1
PENGKLASIFIKASIAN DAN PERAMALAN
SPARE PART DI INDUSTRI PUPUK (STUDI
KASUS: PT. PETROKIMIA GRESIK)
Gema Kharisma, Iwan Vanany, ST., MT., Ph. D., Dody Hartnato, S.T., M.T.
Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Kampus ITS Sukolilo, Surabaya 60111
E-mail: gema.kharisma @yahoo.com ; iwan.vanany@gmail.com ; dody.hartanto@yahoo.com
Abstrak— Pengelolaan pengadaan spare part
menjadi hal yang kritis terkait dengan availability
(ketersediaan) dan reliability (keandalan) suatu mesin.
Mengelola persediaan spare part berbeda dengan mengelola
bahan baku pada proses produksi. Karena spare part memiliki
pola permintaan yang berbeda dengan bahan baku. Perlu
metode yang sesuai untuk meramalkan kebutuhan spare part
dengan pola permintaan yang khusus. Metode peramalan yang
sering digunakan seperti exponential smoothing memberikan
hasil peramalan yang tidak sesuai dengan kebutuhan spare part
yang sebenarnya. Penelitian ini menggunakan metode Croston
untuk meramalkan permintaan spare part. Metode ini
mempertimbangkan dua aspek yaitu rata-rata besarnya
permintaan non-zero dan rata-rata interval antar permintaan
non-zero. Metode ini akan dibandingkan dengan beberapa
metode lain yaitu Syntetos-Boylan approximation (SBA),
simulasi Montecarlo dan MTTF. Sebelum itu dilakukan
klasifikasi spare part berdasarkan analisis FSN. Dari analisis
ini akan diperoleh jenis spare part yang akan diramalkan. Dari
hasil perbandingan error, metode SBA memiliki nilai error
paling kecil pada lima jenis spare part dari sepuluh spare part
yang diramalkan, dua jenis spare part untuk metode Croston
dan tiga jenis spare part untuk simulasi Montcarlo.
Kata Kunci : FSN, MTTF, Metode Croston, Peramalan,
SBA, Simulasi Montecarlo, Spare part.
I. PENDAHULUAN
Availability (ketersediaan) dan reliability (keandalan)
mesin merupakan aspek penting bagi perusahaan yang
mengggunakan mesin dalam melakukan proses bisnisnya. Kedua
aspek tersebut menjaga mesin agar dalam keadaan yang ideal.
Availability dan reliability sangat erat kaitannya dengan kegiatan
maintenance. Salah satu faktor lancarnya eksekusi kegiatan
maintenance adalah tersedianya spare part (suku cadang) mesin.
Untuk eksekusi kegiatan maintenance berjalan dengan baik
persediaan spare part harus terjaga dalam jumlah tertentu agar bisa
menyeimbangkan dengan permintaan spare part yang dibutuhkan.
menurut Bacchetti dan Saccani (2011) ada beberapa aspek yang
membuat permintaan spare part dan manajemen persediaan spare
part menjadi masalah yang kompleks yaitu tingginya jumlah spare
part yang dikelola, adanya pola permintaan yang intermittent
ataupun lumpy. Permintaan intermittent adalah permintaan yang
berlangsung dalam interval waktu yang tidak teratur dan
dikhawatirkan berkurang dan dari semua itu kuantitas yang sangat
bervariasi. Sedangkan permintaan lumpy adalah permintaan yang
tidak merata dalam hal waktu dan jumlah yang dibutuhkan
bervariasi, selain itu memerlukan lebih banyak investasi dalam
persediaan atau waktu respon yang lebih lama daripada yang telah
diprediksi. Aspek lain yang membuat permintaan spare part dan
manajemen persediaan spare part menjadi masalah yang kompleks
yaitu perlunya respon yang cepat untuk menangani downtime
mesin, dan adanya resiko keusangan spare part.
Menangani manajemen persediaan spare part penting untuk
mengetahui karekteristik setiap spare part. Setiap spare part
memiliki karesteristik khusus yang membedakannya dari material
yang digunakan dalam suatu sistem produksi. Karekterisitik utama
terletak pada permintaan spare part. Pola permintaan untuk
masing-masing spare part berbeda apakah itu slow moving,
intermittent, erratic, atau lumpy. Memahami karakteristik utama ini
sangat penting dalam pengelolaan persediaan spare part di
perusahaan. Seperti yang dijelaskan sebelumnya, pola permintaan
spare part tidak sama dengan permintaan bahan baku. Keunikan
dari pola permintaan spare part adalah waktu permintaan yang
tidak beraturan. Ketidakteraturan ini menyebabkan permintaan
spare part sangat sulit untuk diprediksi. Sehingga memerlukan
metode permalan yang tepat untuk meramalkan permintaan spare
part.
