Peramalan Permintaan Spare Part Bearing Menggunakan Metode Croston dan Metode

Syntetos Boylan Approximation (SBA)

(Studi Kasus PT Semen Padang)

Hayatul Khairani(1), Yudhie Andriyana, M.Sc., Ph.D. (2), dan Hj.Soemartini, Dra., M.Si.(3)
(1)
Mahasiswa Statistika Universitas Padjadjaran
(2)(3)
Dosen Program Studi Statistika Universitas Padjadjaran
(1)
E-mail : hayatulkhairani@gmail.com

ABSTRAK

PT Semen Padang adalah perusahaan yang bergerak dalam bidang manufaktur yakni
tepatnya dalam produksi semen. Salah satu spare part pemeliharaan mesin yang paling banyak
digunakan oleh PT Semen Padang adalah bearing. Hal ini dikarenakan hampir semua mesin
produksi pada perusahaan tersebut menggunakan bearing. Oleh karena itu perlu dilakukan
peramalan permintaan bearing. Namun data bearing tersebut memiliki pola intermittent yang
artinya terdapat nilai zero dan non zero sehingga membutuhkan metode peramalan khusus
seperti metode Croston dan metode SBA. Hasil analisis menunjukkan bahwa dengan metode
Croston, nilai MAPE dan MASE terkecil pada untuk bearing 641-400-0070 dan pada
untuk bearing 641-400-0621. Sedangkan dengan metode SBA, nilai MAPE dan MASE
terkecil pada untuk kedua jenis bearing. Namun secara keseluruhan metode SBA lebih
baik daripada metode Croston karena menghasilkan nilai error dan varians yang lebih
kecil.
Kata Kunci : Intermittent, Metode Croston, Metode SBA, MAPE, MASE.

1. PENDAHULUAN

Setiap perusahaan harus mampu menjaga dan meningkatkan kelancaran proses

produksinya. Salah satu penentu kelancaran proses produksi adalah sistem pemeliharaan
mesin yang andal. Kegiatan pemeliharaan mesin sangat dipengaruhi oleh ketersediaan dan
kecukupan persediaan spare part. PT Semen Padang adalah perusahaan yang bergerak
dalam bidang manufaktur yakni tepatnya dalam produksi semen. Salah satu spare part
pemeliharaan mesin yang paling banyak digunakan oleh PT Semen Padang adalah bearing.
Hal ini dikarenakan hampir semua mesin produksi seperti peralatan pemecah material dan
peralatan penggilingan (raw mill, coal mill, kiln mill, cement mill) menggunakan bearing.
Selain itu, bearing juga digunakan dalam peralatan transportasi (belt conveyor, apron
conveyor, elevator) dan alat-alat berat lainnya. Bearing adalah suatu komponen yang
berfungsi untuk mengurangi gesekan pada mesin atau komponen-komponen yang bergerak
dan saling menekan antara satu dengan yang lainnya.
Pada kenyataannya permintaan bearing di PT Semen Padang tidak selalu terjadi
setiap bulannya sehingga membentuk pola intermittent. Intermittent demand adalah
permintaan yang memiliki nilai zero dan non-zero. Artinya ketika bernilai zero berarti tidak
terjadi permintaan, dan sebaliknya. Ketidakaturan waktu terjadinya permintaan tersebut
menyebabkan permintaan spare part sulit untuk diprediksi. Metode peramalan yang
berkembang hingga saat ini cukup banyak. Berawal dari metode peramalan klasik seperti
exponential smoothing, moving average, dan regression analysis hingga metode khusus
seperti Croston (1972). Metode exponential smoothing merupakan metode yang
menghaluskan data masa lalu dengan cara menurunkan bobotnya secara eksponensial.
Namun metode exponential smoothing tidak dapat digunakan untuk data yang memiliki pola
intermittent karena bobot yang lebih besar untuk data periode terbaru tidak berlaku pada
pola tersebut. Oleh karena itu terdapat pengembangan exponential smoothing yaitu metode
Croston. Metode Croston adalah metode peramalan yang memperhatikan waktu terjadinya
permintaan.
 Seiring dengan berkembangnya ilmu pengetahuan, terdapat penelitian tentang
perkembangan metode peramalan untuk data yang memiliki pola intermittent. Hal tersebut
dikarenakan metode Croston menunjukkan hasil yang bias. Oleh karena itu Syntetos (2001)
melakukan perkembangan terhadap metode Croston dengan menambahkan parameter
pada persamaan peramalannya agar mendapatkan hasil yang tak bias. Metode tersebut
dinamakan metode Syntetos Boylan Approximation (SBA).
Oleh karena itu, permasalahan yang akan dibahas pada penelitian ini adalah pola
intermittent yang terdapat pada data time series permintaan spare part bearing sehingga
metode peramalan klasik tidak dapat digunakan secara langsung.

