Ringkasan
Rendahnya nilai availability dipengaruhi oleh besarnya total downtime losses. Total
downtime losses disebabkan oleh frekuensi breakdown yang sering serta lamanya waktu
menganggur mesin maupun waktu penyetelan mesin. Nilai availabilty ini bisa terjadi
bervariasi seiring dengan waktu yang bisa diakumulasi rata-rata tiap bulan dalam suatu
periode waktu pengoperasiannya. Tingkat nilai availability ini bisa diramalkan berdasarkan
data tersebut salah satunnya dengan metode Exponential Smoothing.
Bersumber dari hasil kajian referensi dari jurnal dan juga tinjuan pustaka yang
mendukung penelitian ini, bawah state of art permasalahan yang mendasar adalah
mengaplikasikan metode exponential smoothing ini dalam aspek yang lebih luas. Dari
penelitian-penelitian yang sudah dilakukan penerapan model ini banyak dilakukan di
lingkungan industri, dan belum ada yang mengaplikasikannya dalam membuat model
peramalan exsponential smoothing availability pada peralatan berat terutama yang
dioperasikan disektor pertambangan.
Pada penelitian ini, berdarkan pada aplikasi penggunaan metode exponential
smoothing yang cukup luas dalam peramalan, maka cukup menarik untuk menerapkan
metode peramalan ini untuk mechanical availability alat berat unit truck tambang batubara,
dan membuat model regresinya dari unit tersebut. Hal ini dilakukan untuk bisa menjadi
rujukan sebagai sebuah model regresi mechanical availablity truk tambang
Dari hasil pembahasan dapat disimpulkan bahwa model yang dibangun adalah layak
untuk meramalkan Nilai MA dari OHT 777 D tiga tahun kedapan. 36,0% nilai Mechanical
Availabilty pada masa yang akan datang dipengaruhi oleh pola data nilai Mechanical
Availablity yang terjadi pada masa lampau hingga saat ini, sedangkan sisanya (64%),
dipengaruhi oleh faktor-faktor yang lain. Tingkat akurasi rata-rata model dalam memprediksi
nilai MA pada OHT 777 D adalah 81,564%..
Kata Kunci : Mechanical Availability, Exponential Smoothing, Truck Tambang
1
ISSN 2085-5761 (Print) Jurnal POROS TEKNIK, Volume 8, No. 1, Juni 2016 : 1-54
ISSN 2442-7764 (Online)
2
Jurnal POROS TEKNIK Volume 8, No. 1, Juni 2016 :1-54 ISSN 2085-5761 (Print)
ISSN 2442-7764 (Online)
penting sekali untuk menjadi rujukan sebagai lebih tua. Dalam exponential smoothing
sebuah model regresi Mechanical Availablity terdapat satu atau lebih parameter smoothing
Truk Tambang. yang ditentukan secara eksplisit, dan hasil ini
menentukan bobot yang dikenakan pada nilai
Tujuan observasi. Dengan kata lain, observasi terbaru
Tujuan penelitian ini adalah untuk akan diberikan prioritas lebih tinggi bagi
membuat model regresi peramalan dengan peramalan daripada observasi yang lebih
menggunakan metode Exponential lama. Metode exponential smoothing dibagi
smoothing pada nilai availabilty unit truck lagi berdasarkan menjadi beberapa metode.