Banyak metode peramalan yang berkembang hingga saat ini.
Mulai dari metode statistik klasik seperti exponential smoothing,
moving average, dan regression analysis hingga metode khusus
seperti Croston (Croston, 1972), Syntetos-Boylan approximation
(SBA) (Syntetos et al., 2005), dan Bootstraap (Willemainet al.,
2004). Dari sekian banyak metode peramalan tersebut, metode
Croston, SBA, dan Boostrap merupakan metode peramalan yang
digunakan untuk konteks peramalan permintaan spare part.
Ragnarsdóttir et al. (2012) menjelaskan mengelola persediaan
spare part cukup berbeda dengan mengelola bahan baku untuk
proses produksi. Pola permintaan yang tidak teratur menyebabkan
metode peramalan yang digunakan harus sesuai dengan pola
permintaan tersebut.
PT. Petrokimia Gresik yang bergerak dalam produksi pupuk
tersusun dari berbagai macam instalasi pabrik yang saling
terintegrasi. Sistem produksi yang kompleks dan asset-insentive
industry mengakibatkan perusahaan ini sangat bergantung pada
ketersediaan peralatan teknis, seperti pompa, kompresor, pengubah
panas, dan masih banyak lagi agar memastikan keberlasungan
aliran proses produksi. Sehingga, ketersediaan spare part menjadi
salah satu kunci dalam kegiatan maintenance dimana kegiatan
maintenance berfungsi untuk menjaga ketersediaan peralatan.
Melihat sistem produksi yang terintegrasi secara kompleks dan
rumit pada PT. Petrokimia Gresik, ketersediaan spare part menjadi
hal penting untuk menjaga proses produksi berjalan lancar. Setiap
mesin memiliki peranan penting dalam proses produksi sehingga
jika terganggu salah satu mesin maka proses juga akan terganggu.
Metode peramalan yang tersedia sangat banyak sehingga perlu
dipilih metode mana yang sesuai dengan peramalan permintaan
spare part. Perbandingan setiap metode peramalan tersebut akan
dilihat berdasarkan error peramalan. Oleh karena itu pada
penelitian ini fokus kepada membandingkan metode peramalan
Croston, SBA, dan Monte Carlo serta menentukan metode apa
yang tepat untuk meramalkan spare part pada PT. Petrokimia
Gresik. Tetapi sebelum itu dilakukan klasifikasi spare part
menggunakan analisis FSN.
II. METODE PENELITIAN
A. FSN Analysis, klasifikasi berdasarkan frekuensi permintaan
Klasifikasi ini membantu pengelolaan spare part dalam
membangun layout yang paling sesuai dengan mengalokasikan

semua spare part yang berjenis fast moving dekat dengan tempat
pangambilan sehingga mengurangi usaha handling. Juga, perhatian
manajemen difokuskan pada spare part Non-moving untuk bisa
memutuskan apakah spare part tersebut dibutuhkan di masa yang
akan datang atau spare part tersebut diselamatkan. Pengalaman
menunjukkan banyak industri yang lebih dari 15 tahun memiliki
lebih dari 50% stok spare part jenis non-moving.
Dalam penentuan kategori F,S dan N dilakukan dengan melihat
dua parameter yaitu nilai average stay dan consumption rate.
Average stay adalah rata-rata durasi habisnya suatu persediaan
dengan rumus
Average stay of the material = Cumulative No of Inventory
Holding/(Total Quantity Receive + Opening balance)
Sedangkan consumption rate adalah tingkat penggunaan suatu
persediaan dalam kurun waktu tertentu dengan rumus
Consumption rate = Total Issue Quantity/Total Period Duration
B. Croston’s Method
Metode ini pertama kali muncul pada tahun 1972 yang
dikembangkan oleh Croston. Metode ini perhitungannya
menggunakan jumlah permintaan dan waktu inter-arrival antara
permintaan. Levѐn dan Segerstedt (2004) menjelaskan Croston
mengusulkan metode yang bisa menangani kesulitan untuk
permintaan intermittent. Kemudian metode ini dikenal dengan
metode Croston (CR). Perubahan utama dari metode peramalan
sebelumnya adalah peramalan diperbaharui hanya ketika adanya
permintaan (pengambilan kembali dari inventori) dan tidak
diperbaharui ketika interval waktu peramalan telah lewat seperti
exponential smoothing biasa. Metode CR tidak hanya fokus pada
besarnya permintaan, metode ini juga mempertimbangkan waktu
antar permintaan ke dalam perhitungan. Sehingga model ini sesuai
untuk peramalan spare part yang memiliki pola permintaan
intermittent.