2. TINJAUAN PUSTAKA

Peramalan merupakan analisis data dalam kawasan waktu yang diperlukan untuk
perancangan (planning) dan proses kontrol (Makridakis, dkk 1999). Peramalan dibagi
menjadi beberapa bagian, salah satu diantaranya adalah peramalan time series (peramalan
berdasarkan waktu). Namun data permintaan time series terkadang mengandung data yang
bernilai zero. Data yang mengandung nilai non-zero dan zero adalah data yang bersifat
intermittent (Hyndman et al., 2008). Jenis data tersebut memerlukan metode peramalan
khusus yang tidak mengabaikan nilai zero pada data. Metode yang cocok untuk menangani
hal tersebut adalah metode Croston (Hyndman et al., 2008).

Metode Croston membagi data menjadi dua bagian yaitu demand size (permintaan
non-zero) dan inter-demand interval (waktu antar kedatangan permintaan). Persamaan
peramalan demand size dan inter-demand interval menggunakan persamaan simple
exponential smoothing (SES). Namun peramalan demand size dan inter-demand interval
dilakukan jika terjadi permintaan pada periode tersebut. Artinya jika pada suatu periode
tertentu tidak terjadi permintaan maka nilai ramalan permintaannya sama dengan periode
sebelumnya ( ). Berikut persamaan yang akan digunakan dalam meramalkan
demand size dan inter-demand time :
(2.1)
(2.2)

Persamaan peramalan metode Croston :

(2.3)
dengan :
: demand size periode ke-t
: inter-demand interval ke-t
: nilai ramalan untuk demand size ke-(t+1)
: nilai ramalan untuk inter-demand interval ke-(t+1)
: parameter smoothing
: nilai ramalan permintaan pada periode ke-(t+1)
Parameter smoothing berkisar antara 0 dan 1 yang diasumsikan sama untuk dan .

Berdasarkan perhitungan deret Taylor dengan fungsi dua variabel didapatkan

nilai ekspektasi metode Croston sebagai berikut :
(2.4)
Sehingga bias metode Croston dengan approximation adalah :
(2.5)
Varians metode Croston adalah sebagai berikut :
(2.6)
 Selain itu juga terdapat metode lain yang dapat digunakan untuk permintaan yang
bersifat intermittent yaitu metode Syntetos Boylan Approximation (SBA). Metode tersebut
mempertimbangkan penerapan faktor estimasi yang diperoleh dari metode Croston.
Estimasi nilai parameter :
(2.7)
Dengan menerapkan faktor dalam prosedur Croston untuk demand size dan inter-
demand interval maka persamaan (2.4) menjadi :
(2.8)
Kemudian estimasikan bias sama dengan nol untuk mendapatkan nilai parameter :

(2.9)

Untuk
Oleh karena itu persamaan peramalan SBA menjadi :
(2.10)
Nilai ekspektasi metode SBA sebagai berikut :
(2.11)
Sehingga bias metode SBA adalah :
(2.12)
Varians metode SBA adalah sebagai berikut :
(2.13)

3. METODOLOGI PENELITIAN

Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yaitu data
bulanan permintaan spare part bearing 641-400-0070 dan bearing 641-400-0621
periode Januari 2011 – Juni 2016.
Pengujian Asumsi
a) ~ ARIMA(0,1,1)
Pengujian asumsi mengikuti model ARIMA(0,1,1) diuji secara visual dengan
ACF dimana melalui tahap differencing terlebih dahulu dengan orde 1.
ARIMA(0,1,1) sering digunakan sebagai model yang mendasari SES (Box et al., 1994).
b) ~ N( )
Pengujian data mengikuti distribusi normal dapat dilakukan dengan uji
Kolmogorov-Smirnov sebagai berikut :
(3.1)
dengan :
: distribusi kumulatif teoritis
: distribusi frekuensi kumulatif sampel dengan observasi
Kriteria uji : tolak jika atau , dalam hal lainnya
diterima.
 c) ~ Geometrik ( )
Asumsi berdistribusi geometrik dimana p adalah rata-rata inter-demand interval.
Salah satu pengujian untuk distribusi geometrik dapat dilakukan dengan uji Chi-Square
sebagai berikut :
(3.2)
dengan :
: frekuensi observasi ke-i
: frekuensi ekspektasi ke-i
Kriteria uji : tolak jika atau , dalam hal lainnya
diterima.
Mean Absolute Percentage Error (MAPE)
MAPE memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan
dengan nilai sebenarnya dari data time series. Berikut ini persamaan untuk menghitung
MAPE menurut Mukhopadhyay et al. (2005) :

