penaksiran parameter model arima dengan menggunakan...
TRANSCRIPT
Page 1
Penaksiran parameter model ARIMA dengan menggunakanAlgoritma Genetika
Wiwin yuliani1306 100 070
Dosen Pembimbing I
Dr. Irhamah, S.Si,M.Si
Dosen Pembimbing II
Dedy Dwi Prastyo, S.Si, M.Si
Page 2
Pendahuluan
Batasan masalah
Manfaat
Permasalahan
Tujuan
Latar belakang
Page 3
Tinjauan pustaka
ARIMA Box-Jenkins
Algoritma Genetika
Page 4
Metodologi penelitian
Sumber data
Metode analisis data
Algoritma Genetika
Page 5
Hasil analisis
Analisis dan pembahasan
Kesimpulan dan saran
Page 6
Latar belakang
Time seriesAlgoritmaGenetika
Penaksiranparameter
ARIMA
Penelitian terdahulu
Ong, Huang, dan Tzeng
(2005)
Rohman (2009)
Qohar (2007)
Algoritma Genetika dapat
mengatasi kelemahan
metode penaksiran
perameter lain dalam
mencari solusi yang global
optimum.
Page 7
Permasalahan
Bagaimana hasil penaksiran parameter denganConditional Least Square?
Bagaimana hasil penaksiran parameter denganmengunakan Algoritma Genetika?
Bagaimana perbandingkan hasil penaksiranparameter kedua metode ?
Page 8
Tujuan
Mendapatkan penaksir parameter denganConditional Least Square.
Mendapatkan penaksir parameter denganmenggunakan Algoritma Genetika.
Mengetahui perbandingan hasil panaksiranparameter kedua metode.
Page 9
Manfaat
Dapat menerapkan dan mengembangkanmetode Algoritma Genetika untukmendapatkan taksiran parameter modelARIMA.
Page 10
Batasan masalah
Data dua mingguan dari permintaan Arc Tubedaya listrik rendah yang pernah dipakai pada
Rohman (2009).
Dalam iterasi Algoritma Genetika, fungsifitness hanya dihitung berdasarkan nilai SSE
saja.
Program Algoritma Genetika dapat digunakanuntuk model ARIMA(p,d,q) orde satu saja
Page 11
Tinjauan pustaka
Konsep Dasar Time SeriesTime series adalah suatu pengamatan yang disusun secara berurutan dalam waktu(Box, Jenkins, dan Reinsel, 1994). Time series dapat dianggap sebagai realisasidari proses stokastik. proses stokastik adalah suatu kelompok data berdasarkan waktu yang tersusun oleh variabel random dimana ω adalah ruang sampel dan tadalah indeks waktu. Fungsi distribusi dari variabel random adalah sebagai berikut.
Kestasioneran DataData time series dikatakan stasioner pada mean apabila data tersebut tidak adaperubahan mean dari waktu ke waktu dan data time series dikatakan stasionerpada varians apabila data tersebut tidak ada perubahan varians yang jelas dariwaktu ke waktu (Makridakis dkk,1999).
Apabila terjadi ketidakstasioneran pada varians maka dilakukan transformasipada data.Apabila terjadi ketidakstasioneran pada mean maka dilakukan proses differencing (pembedaan) pada data.
n1n21 tnt1tttzω,t,...,zzω,tω:zp,...,z,zzF
Page 12
Tinjauan pustaka
Fungsi Autokorelasi (ACF)
Fungsi Autokorelasi Parsial (PACF)
Dan j=1,2,...,k
n
1t
2
t
kn
1t
ktt
ktt
kttk
kk
)Z(Z
)Z)(ZZ(Z
)var(Z)var(Z
)Z,cov(Zr
0ˆ
ˆˆ
k
1j
jkj
k
1j
j1kkj1k
11,kk
ρ1
ρρ
ˆˆ
ˆˆˆ
ˆ
j1kk,1k1,kkjj1,kˆˆˆˆ
Page 13
Tinjauan pustakaModel-Model Time Series Stasioner
1. Model Autoregressive atau AR(p)
Bentuk umum
2. Model Moving Average atau MA(q)
Bentuk umum
3. Model Autoregressive Moving Average atau ARMA(p,q)
Bentuk umum
4. Model ARIMA (p,d,q)
Bentuk umum
tptptttaZZZZ .