Metode CR memisahkan besar permintaan yang diperbarui
(𝑧𝑡 ) dan interval permintaan (𝑝𝑡 ). Pada peninjauan periode t, jika
tidak ada permintaan dalam periode tersebut maka estimasi
besarnya permintaan dan waktu inter-arrival pada akhir waktu t, 𝑧𝑡
dan 𝑝𝑡 , masing-masing tetap tidak berubah. Jika terjadi permintaan
maka Xt > 0, sehingga estimasi diperbarui dengan
𝑧𝑡−1 , 𝑖𝑓 𝑋𝑡 = 0
𝑧𝑡 = �
𝛼 . 𝑋𝑡 + (1 − 𝛼)𝑧̂𝑡 , 𝑖𝑓 𝑋𝑡 > 0
𝑞 + 1, 𝑖𝑓 𝑋𝑡 = 0
𝑞𝑡 = � 𝑡−1
1, 𝑖𝑓 𝑋𝑡 > 0
𝑝𝑡−1 , 𝑖𝑓 𝑋𝑡 = 0
𝑝𝑡 = �
𝛼 . 𝑞𝑡−1 + (1 − 𝛼). 𝑝𝑡−1 , 𝑖𝑓 𝑋𝑡 > 0
Dimana :
• 𝑋𝑡 = data aktual permintaan pada periode t.
• 𝑧𝑡 = peramalan permintaan rata-rata pada periode t,
permintaan bernilai positif
• 𝑝𝑡 = rata-rata interval antara permintaan non-zero yang
diobservasi periode t.
• α = konstanta smoothing antara satu dan nol.
Secara keseluruhan, peramalan permintaan per periode pada saat t
𝑧
Ft+1 = 𝑡
𝑝𝑡
C. Syntetos – Boylan Approximation
Metode Syntetos – Boylan Approximation (SBA) merupakan
koreksi terhadap metode CR. Syntetos dan Boylan (2001)
menunjukkan metode CR yang asli adalah bias. Untuk
memperbaiki bias tersebut maka Syntetos dan Boylan
mengusulkan mengurangi metode peramalan CR dengan sebuah
factor 1 – α/2, maka peramalan metode SBA
𝛼 𝑧
𝐹𝑡+1 = (1 − ) ∙ 𝑡 .
2 𝑝𝑡
D. Simulasi Montecarlo
Menurut Tersine (1994) simulasi Montecarlo adalah simulasi
probabilistik yang digunakan untuk memperoleh pendekatan solusi
dari suatu masalah dengan melakukan sampling dari proses yang
di-generate secara random. Sejumlah angka random digunakan
untuk menjelaskan pergerakan setiap variabel random selama
kurun waktu tertentu dan memungkinkan adanya tambahan tetapi
2
memiliki urutan hubungan suatu event yang terjadi. Pada penelitan
ini simulasi Montecarlo digunakan untuk meramalkan permintaan
spare part dengan acuan data historis permintaan. Seperti yang
telah diketahui pola permintaan spare part tidak mengkitu pola
pemintaan pada umumnya seperti trend, cycle, ataupun seasonal
karena permintaan spare part dipengaruhi kondisi mesin ataupun
faktor eksternal yang tidak dapat diprediksi waktu dan jumlahnya.
E. Mean Time To Failure (MTTF)
Keandalan dari suatu sistem seringkali diberikan dalam bentuk
angka yang menyatakan ekspetasi masa pakai sistem tersebut, yang
dinotasikan E [T] dan sering disebut dengan rata-rata waktu
kerusakan atau Mean Time To Failure (MTTF) adalah rentang
waktu rata-rata komponen peralatan diantara dua kerusakan.