(3.3)

dengan :
: data aktual pada periode t
: data ramalan pada periode t
: banyaknya periode t
Mean Absolute Scaled Error (MASE)
Ukuran kesalahan MASE diusulkan pada tahun 2006 oleh ahli statistik yang berasal
dari Australia yaitu Rob J. Hyndman. Berikut persamaan untuk MASE :
(3.4)
dengan :
: kesalahan peramalan pada periode t,
dimana (3.5)
: data aktual pada periode t
: data aktual pada periode t-1
: banyaknya periode

4. HASIL DAN PEMBAHASAN

Penelitian ini menggunakan software R 3.2.2 dengan packages tsintermittent.

Berdasarkan hasil ramalan dengan metode Croston menggunakan persamaan (2.3), ternyata
nilai MAPE dan MASE terkecil pada yaitu 1,238 dan 1,15 untuk bearing 641-400-
0070 dengan nilai ramalan permintaan satu periode ke depan sebesar 25 unit. Sedangkan
untuk bearing 641-400-0621 didapatkan nilai MAPE dan MASE terkecil pada
yaitu 1,581 dan 1,431 dengan nilai ramalan permintaan satu periode ke depan sebesar 26
unit. Perhitungan nilai MAPE dan MASE ini dilakukan dengan in-sample sebanyak 53 data
dan out-sample sebanyak 13 data.
Peramalan dengan metode SBA menggunakan persamaan (2.10) didapatkan nilai
MAPE dan MASE terkecil pada yaitu 1,05 dan 0,976 untuk bearing 641-400-0070
dengan nilai ramalan permintaan satu periode ke depan sebesar 14 unit. Sedangkan untuk
bearing 641-400-0621 didapatkan nilai MAPE dan MASE terkecil pada juga yaitu
1,346 dan 1,219 dengan nilai ramalan permintaan satu periode ke depan sebesar 21 unit.
 Jika dibandingkan nilai MAPE dan MASE antara metode Croston dengan SBA
untuk setiap nilai parameter smoothing yang berbeda dapat dilihat pada grafik sebagai
berikut :
Perbandingan MAPE Metode Croston dan Metode SBA
2
1.8
Nilai MAPE

1.6
1.4
1.2 Croston
1 SBA
0.8
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
β=parameter smoothing

(a) Bearing 641-400-0070

Perbandingan MAPE Metode Croston dan Metode SBA
2
1.8
Nilai MAPE

1.6
1.4
1.2 Croston
1 SBA
0.8
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
β=parameter smoothing

(b) Bearing 641-400-0621

Gambar 4.1 Grafik Perbandingan MAPE
Berdasarkan Gambar 4.1 ternyata nilai MAPE metode SBA untuk kedua jenis
bearing lebih kecil dibandingkan dengan metode Croston pada setiap parameter
smoothing yang berbeda.

Perbandingan MASE Metode Croston dan Metode SBA

1.8
1.6
Nilai MASE

1.4
1.2
1 Croston
0.8 SBA
0.6
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
β=parameter smoothing

(a) Bearing 641-400-0070

 Perbandingan MASE Metode Croston dan Metode SBA
1.8
Nilai MASE 1.6
1.4
1.2
1 Croston
0.8 SBA
0.6
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
β=parameter smoothing

(b) Bearing 641-400-0621

Gambar 4.2 Grafik Perbandingan MASE
Berdasarkan Gambar 4.2 ternyata nilai MASE metode SBA untuk kedua jenis
bearing juga lebih kecil dibandingkan dengan metode Croston pada setiap parameter
smoothing yang berbeda.
Sebelumnya telah dijelaskan bahwa untuk metode Croston dan metode
SBA. Hal tersebut menunjukkan bahwa penaksiran parameter metode Croston dan metode
SBA bias. Oleh karena itu perlu diperhatikan varians dari kedua metode tersebut.
Berdasarkan persamaan (2.6) dan (2.13) didapatkan nilai varians sebagai berikut :
Tabel 4.1 Nilai Varians Metode Croston dan Metode SBA
641-400-0070 641-400-0621
Varians Varians
β β
Croston SBA Croston SBA
0,7 101,5826 42,91865 0,6 98,30769 48,17077
0,8 124,6347 44,8685 0,8 150,4431 54,15952

Berdasarkan Tabel 4.1 dapat dilihat bahwa varians yang lebih kecil adalah metode
SBA untuk kedua jenis bearing. Oleh karena itu metode terbaik untuk peramalan
permintaan bearing 641-400-0070 dan bearing 641-400-0621 adalah metode SBA karena
menghasilkan nilai MAPE, MASE, dan varians yang lebih kecil dibandingkan metode
Croston.