2211
qtqttttaaaaZ
2211
qtqttptpttaaaZZZ
1111
tq0t
d
paBθZB1B
Page 14
Tinjauan pustaka
Identifikasi Model ARIMA
Model ACF PACF
AR(p)turun cepat secara eksponensial /
sinusoidalterputus setelah lag p
MA(q) terputus setelah lag qturun cepat secara eksponensial /
sinusoidal
AR(p) atau MA(q) terputus setelah lag q terputus setelah lag p
ARMA(p,q) turun cepat setelah lag (q-p) turun cepat setelah lag (p-q)
Page 15
Tinjauan pustaka
Estimasi Parameter Model ARIMA
1. Metode MomentMenurut Wei (1990), metode momen adalah salah satumetode estimasi yang paling mudah, tetapi juga yang paling tidak efisien, untuk mendapatkan taksiran parameter padamodel ARIMA. Dimisalkan model AR(p) dengan
Bentuk umum dari model AR (p) adalah
Dan mendapatkan penaksir moment dengan
tptp2t21t1taZZZZ ..
ppaˆˆ...ˆˆˆˆ1ˆ
22110
2
2
a
ttZZ
Page 16
Tinjauan pustaka
2. Metode Least Square / Conditional Least SquareDimisalkan model ARMA(p,q) dengan
Bentuk umum dari model ARMA (p,q) adalah
estimasi Conditional Least Square
dengan zinit, ainit merupakan nilai inisialisasi awal dan db=n-(p+q-1).
merupakan suatu fungsi nonlinear dengan parameter yang tidak diketahui sehingga diperlukan suatu iterasi nonlinear untukmendapatkan parameternya
ttZZ
qtq2t21t1tptp2t21t1taθaθaθaZZZZ ....
),,,,,(),,(~~~~~
1
2
~~
ZinitainitZaSn
t t
dbSa
/),,(ˆ2
),,(~~
S
Page 17
3. Metode Maximum LikelihoodMenurut Cryer dan Chan (2008) untuk dapat menerapkan teknikestimasi maximum likelihood (kemungkinan maksimum), harus dibuatasumsi tentang bentuk fungsi probabilitas dari data yang teramati. Fungsi kepadatan probabilitas suatu error adalah
taksiran maximum likelihood untuk adalah
ta
2
2
2/122
2exp)2()|(
a
t
aat
aaf
2ˆ
a
n
Sa
ˆ,ˆˆ
2
Tinjauan pustaka
Page 18
Algoritma genetika
Sejak Algortima Genetika pertama kali dirintis oleh John Holland dari Universitas Michigan pada tahun 1960-an, Algortima Genetika telah diaplikasikan secara luas padaberbagai bidang. Algortima Genetika banyak digunakanuntuk memecahkan masalah optimasi, walaupun padakenyataannya juga memiliki kemampuan yang baik untukmasalah-masalah selain optimasi.
Page 19
Pengkodean kromosom
Pengkodean kromosom adalah suatu teknik untukmenyatakan populasi awal sebagai kandidat solusi suatumasalah ke dalam suatu kromosom.
Page 20
Fungsi Fitness
Fitness individu dalam algoritma genetika adalah nilaifungsi objektif untuk fenotipe. Untuk menghitungfitness, kromosom harus terlebih dahuludidekode dan fungsi tujuan harus dievaluasi
Page 21
Seleksi Roulette Wheel
Untuk menentukan probabilitas seleksi atau probabilitaskelangsungan hidup pada setiap kromosom proporsionaldengan nilai fitnessnya
Page 22
Crossover
Beroperasi pada dua kromosom pada suatu waktu danmembentuk offspring dengan mengkombinasikan duabentuk kromosom.
Page 23
Mutasi
untuk mengembalikan informasi yang hilang
Page 24
Elitism
Untuk menjaga agar individu bernilai fitness tertinggi
tersebut tidak hilang selama evolusi, maka perlu dibuat
satu atau beberapa kopinya.
