan perangkat lunak Minitab, kendala utama yang sering menggagalkan uji diagnostik kelayakan model adalah kegagalan residual memenuhi syarat kelinearan linier murni. Ketika melakukan estimasi, Anda mungkin menemukan solusi mengatasi masalah white noise (Ljung-Box) kelayakan residual model ARIMA pada Minitab menjadi krusial karena nilai p-value pada tabel Modified Box-Pierce (Ljung-Box) Chi-Square statistic menunjukkan angka di bawah tingkat signifikansi 0,05 (p < 0,05). Hasil ini mengonfirmasi bahwa residual yang dihasilkan oleh model ARIMA yang Anda bentuk belum terbebas dari masalah autokorelasi, sehingga sisa galat masih menyimpan pola informasi yang belum terekstraksi secara sempurna.

Gejala kegagalan ini ditandai dengan munculnya nilai p-value Ljung-Box yang signifikan pada lag awal maupun lag panjang (seperti lag 12, 24, atau 36) di jendela session window Minitab. Konsekuensinya, model ARIMA yang telah diestimasi dianggap tidak layak (invalid) untuk digunakan dalam peramalan (forecasting). Memaksa memakai model yang residualnya tidak white noise akan menghasilkan standar eror peramalan yang bias dan interval konfidensi yang tidak akurat. Oleh sebab itu, diperlukan perbaikan spesifikasi ordo model secara terstruktur agar residual benar-benar bersifat acak (independen dan berdistribusi identik).

Final Estimates of Parameters
Type       Coef  SE Coef    T-Value    P-Value
AR 1     0.7420   0.0812       9.14      0.000

Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag         12      24      36      48
Chi-Square  28.45   45.12   62.89   78.34
DF          10      22      34      46
P-Value     0.002   0.003   0.002   0.002

* Keterangan: Nilai P-Value < 0.05 pada seluruh lag menandakan residual 
masih memiliki autokorelasi (Model ARIMA TIDAK WHITE NOISE). *
            

Konsep Dasar Teori Asumsi White Noise dan Uji Ljung-Box

Tahapan diagnostik residual merupakan pilar ketiga dalam metodologi Box-Jenkins yang terdiri dari Identifikasi, Estimasi, Diagnostik, dan Peramalan (Box & Jenkins, 1976). Residual dalam model ARIMA idealnya bersikap seperti white noise, yakni suatu proses acak stasioner yang memiliki nilai harapan nol, varians konstan, dan tidak memiliki korelasi antar observasi pada rentang waktu yang berbeda.

Statistik uji Ljung-Box dihitung untuk menguji hipotesis nihil bahwa seluruh autokorelasi hingga lag k bernilai nol secara simultan (Ljung & Box, 1978). Jika hipotesis nihil ditolak karena nilai p-value lebih kecil dari 0,05, hal tersebut membuktikan bahwa residual tidak independen satu sama lain dan masih terdapat struktur autokorelasi sistematis yang tertinggal dalam data galat.

Untuk memahami secara komprehensif mengenai kalkulasi sistematis, formulasi matematis, serta filosofi pengujian ini, Anda dapat mempelajari kajian teoretis lengkap mengenai konsep dan rumus uji Ljung-Box ARIMA. Penguasaan teoretis dasar sangat penting agar tindakan perubahan ordo parameter pada perangkat lunak tidak dilakukan secara spekulatif semata.

Montgomery et al. (2015) menegaskan bahwa residual yang gagal memenuhi kriteria white noise mengindikasikan bahwa struktur ordo Autoregressive (AR) atau Moving Average (MA) yang dimasukkan ke dalam model belum cukup memadai untuk menyerap dinamika ketergantungan temporal antar data.

Langkah Teknis Memperbaiki Residual ARIMA di Minitab

Langkah pertama dalam mengatasi masalah ini pada Minitab adalah melakukan evaluasi terhadap grafik Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) khusus dari variabel residual. Akses menu Stat > Time Series > ARIMA, lalu pada opsi Storage centang pilihan Residuals untuk menyimpan nilai galat ke dalam kolom lembar kerja.

Langkah kedua, buat grafik ACF dan PACF dari kolom residual yang telah disimpan menggunakan menu Stat > Time Series > Autocorrelation / Partial Autocorrelation. Amati lag mana saja yang garis grafiknya menembus batas garis merah (interval kepercayaan signifikansi).

Jika pada grafik ACF residual terlihat lonjakan signifikan (spike) pada lag awal (misalnya lag 1 atau lag 2), hal ini memberikan petunjuk teknis bahwa ordo Moving Average (q) perlu ditingkatkan. Tambahkan 1 tingkat ordo MA pada menu ARIMA di Minitab (misalnya mengubah ARIMA(1,0,0) menjadi ARIMA(1,0,1)).