5. KESIMPULAN DAN SARAN

Berdasarkan analisis yang telah dilakukan, ada beberapa hal yang dapat
disimpulkan sebagai berikut :
1) Metode Croston dan metode SBA hanya bisa menghasilkan nilai ramalan satu periode
ke depan.
2) Pada metode Croston, nilai MAPE dan MASE terkecil pada untuk bearing
641-400-0070 yaitu 1,238 dan 1,15 dengan nilai ramalan permintaan sebesar 25 unit
dan untuk bearing 641-400-0621 pada yaitu 1,581 dan 1,431 dengan nilai
ramalan permintaan sebesar 26 unit. Sedangkan pada metode SBA, nilai MAPE dan
MASE terkecil pada untuk bearing 641-400-0070 yaitu 1,05 dan 0,976
dengan nilai ramalan permintaan sebesar 14 unit dan untuk bearing 641-400-0621
pada juga yaitu 1,346 dan 1,219 dengan nilai ramalan permintaan sebesar 21
unit.
 3) Nilai MAPE dan MASE metode SBA lebih kecil dibandingkan metode Croston pada
setiap nilai parameter smoothing ( ). Hal ini menunjukkan bahwa metode SBA lebih
baik daripada metode Croston.
4) Ternyata metode Croston dan metode SBA menunjukkan hasil yang bias. Oleh karena
itu perlu dilihat mana metode yang memiliki varians minimum. Berdasarkan analisis
yang telah dilakukan sebelumnya ternyata metode SBA adalah metode yang memiliki
varians lebih kecil dibandingkan metode Croston.

Saran dari penelitian ini yaitu :

1) Perlu dikaji lebih dalam lagi mengenai metode Croston dan perkembangannya karena
Syntetos (2001) menyatakan bahwa metode SBA ditemukan untuk mendapatkan hasil
yang tak bias. Namun pada kenyataannya penaksiran rata-rata metode SBA juga
bias. Oleh karena itu perlu ditinjau lagi metode peramalan lain khususnya untuk data
intermittent demand.
2) Perlu ditinjau lagi mengenai asumsi demand size yang berdistribusi normal, dimana
permintaan tidak mungkin bernilai negatif dan kontinu.
3) Metode Croston dan metode SBA adalah metode peramalan jangka pendek sehingga
perlu dilakukan pembaharuan untuk setiap periodenya.

DAFTAR PUSTAKA

Box G.E.P., Jenkins G.M. & Reinsel G.C. 1994. Time Series Analysis : Forecasting and
Control. Third Edition. San Francisco.
Chatfield C, Koehler A.B, Ord J.K, & Synder R.D. 2001. A New Look at Models for
Exponential Smoothing. The Statistician 50(2) : 147-159.
Croston, J.D. 1972. Forecasting and Stock Control for Intermittent Demands. Operational
Research Quarterly 23(3), 289-303.
Hyndman R.J. dan Koehler A.B. 2006. Another Look at Measures of Forecast Accuracy.
Foresight Issue 4 June 2006.
Hyndman R.J., Koehler A.B. & Snyder, R.D. 2008. Forecasting with Exponential
Smoothing The State Space Approach. Springer.
Makridakis S., Wheelwright S.C., & Mcgee V.E. 1999. Metode dan Aplikasi Peramalan,
Alih Bahasa Hari Suminto. Edisi Kedua. Interaksara : Jakarta.
Mukhopadhyay S., Solis A.O & Gutierrez R.S. 2005. A Comparison of Four Method for
Forecasting Lumpy Demand. Department of Information & Decision Science the
University of Texas El Paso.
Syntetos A.A. dan Boylan J.E. 2000. Developments in Forecasting Intermittent Demand.
Paper presented at 20th International Symposium on Forecasting, June 21-24.
Lisbon, Portugal.
Syntetos, A.A. 2001. Forecasting of Intermittent Demand. Thesis. Buckinghamshire New
University.