III. HASIL DAN DISKUSI
A. Analisis Klasifikasi FSN
Objek yang diamati terdiri dari tiga jenis mesin yaitu
mesin Filter 1, mesin Filter 2, dan Pompa. Untuk mesin
Filter 1 terdiri dari delapan jenis spare part, untuk mesin
Filter 2 terdiri dari empat jenis spare part, dan untuk mesin
Pompa terdiri dari delapan jenis spare part. Setelah
melakukan perhitungan nilai average stay dan consumption
rate untuk masing-masing spare part maka terdapat
beberapa spare part masuk kategori F, S, dan N. Berikut
tabel klasifikasi FSN.
Tabel 3.1 Jenis Spare Part Kategori F dan S
B. Pola Permintaan Spare Part
Pola permintaan spare part terdiri dari empat kategori yaitu
slow moving, intermittent, erratic, dan lumpy. Untuk menentukan
pola spare part termasuk katergori apa perlu dilakukan perhitungan
nilai ADI dan CV. Berikut ditampilkan rekapan pola permintaan
untuk setiap spare part yang akan diramalkan.
Tabel 32 Pola Permintaan Spare Part
C. Analisis Perhitungan MTTF
MTTF adalah nilai rata-rata kerusakan komponen yang
diperoleh dari nilai TTF. MTTF hanya digunakan pada
komponen/peralatan yang sekali mengalami kerusakan harus
diganti dengan komponen/peralatan yang masih baru atau baik.
Perhitungan MTTF ini tidak hanya digunakan untuk mengetahui
umur pakai dari suatu spare part tapi juga bisa digunakan untuk
mengetahui interval kerusakan sehingga bisa diketahui kapan dan
berapa jumlah spare part yang dibutuhkan. Hal ini membantu
dalam melakukan persediaan spare part.
Dari pengolahan data diketahui terdapat perbedaan siginifikan
antara permintaan spare part berdasarkan MTTF dengan
permintaan aktual. Dari perhitungan nilai total ternyata nilai
permintaan berdasarkan MTTF lebih besar dari permintaan actual.
Hal ini dapat dilihat pada tabel di bawah ini.

Tabel 3.3 Perbandingan Permintaan Spare part Berdasarkan MTTF
dan Aktual
Perbedaan ini terjadi karena sulitnya memprediksi permintaan
spare part aktual walaupun sudah diketahui umur komponen.
Seharusnya dengan mengetahui umur komponen bisa membantu
pihak maintenance untuk menyediakan spare part kapan dan
berapa sesuai dengan yang dibutuhkan. Banyak faktor-faktor yang
mempengaruhi umur spare part bisa lebih panjang atau lebih
pendek seperti mesin bekerja lebih berat dari biasanya, kualitas
spare part yang digunakan buruk, kesalahan dalam melakukan
kegiatan maintenance, personil maintenance yang kurang terampil
dan sebagainya. Walaupun cukup banyak faktor yang
mempengaruhi, MTTF masih menjadi acuan memberikan
gambaran kapan komponen/peralatan dalam melakukan kegiatan
maintenance untuk menjaga kestabilan mesin beroperasi.
D. Analisis Perbandingan Metode Peramalan berdasarkan
Error
Dalam penelitian ini menggunakan tiga metode peramalan
yaitu Croston, SBA dan simulasi Monte Carlo. Dari ketiga metode
tersebut akan dilihat nilai MAD, MSE, dan A-MAPE setiap
masing-masing metode yang merupakan nilai error setiap metode.
Nilai error yang semakin kecil akan terpilih sebagai metode yang
terbaik. Untuk metode Croston dan simulasi Monte Carlo memiliki
error terkecil pada jenis spare part yang memiliki rata-rata interval
antar permintaan non-zero (ADI) cukup jauh dan nilai koefisien
variansi (CV) cukup besar diandingkan dengan error peramalan
yang dimiliki oleh metode SBA. Metode Croston dan simulasi
Montecarlo dari 52 periode yang diamati, ADI yang terjadi lebih
besar dari 3 dan CV bernilai lebih besar dari 1,60. Sedangkan
untuk metode SBA memiliki error terkecil pada jenis spare part
yang memiliki nilai ADI lebih kecil dari 3 dan CV lebih kecil
1,60. Berikut perbandingan nilai ADI, CV, dan error peramalan
untuk setiap jenis spare part.