tambang yang banyak diaplikasikan untuk (Makridakis, 1999)
angkutan batu bara di indonesia. Hasil dari
model ini bisa sebagai dasar justifikasi untuk Single Exponential Smoothing
menetapkan dan gambaran kemampuan Juga dikenal sebagai simple
mechanical availability truk tambang, dan exponential smoothing yang digunakan pada
menjadi suatu rujukan model dasar pera- peramalan jangka pendek, biasanya hanya 1
malan pada truk tambang. Disamping itu juga bulan ke depan. Model mengasumsikan
untuk bisa dipublikasikan baik di jurnal bahwa data berfluktuasi di sekitar nilai mean
nasional terakreditasi atau jurnal international yang tetap, tanpa trend atau pola
pertumbuhan konsisten. Rumus untuk Simple
2. TINJAUAN PUSTAKA exponential smoothing adalah sebagai
berikut:
Ketersediaan (Availability)
Availability didefinisikan sebagai peluang
𝐹𝑓 + 1 = 𝑎 ∗ 𝑋𝑡 + (1 − 𝑎) ∗ 𝐹𝑡 (2)
sebuah komponen atau sistem dapat bekerja
sesuai dengan fungsi yang dibutuhkan pada
waktu tertentu yang berada pada kondisi Dimana :
normal Availability juga diartikan sebagai Ft = peramalan untuk periode t
jumlah waktu dikurangi dengan waktu yang Xt + (1-a) = Nilai aktual time series
dibutuhkan untuk melakukan perawatan dan Ft + 1 = peramalan pada waktu 1 + 1
perbaikan. Tingkat ketersediaan atau a = konstanta perataan antara 0 dan 1
availability dipengaruhi oleh nilai interval (Makridakis, 1999).
penggantian dan perbaikan. Ada beberapa
cara pengukuran keterawatan, namun yang Double Exponential Smoothing
paling sering digunakan dan yang akan Metode ini digunakan ketika data
dibahas pada bagian ini adalah Mean Time To menunjukkan adanya trend. exponential
Repair (MTTR). Secara umum waktu smoothing dengan adanya trend seperti
perbaikan dapat diberlakukan sebagai pemulusan sederhana kecuali bahwa dua
variabel random karena kejadian yang komponen harus diupdate setiap periode level
berulangulang dapat mengakibatkan waktu dan trendnya. Level adalah estimasi yang
perbaikan yang berbeda-beda. MTTR dimuluskan dari nilai data pada akhir
diperoleh dengan (Ebbiling, 1997) masingmasing periode. Trend adalah estimasi
yang dihaluskan dari pertumbuhan rata-rata
pada akhir masing-masing periode. Rumus
∞ ∞ double exponential smoothing adalah:
𝑀𝑇𝑇𝑅 = ∫0 𝑡. ℎ(𝑡)𝑑𝑡 = ∫0 (1 − 𝐻(𝑡))𝑑𝑡 (1)
St = a* Yt + (1-a)*(St-1+bt-1)
Dimana: Bt = γ*(ST-ST-1)+(1-γ)*bt-1
h(t) adalah fungsi kepadatan peluang untuk Ft + m = St + btm
data waktu perbaikan.
H(t) adalah fungsi distribusi kumulatif untuk dimana:
data waktu perbaikan. St = peramalan untuk periode t.
t adalah waktu Yt + (1-α) = Nilai aktual time series
bt = trend pada periode ke-t
α = parameter pertama perataan antara nol
Metode Exponential Smoothing dan 1
Metode Exponential Smoothing merupa- 1 = untuk pemulusan nilai observasi
kan prosedur perbaikan terus-menerus pada = parameter kedua, untuk pemulusan trend
peramalan terhadap objek pengamatan Ft+m = hasil peramalan ke-m
terbaru. Metode peramalan ini menitik- m = jumlah periode ke muka yang akan
beratkan pada penurunan prioritas secara diramalkan
eksponensial pada objek pengamatan yang (Makridakis, 1999).
3
ISSN 2085-5761 (Print) Jurnal POROS TEKNIK, Volume 8, No. 1, Juni 2016 : 1-54
ISSN 2442-7764 (Online)
4
Jurnal POROS TEKNIK Volume 8, No. 1, Juni 2016 :1-54 ISSN 2085-5761 (Print)
ISSN 2442-7764 (Online)
penting dalam pemodelan dan peramalan terhadap urutan pola data yang secara
curah hujan. Eksponensial smoothing kronologis suatu peubah tertentu, misalnya
dibangun dan dapat memberikan informasi teknik naïf, perataan, pemulusan (smoothing),
yang dapat membantu pengambil keputusan dekomposisi, tren, metodologi Box Jenkins
membangun strategi untuk perencanaan yang seperti ARMA dan ARIMA (Firdaus, 2006)
tepat bagi pertanian, sistem drainase dan Bentuk peramalan kuantitatif yang dipilih
aplikasi sumber daya air lainnya di Malaka dan dari adalah eksponensial smoothing. Hal ini
Kelantan. disebabkan keunggulan metode ini
Zhiyong Yang (2014) dalam penelitiannya dibandingkan metode-metode lainnya.
