Forecasting
Forecasting
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
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)
(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
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
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
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
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.
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.
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.