Page 25
Metodologi penelitian
• data simulasi dan data dua mingguan dari permintaan Arc Tube daya listrik rendah yang pernah digunakan oleh Rohman(2009)
DATA
Page 26
Metodologi penelitian
• Menaksir parameter dengan metode Conditional Least square• Menaksir parameter dengan metode Algoritma Genetika
METODE
ANALYSIS
• Membandingkan hasil penaksiran parameter kedua metode
Page 27
Letak penelitian
Identifikasi model
ARIMA nonmusiman
Penaksiran parameter model ARIMA
Identifikasi model
ARIMA musiman
Pemodelan ARIMA
Box-Jenkins
dengan Algoritma
Genetika
Identifikasi model
ARIMA campuran
Correlogram Correlogram
Algoritma GenetikaAlgoritma Genetika
Correlogram
Algoritma Genetika
Algoritma Genetika
Conditional Least Square
Page 28
Diagram alur penelitian
Selesai
Mengidentifikasi model ARIMA
Menaksir parameter dengan metode Conditional Least Square dan Algoritma Genetika
Membandingkan hasil dari kedua metode
Mulai
Data
Parameter terbaik dengan kriteria minimun SSE
Page 29
Diagram alur Algoritma Genetika
Mulai
Seleksi dengan Roulette Wheel
Crossover dengan one-point
Mutasi
ya
tidak
Set Input : Npop, Pc, Pm
Inisialisasi PopulasiGenerasi = 0
Evaluasi kromosom berdasarkanfitness
SSE konvergen?
Solusi optimal
Selesai
Seleksi individu baru dan Elitism
Generasi = generasi + 1
Decoding dari bilangan biner menjadibilangan real
Page 30
Analisis dan Pembahasan
140126112988470564228141
200000
150000
100000
50000
0
Index
da
ta
Time S er ies P lot of data
1401301201101009080706050403020101
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
to
co
rre
latio
n
Autocorrelation Function for data
(w ith 5% significance lim its for the autocorre la tions)
Gambar 1 Plot time series data permintaan
Arc Tube daya listrik rendahGambar 2 Plot ACF data data permintaan Arc
Tube daya listrik rendah
1. Identifikasi model ARIMA dengan Correlogram
Page 31
Analisis dan Pembahasan
Gambar 3 Box-Cox plot data permintaan Arc
Tube daya listrik rendahGambar 4 Plot time series data yang sudah
stasioner
543210-1-2
160000
140000
120000
100000
80000
60000
40000
20000
Lambda
StD
ev
Lo w er C L U p p er C L
Lim it
E stimate 0.80
Lo w er C L 0.57
U p p er C L 1.06
Ro u n d ed Valu e 1.00
(u sin g 95.0% co n fid en ce)
Lamb d a
Box-Cox P lot of data
140126112988470564228141
100000
50000
0
-50000
-100000
-150000
Index
dif
f
Time S er ies P lot of diff
Page 32
Analisis dan Pembahasan
Gambar 5 Plot ACF data yang sudah
stasioner
Gambar 6 Plot PACF data yang sudah
stasioner
35302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
to
co
rre
latio
n
Autocorrelation Function for diff
(w ith 5% significance lim its for the autocorre la tions)
35302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
latio
n
Partial Autocorrelation Function for diff
(w ith 5% s ignificance lim its for the partia l autocorre la tions)
dugaan model sementara adalah ARIMA (1,1,0), ARIMA (0,1,1), ARIMA (1,1,1), ARIMA (2,1,0), ARIMA (0,1,2) dan ARIMA (2,1,2).