Sebaliknya, apabila lonjakan signifikan muncul pada grafik PACF residual, hal tersebut mengindikasikan bahwa ordo Autoregressive (p) dalam model belum mencukupi. Penambahan ordo AR (misalnya dari ARIMA(0,0,1) menjadi ARIMA(1,0,1)) akan menyerap sisa keterikatan parsial pada galat.

Hyndman & Athanasopoulos (2021) merekomendasikan prosedur respesifikasi berulang: bandingkan beberapa alternatif kombinasi ordo ARIMA terdekat menggunakan nilai kriteria kebaikan model seperti Akaike Information Criterion (AIC) atau Mean Square Error (MSE) terkecil di Minitab, dengan syarat utama nilai p-value Ljung-Box telah berada di atas 0,05 pada seluruh lag.

Apabila lonjakan autokorelasi pada residual berulang secara teratur pada kelipatan lag musiman (seperti lag 12, 24, atau 36 untuk data bulanan), perbaikan tidak cukup dilakukan pada ordo non-musiman. Anda perlu menambahkan komponen musiman Seasonal ARIMA (SARIMA) berupa ordo (P,D,Q)s pada antarmuka Minitab.

Final Estimates of Parameters
Type       Coef  SE Coef    T-Value    P-Value
AR 1     0.6120   0.0741       8.26      0.000
MA 1     0.3845   0.0892       4.31      0.000

Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag         12      24      36      48
Chi-Square  8.12    16.45   24.10   31.85
DF           9      21      33      45
P-Value     0.522   0.744   0.873   0.931

* Solusi Eksekusi: Setelah menambahkan komponen MA(1) menjadi ARIMA(1,0,1), 
seluruh P-Value Ljung-Box > 0.05. Residual kini terbukti WHITE NOISE 
dan model siap digunakan untuk forecasting. *
            

Pembahasan Ilmiah: Riset Diagnostik dan Risiko Overfitting

Secara metodologis, kegagalan residual mencapai kriteria white noise bersumber dari permasalahan spesifikasi model yang terlalu sederhana (under-parameterization). Ketika ordo p atau q dipilih terlalu rendah, persamaan diferensial linier tidak mampu mengekstraksi seluruh linieritas dalam deret waktu, sehingga sisa struktur korelasi terlempar ke dalam komponen galat.

Wei (2006) menjelaskan bahwa membiarkan residual terautokorelasi melanggar asumsi dasar estimasi parameter pada Minitab. Keadaan ini mengakibatkan estimasi varians koefisien menjadi terdistorsi, sehingga pengujian signifikansi t-statistik menjadi tidak sahih.

Kendati menambahkan ordo AR dan MA secara berlebihan dapat dengan mudah meloloskan p-value Ljung-Box menjadi di atas 0,05, peneliti harus menghindari jebakan over-parameterization. Model dengan parameter berlebihan akan mengalami masalah pembatalan akar (root cancellation) dan menurunkan keakuratan prediksi pada data di luar sampel (Enders, 2014).

Oleh karena itu, penyesuaian model harus berpegang pada prinsip parsimoni (parsimony principle). Pilihlah struktur model dengan jumlah parameter paling sedikit yang sudah mampu menghasilkan residual berdistribusi white noise dan seluruh parameternya signifikan secara statistik.

Selain respesifikasi ordo, jika perbaikan ordo AR/MA tidak kunjung meloloskan uji Ljung-Box, peneliti perlu memeriksa keberadaan pencilan (outliers) atau melakukan transformasi data (seperti Box-Cox) pada Minitab untuk menstabilkan varians yang tidak konstan (Tsay, 2010).

Kesimpulan

Mengatasi masalah residual yang tidak white noise pada analisis ARIMA di Minitab membutuhkan prosedur diagnostik yang terstruktur. Dengan memeriksa plot ACF dan PACF dari variabel residual, peneliti dapat mengidentifikasi kebutuhan penambahan ordo Autoregressive (p), Moving Average (q), maupun komponen musiman. Penyesuaian ordo yang tepat akan menaikkan nilai p-value uji Ljung-Box di atas 0,05, sehingga model terbebas dari autokorelasi dan valid digunakan untuk proyeksi peramalan deret waktu secara akurat.

Daftar Pustaka

• Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. Holden-Day.
• Enders, W. (2014). Applied Econometric Time Series (4th ed.). John Wiley & Sons.
• Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts.
• Ljung, G. M., & Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika, 65(2), 297–303.
• Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to Time Series Analysis and Forecasting (2nd ed.). John Wiley & Sons.
• Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). John Wiley & Sons.
• Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods (2nd ed.). Pearson Addison Wesley.