An Exponential Smoothing Adaptive Failure Pertama, metode pemulusan eksponensial
Detector in the Dual Model of Heartbeat and bersifat sederhana, intuitif dan mudah
Interaction, dimana dalam tulisan ini dipahami. Artinya, walaupun sederhana
mengusulkan implementasi baru dari detektor namun sangat berguna bagi peramalan
kegagalan. Implementasi ini menggunakan pendek (shortterm forecasting) dari data deret
model dual detak jantung dan interaksi. waktu yang panjang (Lai et al dalam Gerry
Pertama, model detak jantung diadopsi untuk Giliant Salamena, 2011). Kedua, model
mempersingkat waktu deteksi, jika proses eksponensial smoothing memiliki tingkat
deteksi tidak menerima pesan detak jantung kompleksitas yang rendah dari ARIMA dan
dalam waktu yang diharapkan. Model interaksi membuatnya sangat populer Lai et al dalam
ini kemudian digunakan untuk memeriksa Gerry Giliant Salamena, 2011). Lilien & Kotler
proses lebih lanjut. Waktu yang diharapkan dalam Gerry Giliant Salamena, (2011)
dihitung dengan menggunakan metode melaporkan bahwa model pemulusan
eksponensial. Pemulusan eksponensial eksponensial dipakai secara luas yakni
smoothing yang digunakan untuk persentase sekitar 13 % di industri. Hal ini
memperkirakan waktu kedatangan berikutnya menunjukkan populernya metode ini. Ketiga,
tidak hanya dalam data acak, tetapi juga Mills dalam Gerry Giliant Salamena, (2011)
dalam data tren linear. Hal ini membuktikan menemukan perbedaan yang cukup kecil
bahwa detektor bisa menjadi detektor secara akurasi dalam peramalan antara teknik
sempurna pemulusan eksponensial dengan model
Shih-Huang Chen, et al (2014) dalam ARIMA. Secara umum, model eksponensial
penelitiannya Establishing of Passengers smooting direkomendasikan sebagai sebuah
Forecasting Model between the Cross-Strait teknik yang tidak kompleks dan ekonomis
Using Support Vector Regression, Genetic (inexpensive technique) dengan hasil ramalan
Programming, and Exponential Smoothing, yang cukup baik dalam variasi aplikasi yang
Penelitian ini menggunakan metode support luas (Lai et al. dalam Gerry Giliant Salamena,
vector regresi, pemrograman genetik, dan 2011,). Berdasarkan pendapat lain, secara
model pemulusan eksponensial dengan ringkas keunggulan metode eksponensial
membangun model peramalan penumpang smoothing dibandingkan metode tradisional
antara lintas-selat. Penelitian ini telah lainnya menurut Leabo & Smith dalam Gerry
mengadopsi metode SVR membangun model Giliant Salamena, (2011) yakni : (1) data-data
perkiraan yang sesuai pada penumpang selalu dioperasikan dengan efisien, (2) hanya
antara lintas selat. Model bisa akurat membutuhkan sedikit data dari satu waktu ke
memperkirakan jumlah penumpang di pasar waktu berikutnya, (3) dapat dimodifikasi untuk
diperlukan di masa depan mengolah data yang berisi trend tertentu atau
pola musiman, dan (4) dapat digunakan
3. METODE PENELITIAN dengan biaya murah baik secara manual
maupun dengan komputer.