Page 33
Analisis dan Pembahasan
Lags MA 0 MA 1 MA 2 MA 3 MA 4 MA 5
AR 0 21.17851 20.92304 20.92788 20.93609 20.95433 20.95797
AR 1 20.84401 20.86949 20.8739 20.90799 20.94256 20.97193
AR 2 20.87204 20.90327 20.90879 20.94225 20.97707 21.0019
AR 3 20.87518 20.90972 20.94258 20.97724 21.00704 21.03705
AR 4 20.90894 20.94382 20.96678 21.00049 21.03532 21.05248
AR 5 20.94095 20.97366 20.99648 21.02786 21.05646 21.082
Berdasarkan Tabel diatas diperoleh nilai BIC terkecil pada BIC(1,0) sehingga dugaan model sementara yang terbaik berdasarkan MINIC
adalah ARIMA(1,1,0). Model ARIMA(1,1,0) juga merupakan salah satudugaan model sementara hasil identifikasi dengan Correlogram
2. Identifikasi model ARIMA dengan MINIC
Page 34
Analisis dan Pembahasan3. Simulasi model AR(1), MA(1), ARMA(1,1)
sampel parameter simulasirata rata
sampel parameter simulasirata rata
fitarima.m minitab fitarima.m minitab
100 AR(1) 0.8 0.7715 0.7895 200 ARMA (1,1)
MSE 1 1.0966 1.0699 phi 0.7 0.6832 0.7254
100 MA(1) 0.6 0.5927 0.5728 theta 0.4 0.3741 0.4101
MSE 1 1.0673 1.0745 MSE 1 1.0301 1.0456
100 ARMA (1,1) 400 AR(1) 0.8 0.8058 0.8082
phi 0.7 0.7362 0.7941 MSE 1 1.0235 1.0244
theta 0.4 0.4136 0.4746 400 MA(1) 0.6 0.5929 0.5901
MSE 1 0.9021 0.9192 MSE 1 1.0387 1.0406
200 AR(1) 0.8 0.7657 0.784 400 ARMA (1,1)
MSE 1 0.9182 0.9292 phi 0.7 0.689 0.7087
200 MA(1) 0.6 0.5948 0.5954 theta 0.4 0.3861 0.4043
MSE 1 0.9175 0.919 MSE 1 1.0394 1.0462
Page 35
Analisis dan Pembahasan4. Penaksiran Parameter model ARIMA dengan Conditional Least Square
Dari Tabel diatas dapat dilihat bahwa nilai parameter
AR(1) sebesar -0.5505, nilai MSE sebesar 1156000000
dan nilai SSE sebesar 161840000000
Model Parameter Koefisien MSE SSE
ARIMA
(1,1,0)AR(1) -0.5505 1156000000 161840000000
Page 36
Analisis dan Pembahasan
4.1 Pengujian Signifikansi Parameter
H0 : = 0 (parameter model tidak signifikan)H1 : ≠ 0 (parameter model signifikan)t0.005;141 = 2,576
model parameter koefisien SE koefisien t-hitung
ARIMA
(1,1,0)AR 1 -0.5505 0.084517529 -6.513441712
Dari Tabel diatas dapat dikatakan bahwa
taksiran parameter signifikan karena nilai
|t-hitung| > t0.005;141
Page 37
Analisis dan Pembahasan
4.2 Pengujian Asumsi Residual
H0 : Residual white noise
H1 : Residual tidak white noise
Tolak H0 jika nilai p-value < α
Tabel diatas menunjukkan bahwa model white-noise
karena nilai p_value > α dengan α sebesar 1%.
model Ljung - Box keterangan
ARIMA
(1,1,0)
lag 12 24 36 48
λ2 90.353 139.713 159.426 166.055
white-noise
DF 11 23 35 47
P_Value 1.0000 1.0000 1.0000 1.0000
Page 38
Analisis dan Pembahasan
H0 : Residual berdistribusi Normal
H1 : Residual berdistribusi tidak Normal
Dari gambar diatas menunjukkan bahwa plot residualmendekati garis lurus dengan p_value > α dengan αsebesar 1% yaitu sebesar 0.063 sehingga residualberdistribusi normal.
100000500000-50000-100000
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
C14
Pe
rc
en
t
M ean -87.00
S tD ev 33999
N 141
KS 0.073
P -Valu e 0.063
Probability P lot of res idual
Norm al
Page 39
Analisis dan Pembahasan
Model ARIMA(1,1,0) menjadi model terbaik untuk data permintaan Arc Tube daya listrik rendah. Modelnya adalah sebagai berikut
Model tersebut menjelaskan bahwa permintaan Arc Tube daya listrik rendah untuk daya listrik ke-t dipengaruhi oleh permintaan Arc Tube pada
waktu t-1 dikurangi 0.5505 kali permintaan Arc Tube pada waktu t-1 ditambah kesalahan pada saat ke-t.