Tabel 3.3 Perbandingan Nilai ADI, CV, dan Error
Peramalan untuk Setiap Jenis Spare part untuk Metode
Croston
Tabel 3.4 Perbandingan Nilai ADI, CV, dan Error Peramalan
untuk Setiap Jenis Spare part untuk Metode Monte Carlo
Tabel 3.5 Perbandingan Nilai ADI, CV, dan Error
Peramalan untuk Setiap Jenis Spare part untuk Metode SBA
E. Analisis Perbandingan Biaya Persediaan Spare Part
untuk Setiap Metode Peramalan
Dari hasil peramalan untuk tiga tahun berikutnya, maka
peramalan tersebut digunakan untuk menentukan perencanaan
persediaan dan biaya yang dibutuhkan. Dari perhitungan diketahui
jenis spare part yang diramalkan menggunakan metode SBA dan
Croston, perecanaan persediaan hampir konstan. Hal ini terjadi
disebabkan oleh hasil peramalan yang terjadi juga konstan.
Sedangkan untuk spare part yang diramalkan menggunakan
3
metode Montecarlo perencanaan persediaan cukup bervariasi. Hal
ini disebabkan hasil peramalan Montcarlo cukup beragam.
Perhitungan persediaan yang dilakukan dilengkapi dengan
perhitungan biaya yang dibutuhkan. Perhitungan biaya ini
kemudian dibandingkan antar metode. Disini akan dilihat apakah
metode dengan error terkecil akan memiliki biaya persediaan
terkecil atau tidak. Berikut ditampilkan perbandingan total biaya
yang dibutuhkan pada tahun 2012, 2013, dan 2014 untuk masing-
masing spare part.
Tabel 3.6 Perbandingan Perhitungan Biaya Persediaan Untuk
Setiap Metode Peramalan
Dari tabel di atas diketahui bahwa metode yang memiliki error
terkecil tidak selalu memiliki biaya persediaan terkecil. Warna
hijau menunjukkan metode peramalan dengan error terkecil
sedangkan warna kuning adalah biaya persediaan terkecil. Hampir
semua metode peramalan yang memiliki error terkecil, biaya
persediaan yang terjadi cukup besar. Hanya pada dua jenis spare
part yaitu oil seal dan v-belt-8v1600 dengan metode error terkecil
memiliki biaya persediaan terkecil.
IV. KESIMPULAN/RINGKASAN
Spare part yang digunakan untuk peramalan dari tiga mesin
adalah spare part yang termasuk kategori F dan S. Spare part yang
termasuk ke dalam kategori F adalah Bearing Roller--
16143/16284; Filter-Cloth-2108X1080X4737mm;
Bearing,Ball,Annular--Bearing-6309-2rs; Oil Seal--TC-
50X68X9mm-NBR; dan Belt,V--V-belt-8V1600-Red-Seal. Spare
part yang termasuk ke dalam kategori S adalah Vacuum Hose--
WPR6-193-00040-YJC, Belt,V-- V-Belt-A80-Red-Seal, Bearing
Roller--16143/16284, Filter-Clotch-2134X1049X3950mm, dan
Angular,Contact,Ball,Bearing-- Bearing-3311B.TVH.
Pola permintaan Spare part secara keseluruhan adalah lumpy
dimana nilai ADI dan CV mempengaruhi nilai error peramalan.
Dengan nilai ADI lebih besar dari 1,33 dan nilai CV lebih besar
dari 50%.
Dari tiga metode peramalan yang dilakukan metode, SBA
memiliki nilai error terkecil untuk 5 jenis spare part yaitu Bearing
Roller--16143/16284; Filter-Cloth-2108X1080X4737mm; Bearing
Roller2--16143/16284, Filter-Clotch-2134X1049X3950mm; dan
Vacuum Hose--WPR6-193-00040-YJC. Metode Croston memiliki
nilai error terkecil untuk jenis spare part yaitu Belt,V--V-belt-
8V1600-Red-Seal dan V-Belt-A80-Red-Seal. Sedangkan simulasi
Montecarlo memiliki error terkecil pada spare part Bearing, Ball,
Annular--Bearing-6309-2rs; Oil Seal--TC-50X68X9mm-NBR; dan
Angular,Contact,Ball,Bearing-- Bearing-3311B.TVH.
Metode peramalan yang memiliki nilai error terkecil tidak
selalu memiliki biaya persediaan terkecil.
 4

using information on component repairs”, European

DAFTAR PUSTAKA Journal of Operational Research, No. 220, hal. 386-393.
