Kadang-kadang juga disebut “korelasi serial” atau “korelasi tertinggal” karena mengukur hubungan antara nilai variabel saat ini dan nilai historisnya.<\/span><\/p>\n Ketika autokorelasi dalam deret waktu tinggi, prediksi nilai masa depan menjadi mudah hanya dengan mengacu pada nilai masa lalu.<\/span><\/p>\n Misalkan kita memiliki deret waktu berikut di R yang menunjukkan nilai variabel tertentu selama 15 periode berbeda:<\/span><\/p>\n Kita dapat menghitung autokorelasi untuk setiap lag dalam deret waktu menggunakan fungsi acf()<\/strong> dari pustaka tseries<\/strong> :<\/span><\/p>\n Cara menafsirkan hasilnya adalah sebagai berikut:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Kita juga dapat menentukan jumlah lag yang akan ditampilkan dengan argumen lag<\/strong> :<\/span><\/p>\n Kita dapat memplot fungsi autokorelasi untuk deret waktu di R hanya dengan tidak menggunakan argumen pl=FALSE<\/strong> :<\/span> <\/p>\n Sumbu x menampilkan jumlah lag dan sumbu y menampilkan autokorelasi pada jumlah lag tersebut. Secara default, plot dimulai pada lag = 0 dan autokorelasi akan selalu 1<\/strong> pada lag = 0.<\/span><\/p>\n Anda juga dapat menentukan judul plot yang berbeda menggunakan argumen utama<\/strong> :<\/span> <\/p>\n Cara Menghitung Autokorelasi dengan Python<\/a> Autokorelasi mengukur tingkat kemiripan antara deret waktu dan versi yang tertinggal selama interval waktu yang berurutan. Kadang-kadang juga disebut “korelasi serial” atau “korelasi tertinggal” karena mengukur hubungan antara nilai variabel saat ini dan nilai historisnya. Ketika autokorelasi dalam deret waktu tinggi, prediksi nilai masa depan menjadi mudah hanya dengan mengacu pada nilai masa lalu. Cara […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Cara menghitung autokorelasi di R<\/strong><\/h3>\n
#define data<\/span>\nx <- c(22, 24, 25, 25, 28, 29, 34, 37, 40, 44, 51, 48, 47, 50, 51)\n<\/strong><\/pre>\n library<\/span> (tseries)<\/span>\n<\/span><\/span>\n#calculate autocorrelations<\/span>\nacf(x, pl= FALSE<\/span> )\n\n 0 1 2 3 4 5 6 7 8 9 10 \n 1.000 0.832 0.656 0.491 0.279 0.031 -0.165 -0.304 -0.401 -0.458 -0.450 \n 11 \n-0.369 \n<\/strong><\/pre>\n\n
#calculate autocorrelations up to lag=5<\/span>\nacf(x, lag=5, pl= FALSE<\/span> )\n\nAutocorrelations of series 'x', by lag\n\n 0 1 2 3 4 5 \n1.000 0.832 0.656 0.491 0.279 0.031<\/strong><\/pre>\n Cara memplot fungsi autokorelasi di R<\/strong><\/h3>\n
#plot autocorrelation function\n<\/span>acf(x)\n<\/strong><\/pre>\n![\"Autokorelasi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/autocorrelationr1.png\")
<\/p>\n #plot autocorrelation function with custom title\n<\/span>acf(x, main=' Autocorrelation by Lag<\/span> ')<\/strong> <\/pre>\n![\"Plot](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/autocorrelationr2.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Menghitung Autokorelasi di Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"