t1-tttaz-zz 5505.0
1
t1-ttazB)z-(1
1
Page 40
Analisis dan Pembahasan5. Algoritma Genetika
5.1 Simulasi model AR(1), MA(1), ARMA(1,1) untuk Algoritma Genetika
sampel parameter simulasi
rata-rata
sampel parameter simulasi
rata-rata
Algoritma Genetika
Algoritma Genetika
100AR(1) 0.8 0.8168
200
ARMA (1,1)
MSE 1 1.119952 phi 0.7 0.717752
100MA(1) 0.6 0.6311 theta 0.4 0.396
MSE 1 1.072292 MSE 1 1.083684
100
ARMA (1,1)400
AR(1) 0.8 0.8168
phi 0.7 0.7549 MSE 1 1.02749
theta 0.4 0.4455400
MA(1) 0.6 0.6188
MSE 1 0.923886 MSE 1 1.04455
200AR(1) 0.8 0.8291
400
ARMA (1,1)
MSE 1 0.941478 phi 0.7 0.717752
200MA(1) 0.6 0.6188 theta 0.4 0.4455
MSE 1 0.934108 MSE 1 1.066268
Page 41
Analisis dan Pembahasan
Kromosom jenis 1>>bilangan binerkromosom jenis 2>>bilangan real Contohnya : model ARMA(2,1) direpresentasikan dengan (1 1 0 0 1 0 1 1 0 0) (0 1 0 0 1) atau
5.2 kromosom
1 1 0 0 1 0 1 1 0 0 0 1 0 0 1
sebagai kromosom jenis satu, kemudian dikonversikan kedalam bilangan real sehingga kromosom berubah menjadi
0.5569 -0.2475 -0.4331
Sebagai kromosom jenis dua.
Page 42
Analisis dan Pembahasan
Dari Tabel dapat dilihat bahwa nilai MSE, SSE danparameter untuk semua jumlah kromosom mempunyai nilaiyang sama. Nilai MSE tersebut merupakan nilai MSEterbaik dengan nilai sebesar 1156000000, nilai SSEsebesar 161840000000 serta nilai parameter sebesar-0.55688.
5.3 penaksiran parameter model ARIMA dengan Algoritma Genetika
kromosom generasi MSE db SSE parameter
10 4 1156000000 140 161840000000 phi -0.55688
20 4 1156000000 140 161840000000 phi -0.55688
40 4 1156000000 140 161840000000 phi -0.55688
100 4 1156000000 140 161840000000 phi -0.55688
Page 43
Analisis dan Pembahasan
5.3.1 Pengujian Signifikansi Parameter
H0 : = 0 (parameter model tidak signifikan)H1 : ≠ 0 (parameter model signifikan)t0.005;141 = 2,576
Dari Tabel diatas dapat dikatakan bahwa
taksiran parameter signifikan karena nilai
|t-hitung| > t0.005;141
model parameter koefisien SE koefisien t-hitung keterangan
ARIMA
(1,1,0)AR 1 -0.55688 0.084514711 -6.5891487 signifikan
Page 44
Analisis dan Pembahasan
5.3.2 Pengujian Asumsi Residual
H0 : Residual white noise
H1 : Residual tidak white noise
Tolak H0 jika nilai p-value < α
Tabel diatas menunjukkan bahwa model white-noise
karena nilai p_value > α dengan α sebesar 1%.
model Ljung - Box keterangan
ARIMA
(1,1,0)
lag 12 24 36 48
λ2 90.8313 139.563 159.152 166.253 white-noise
DF 11 23 35 47
P_Value 1.0000 1.0000 1.0000 1.0000
Page 45
Analisis dan Pembahasan
H0 : Residual berdistribusi Normal
H1 : Residual berdistribusi tidak Normal
Dari gambar diatas menunjukkan bahwa plot residualmendekati garis lurus dengan p_value > α dengan αsebesar 1% yaitu sebesar 0.048 sehingga residualberdistribusi tidak normal.
100000500000-50000-100000
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
C12
Pe
rc
en
t
M ean -87.99
S tD ev 34000
N 141
KS 0.076
P -Valu e 0.048
Probability P lot of res idual
Norm al
Page 46
Analisis dan Pembahasan
Model ARIMA(1,1,0) menjadi model terbaik untuk data permintaan Arc Tube daya listrik rendah. Modelnya adalah sebagai berikut
Model tersebut menjelaskan bahwa permintaan Arc Tube daya listrik rendah untuk daya listrik ke-t dipengaruhi oleh permintaan Arc Tube pada
waktu t-1 dikurangi 0.55688 kali permintaan Arc Tube pada waktu t-1 ditambah kesalahan pada saat ke-t.
t1-ttazB)z-(1
1
t1-tttaz-zz 55688.0
1
Page 47
Kesimpulan dan Saran1. Hasil penaksiran parameter model ARIMA dengan mengunakan Conditional Least
Square adalah :
Model tersebut menjelaskan bahwa permintaan Arc Tube daya listrik rendah untukdaya listrik ke-t dipengaruhi oleh permintaan Arc Tube pada waktu t-1 dikurangi0.5505 kali permintaan Arc Tube pada waktu t-1 ditambah kesalahan pada saat ke-t.Dengan MSE sebesar 1156000000 dan SSE sebesar 161840000000.
