Kelompok 7 Pemodelan Sistem

Muhammad Yauma Al-Ahsan - 3332180028

Nandar Akbar Gumilar - 3332180009
Risyad Maulana Iqbal - 3332180024
Muhammad Dandi Setiadi - 3332180035

A. Autocorrelation Functions (ACF)

Fungsi autokorelasi (ACF) adalah korelasi antara nilai-nilai suatu deret berkala yang
sama dengan selisih waktu (time lag) 0, 1, 2 periode atau lebih. Partial Autocorrelation
Function (PACF) adalah suatu fungsi untuk mengukur tingkat keeratan antara Zt dan Zt+k
apabila pengaruh dari time lag 1, 2, . . ., k-1 dianggap terpisah. Dalam metode time series, alat
utama untuk mengidentifikasi model dari data yang akan diramalkan adalah dengan
menggunakan fungsi Autokorelasi/Autocorrelation Function (ACF) adalah korelasi antara
nilai-nilai suatu deret berkala yang sama dengan selisih waktu (time lag) 0, 1, 2 periode atau
lebih dan fungsi Autokorelasi parsial/Partial Autocorrelation Function (PACF) adalah suatu
fungsi untuk mengukur tingkat keeratan antara Zt dan Zt+k apabila pengaruh dari time lag 1,
2, . . ., k-1 dianggap terpisah.
Kondisi pengamatan dari proses (Xt) yang stasioner ditunjukkan dengan nilai mean E(Xt)
= µ, var(Xt) = E{Xt - µ} 2 = 2 k adalah proses yang konstan. Covarian (Xt ,Xt-k) yang
merupakan fungsi hanya dari pembedaan waktu |t- (t-k)|. Maka dari itu, hasil tersebut dapat
ditulis sebagai kovariansi antara dan sebagai berikut:
𝑌𝑘 = 𝐶𝑜𝑣 𝑋𝑡 , 𝑋𝑡+𝑘 = 𝐸 𝑋𝑡 − 𝜇 𝑋𝑡+𝑘 𝜇 (1.1)
Dan korelasi antara Xt ,Xt-k sebagai:
𝐶𝑜𝑣 𝑋𝑡 , 𝑋𝑡+𝑘 𝑌𝑘 (1.2)
𝜌𝑘 = =
𝑉𝑎𝑟(𝑋𝑡 )𝑉𝑎𝑟(𝑋𝑡+𝑘 ) 𝑌𝑜
Dimana notasi 𝑉𝑎𝑟(𝑋𝑡 )= 𝑉𝑎𝑟(𝑋𝑡+𝑘 )=Yo. Sebuah fungsi dari k,Yk disebut fungsi
autokovariansi dan 𝜌𝑘 disebut dengan fungsi auto korelasi (ACF), dalam analisis time series
Yk dan 𝜌𝑘 menggambarkan kovarian dan korelasi 𝑋𝑡 dan 𝑋𝑡+𝑘 , dari proses yang sama hanya
dipisahkan oleh lag ke-k.
1 𝑇−𝑘 (1.3)
𝑌𝑘 = 𝑋 − 𝑋 𝑋𝑡+𝑘 − 𝑋
𝑇 𝑡=1 𝑡
Dan
 𝑇−𝑘 (1.4)
𝑌𝑘 𝑡 = 1 𝑋𝑡 − 𝑋 𝑋𝑡+𝑘 − 𝑋
𝜌𝑘 = = , 𝑘 = 0,1,2 ….
𝑌𝑜 𝑇
𝑋𝑡 − 𝑋2
𝑡=1
Dengan
1 𝑇 (1.5)
𝑋= 𝑋
𝑇 𝑡=1 𝑡
Fungsi autokovariansi Yk dan fungsi autokorelasi 𝜌𝑘 memiliki sifat-sifat sebagai berikut:
1. 𝑌𝑜 = 𝑉𝑎𝑟 𝑋𝑡 ; 𝜌0 = 1
2. |𝑌𝑘 ≤ 𝑌𝑜; |𝜌𝑘| ≤ 1
3. 𝑌𝑘 = 𝑌 − 𝑘 dan 𝜌𝑘 = 𝜌 − 𝑘 untuk semua 𝑘 , 𝑌𝑘 dan𝜌𝑘 adalah fungsi yang sama dan
simetrik lag k = 0. Sifat tersebut diperoleh dari perbedaan aktu antara 𝑋𝑡 dan 𝑋𝑡+𝑘 . Oleh
sebab itu, fungsi autokorelasi diplotkan untuk lag nonnegative atau korrelogram.

Gambar 1.1 Plot ACF dan Stationer

Pada Gambar 1.1 memperlihatkan plot ACF untuk data stasioner, dimana hanya lag
pertama saja yang signifikan, sedangkan lag–lag berikutnya berada di dalam daerah interval.

B. Cross Correlation Function (CCF)

korelasi silangnya adalah korelasi yang sering digunakan ketika mempelajari
ketergantungan antara dua sinyal acak. Sebuah piksel korelasi silang (dinormalisasi) dapat
didefinisikan dan dijelaskan dengan cara yang sama seperti yang kami lakukan untuk
autokorelasi pada Gambar. 4–6 yaitu, dengan menghitung koefisien korelasi antara sampel dari
salah satu sinyal, x(n), dan waktu sinyal lainnya digeser oleh k, y(n-k). Rumusnya sebagai
berikut
 Korelasi silang atau cross correlation function 𝑢(𝑡) dan v(t) adalah

Konjugasi kompleks, tidak ada bedanya jika u(t) bernilai nyata. Tetapi membuat definisi
berfungsi bahkan jika u(t) bernilai kompleks.

Tidak seperti konvolusi, variabel integrasi, , memiliki tanda yang sama pada argumen u(·
· ·) dan v(· · ·) sehingga argumen memiliki konstanta perbedaan alih-alih jumlah konstan (yaitu
v(t) tidak dibalik waktu). Catatan Argumen w(t) disebut “lag” (= delay u versus v), Beberapa
orang menulis u(t) v(t) sebagai ganti u(t) v(t), Beberapa menukar u dan v dan/atau meniadakan
t dalam integral. Korelasi silang digunakan untuk menemukan di mana dua sinyal cocok.
Contoh :
v(t) berisi u(t) dengan penundaan yang tidak diketahui
dan menambahkan kebisingan.
w(t) = u(t) v(t)
= u∗(τ − t)v(τ )dt memberikan puncak
pada jeda waktu di mana u(τ t) terbaik
cocok v(τ)
dalam hal ini pada t = 450