Andrea, Callegaro. (2010), Forecasting Methods for Spare Parts Smith, SB. (2012), Principle of Inventory and Materials
Demand, Tesis Tiga Tahun, Departemen Teknis dan Management. Prentice Hall : New Jearsey.
Pengelolaan Sistem Industri, Fakultas Teknik, Università Syntetos, A.A., Boylan, J.E., Croston, J.D. (2005), “On the
degli Studi di Padova. categorization of demand patterns”, Vol. 20, No. 3, hal.
Bacchetti, A., Saccani, N. (2011), “Spare parts classification and 375-387.
demand forecasting for stock control: Investigating the Willemain, T.R, Smart, C.N., Schwarz, H.F. (2004), “A new
gap between research and practice”, Omega, Vol. 40, Iss. approach to forecasting intermittent demand for service
6, hal. 722-737. parts inventories”, International Journal of Forecasting,
Bacchetti, A, Plebani, R, Saccani, N. dan Syntetos, A. Journal of the Operational Research Society, Vol. 56,
(2010), “Spare parts classification and inventory No. 5, hal. 495-503.
management: a case study”, Salford Business School Yanagino, Tameo; Suzaki, Yukihiko. (2007), “Method of and
Working Papers Series, 408/11. system for forecasting future orders in parts inventory
Boylan, J., E. dan Syntetos, A., A. (2007), “The accuracy of a system”. United State Patent No. 007225140B2.
modified Croston procedure”, International Journal of
Production Economics;107:511–7.
Çelebi, Dilay, Bayraktar, Demet, D., Selcen, Ӧ., Aykaç. (2008),
“Multi Criteria Classification for Spare Parts Inventory”,
38th Computer and Industrial Engineering Conference,
31 Oktober- 2 November, 2008, Beijing, China hal.
1780-1787.
Croston, J.D. (1972), “Forecasting and stock control for
intermittent demands”. Operational Research Quarterly,
No. 23, hal. 289-303
Dangelmaier, W., Laroque, C., Delius, R., Streichan, J.
(2011), “Applying Simulation and Mathematical
Programming on a Business Case Analysis for setting up
a Spare Part Logistics in the Construction Supply
Industry”, In: Proceedings of The Third International
Conference on Advances, hal. 162-168, 23 - 29 Oct 2011
IARIA, Xpert Publishing Services,
Driessen, M.A., Arts, J.J., Houtum, van, G.J., Rustenburg, W.D.,
Huisman, B. (2010), “Maintenance spare parts planning
and control: A framework for control and agenda for
future research”, Working Papers, Beta Research School
for Operations Management and Logistics.
Duren, Jeroen, van. (2011), Differentiated spare parts
management: an application in the aircraft industry,
Master Thesis. KLM Engineering & Maintenance.
Kumar, Sandeep. (2010), Spare Parts Management – An IT
Automation Perspective. Infosys Technologies Limited.
Inggris.
Leven, E., dan Segerstedt, A. (2004), “Inventory control with a
modified Croston procedure and Erlang distribution”,
International Journal of Production Economics ; 90:
361–7.
Makridakis, S, Wheelwright, SC, dan Hyndman, RJ. (1998),
Forecasting: methods and applications. 3rd ed New
York: John Wiley & Sons, Inc.
Molenaers, An, Baets, Herman, Pintelon, Liliane, dan
Waeyenbergh, Geert. (2012), Criticality classification of
spare parts: A case study. Int. J. Production Economics,
No. 140; hal. 570–578
Mukhopadhyay, S., Solis, O., A., dan Gutierrez, S., Rafael. (2012),
“The Accuracy of Non-traditional versus Traditional
Methods of Forecasting Lumpy Demand”, Journal of
Forecasting, Vol. 31, Issue 8, hal. 721–735.
Neves, G., Diallo, M., Lustosa L.J. (2008), “Initial Electronic
Spare Parts Stock and Consumption Ferocasting”,
Operational Research, No. 28, hal. 45-58.
Ragnarsdóttir, B., Ingadóttir, H., Akkerman, R., Hansen, K.R.N.,
Furtak, S., Schwarck, G. (2012), “Combined evaluation
of forecasting methods and inventory models for
intermittent demand: a case study”, Pre-prints of the
Seventeenth International Working Seminar on
Production Economics, February 20-24, 2012,
Innsbruck, Austria, Vol. 3, hal. 287-298.
Romeijnders. Ward, Teunter. Ruud, van Jaarsveld. Willem. (2012),
“A two-step method for forecasting spare parts demand