2. Hasil penaksiran parameter model ARIMA dengan mengunakan Algoritma Genetika adalah :
Model tersebut menjelaskan bahwa permintaan Arc Tube daya listrik rendah untukdaya listrik ke-t dipengaruhi oleh permintaan Arc Tube pada waktu t-1 dikurangi0.55688 kali permintaan Arc Tube pada waktu t-1 ditambah kesalahan pada saat ke-t.Dengan MSE sebesar 1156000000 dan SSE sebesar 161840000000.
3. Dari hasil kedua metode penaksiran parameter model ARIMA tersebut dihasilkan nilai MSE dan SSE yang besarnya sama
kesimpulan
t1-tttaz-zz 5505.0
1
t1-tttaz-zz 55688.0
1
Page 48
Kesimpulan dan Saran
1. Pada penelitian ini penaksiran parameter model ARIMA dengan Algoritma Genetika hanya berdasarkan kriteria SSE saja. Untuk selanjutnya diharapkan bisa dikembangkanberdasarkan kriteria signifikansi parameter, dan asumsiwhite noise dan asumsi distribusi Normal.
2. Pada penelitian ini hanya digunakan data ARIMA non musiman. Untuk selanjutnya diharapkan bisa dikembangkanuntuk model ARIMA yang musiman.
saran
Page 49
Daftar pustakaBox, G.E.P., dan Jenkins, G.M., 1976. Time Series Analysis Forecasting and Control,
edisi revisi. California : Holden-Day
Box, G.E.P., Jenkins, G.M., dan Reissel, G.C., 1994. Time Series AnalysisForecasting and Control, edisi ketiga. Englewood Cliffs : PrenticeHall.
Budiman, A., 2003. Optimisasi Daya Reaktif Menggunakan Algoritma Genetik Pseudo-Paralel. Jurnal teknik elektro dan komputer emitor Vol. 3, No. 1, Maret 2003
Ciptayani, P. I., Mahmudy, W. F., dan Widodo, A. W., 2009. MenerapkanAlgoritma Genetika untuk kompresi citra fraktal.
Cryer, J.D., dan Chan, K.S, 2008. Time Series Analysis With Applications in R.edisikedua. New York : Springer.
Fariza, A., 2003. Hybrid Algoritma Genetika Simulated Annealing untukPeramalan Data time Series. Tugas akhir yang dipublikasikan.
Gen, M., dan Cheng, R., 2000. Genetic Algorithms and Engineering Optimization.Canada : John Wiley & Son Inc.
Makridakis, S., Wheelwright, S.C., dan McGee, V.E., 1999. Jilid 1 Edisi Kedua,Terjemahan Ir. Hari Suminto. Metode dan Aplikasi Peramalan. Jakarta :
Bina Rupa Aksara.
Page 50
Daftar pustakaMichalewicz, Z., 1996. Genetic Algorithms + Data Structures = Evolution Programs.
Verlag, Heidelberg : Springer.
Mitchell, M., 1999. An Introduction to Genetic Algorithms. London : Cambridge.
Ong, C.S., Huang, J.J., dan Tzeng G.H., 2005. Model identification of ARIMA family using genetic algorithms. Journal Applied Mathematics and Computation, 164, 885-912
Rohman, M.N., 2009. Identifikasi Model Arima Box-Jenkins Mengunakan Algoritma Genetika. Tugas Akhir S1 Statistika ITS Surabaya (tidak dipublikasikan).
Sanjoyo. 2006. Aplikasi Algoritma Genetika.Sivanandam, S.N.,dan Deepa, S.N., 2008. Introduction to Genetic Algorithms. Berlin
Heidelberg New York : Springer.
Suyanto. 2005. Algoritma Ganetika dalam MATLAB. Yogyakarta : ANDI offset.
Wei, W.W.S., 1990. Time Series Univariate and Multivariate Methods. Canada: Addison Wesley Publishing Company, Inc.
Yaffee, M., dan McGee, M., 1999. Introduction to Time Series Analysis and Forecasting with Applications of SAS and SPSS. New York : Academic Press, inc.
Page 51