Metodologi Penelitian
Penelitian ini dilakukan dengan metode Data dan Pengolahan Data
peramalan kuantitatif. Dimana metode Data di ambil dari riwayat preventif
peramalan kuantitatif adalah metode maintanance sebuah perusahaan tambang
peramalan yang melibatkan analisis statistik yang menggunakan truk tambang di daerah
terhadap data-data masa lalu (Firdaus, 2006). Kalimantan Selatan. Hal ini karena populasai
Penelitian yang menggunakan rentetan penggunaan peralatan berat di Kalimantan
data deret waktu, maka metode peramalan Selatan cukup besar terutama di sektor
kuantitatif yang dipakai adalah metode pertambangan batu bara. Pengolahan data
peramalan kuantitatif model deret waktu satu dengan uji statistik menggunakan SPPS
ragam. Metode peramalan kuantitatif dengan menggunakan metode exponential
model deret waktu satu ragam adalah metode smoothing seperti yang dijelaskan diatas.
peramalan yang fokus pada observasi
5
ISSN 2085-5761 (Print) Jurnal POROS TEKNIK, Volume 8, No. 1, Juni 2016 : 1-54
ISSN 2442-7764 (Online)
Model Fit
Berdasarkan tabel Model Description di atas, rentang waktu data yang digunakan diganti,
dapat diketahui bahwa Model Peramalan yang misalkan jika data yang digunakan diganti
terbaik dan sesuai dengan data historis yang menjadi 3 tahun terakhir, maka bisa jadi model
dianalisis adalah Model Winters’ Multiplicative. peramalan yang didapat akan berbeda
Model peramalan ini menunjukkan bahwa dengan model yang menggunakan data 5
besaran Mechanical Availability pada OHT tahun terakhir.
777 D mengikuti pola penurunan seiring Untuk mengetahui layak tidaknya model
dengan waktu dengan besaran nilai peramalan untuk digunakan, dapat
Mechanical Availability yang berubah dari dilihat dari nilai signifikansi statistik Ljung-
waktu ke waktu. Model peramalan yang Box Q pada tabel Model Statistics. Jika
dihasilkan dari proses peramalan bisa saja nilai signifikansinya lebih besar dari 0,05,
berubah dari waktu ke waktu mengikuti maka model peramalan dinyatakan layak
perkembangan pola data yang ada. Model untuk digunakan, sebaliknya jika nilai
pada contoh inipun bisa jadi berbeda bila signifikansinya lebih kecil dari 0,05, maka
6
Jurnal POROS TEKNIK Volume 8, No. 1, Juni 2016 :1-54 ISSN 2085-5761 (Print)
ISSN 2442-7764 (Online)
model peramalan dinyatakan tidak layak untuk dipengaruhi oleh pola data nilai Mechanical
digunakan. Dari model statistik didapat bahwa Availablity yang terjadi pada masa lampau
signifikansi adalah 0,115 yang berarti model hingga saat ini, sedangkan sisanya (64%),
layak untuk digunakan. dipengaruhi oleh faktor-faktor yang lain.
Berdasarkan statistik uji Ljung Box Q, Dari tabel model fit di atas, dapat diketahui
dapat dilihat bahwa nilai signifikansinya bahwa nilai MAPE sebesar 81,564%
sebesar 0,115. Oleh karena nilai Hal ini menunjukkan bahwa tingkat akurasi
signifikansinya > 0,05, maka dapat dinyatakan rata-rata model dalam memprediksi nilai MA
bahwa model peramalan layak untuk pada OHT 777 D adalah 81,564%.
digunakan dalam memprediksi selama tiga Untuk melihat model prediktif dari MA
tahun kedepan. Sementara itu, nilai beberapa tahun kedepan dapat dilihat pada
Stationary R-square sebesar 0,360 Siries Chart berikut :
menunjukkan bahwa 36,0% nilai Mechanical
Availabilty pada masa yang akan datang
7
ISSN 2085-5761 (Print) Jurnal POROS TEKNIK, Volume 8, No. 1, Juni 2016 : 1-54
ISSN 2442-7764 (Online)
[7] Giacomo Sbrana dan Andrea Silvestrini [16] Sanjoy Kumar Paul, 2012,
(2014) Random Switching Exponential Determination of Exponential Smoothing
Smoothing and Inventory Forecasting, Constant to Minimize Mean Square Error
Temi di Discussione, Printed by the and Mean Absolute Deviation, Global
8
Jurnal POROS TEKNIK Volume 8, No. 1, Juni 2016 :1-54 ISSN 2085-5761 (Print)
ISSN 2442-7764 (Online)