Semarang, 7 Oktober 2015
245 parameter ini secara terpisah dimana data di-update hanya pada saat dimana terjadi. Notasi berikut
digunakan dalam perhitungan matematis metode Croston: =
= demand untuk suatu item pada saat
t
= demand size ukuran demand = binary indicator dari demand pada saat
t
= Croston’s estimate dari rata-rata demand size =
Croston’s estimate dari rata-rata interval antar demand q = waktu interval dari demand terakhir
= smoothing parameter Dengan mengombinasikan estimasi dari demand interval dan demand size maka didapat rata-rata
demand per periode sebagai berikut: 2
Syntetos-Boylan Approximation SBA Syntetos dan Boylan 2001 menemukan kesalahan dalam penurunan model matematika pada
metode Croston. Dengan menggunakan notasi yang sama pada metode Croston, metode SBA dibuat atas dasar perbaikan metode Croston sebagai berikut:
3
b Forecasting error
Mengukur kesesuaian antara hasil forecasting dengan hasil observasi aktual yang di dapat dari kondisi riil adalah hal penting dalam proses forecasting. Keakuratan suatu metode forecasting yang
digunakan ditentukan dari besar kecilnya forecasting error. Terdapat beberapa metode pengukuran forecasting error
seperti Mean error ME, Mean absolute error MAE, Mean square error MSE, Root mean square error
RMSE, Mean percentage error MPE, Mean absolute percentage error MAPE, Symmetric mean absolute percentage error
SMAPE, Geometric root mean square error GRMSEKholidasari, 2014.
c Relevansi antara forecasting dan inventori
Secara umum, inventori sistem terdiri dari tiga tahapan proses. Yang pertama yaitu pengklasifikasian jenis barang berdasarkan karakteristiknya. Dalam penelitian ini, karakteristik mengenai
pola permintaan menjadi dasar pengklasifikasian spare part. Klasifikasi pola permintaan menjadi pedoman bagi penentuan metode forecasting yang dipilih. Selanjutnya, hasil forecasting dapat dijadikan
parameter dalam penentuan keputusan-keputusan inventori seperti berapa banyak barang akan dipesan dan kapan barang harus tersedia Kholidasari, 2013.
4. METODOLOGI PENELITIAN
Penelitian ini bertujuan untuk menentukan metode forecasting yang tepat untuk data yang memiliki pola permintaan intermittent. Dengan menggunakan sepuluh data time series 16 periode, 1
periode = 1 bulan yang di dapat dari perusahaan penyedia spare part mobil, dilakukan perbandingan antara tiga metode forecasting metode Single Exponential Smoothing
, Croston’s method dan Syntetos Boylan Approximation
SBA mengenai keakuratan hasil forecasting . Parameter α yang digunakan
dalam perhitungan untuk mendapatkan hasil peramalan adalah 0,1, 0,2, dan 0,5. Sepuluh data time series menggambarkan data masa lalu 10 komponen mobil yang menjadi objek penelitian. Alasan pemilihan
komponen-komponen tersebut sebagai objek penelitian adalah jumlah permintaan tiap periode untuk komponen-komponen ini dapat dikatakan memenuhi atau layak untuk dianalisa. Selanjutnya, pemilihan
ketiga metode forecasting yang akan dibandingkan didasarkan pada, secara akademik literatur, metode- metode ini merupakan metode yang lazim digunakan untuk data yang bersifat intermittent
Syntetos and Boylan 200; Kholidasari, 2013.
Kriteria pemilihan metode terbaik untuk suatu time series adalah metode yang menghasilkan forecasting error terkecil. Digunakan delapan metode untuk menentukan besarnya
forecasting error - Mean error ME, Mean absolute error MAE, Mean square error MSE, Root mean square error
RMSE, Mean percentage error MPE, Mean absolute percentage error MAPE, Symmetric mean absolute percentage error
SMAPE, Geometric root mean square error GRMSE. Proses inisialisasi dilakukan untuk enam periode pertama. Dengan mengetahui forecasting error yang
terkecil, maka selanjutnya dilakukan forecasting untuk periode yang akan datang dengan mengaplikasikan metode terpilih. Analisa kemudian dilanjutkan dengan mempertimbangkan hasil
Semarang, 7 Oktober 2015
246 forecasting yang di dapat dan hubungannya dengan terjaditidak terjadinya inventory cost dan opportunity
cost untuk keperluan manajemen persediaan.
5. HASIL DAN PEMBAHASAN
Data yang diperlukan untuk analisa merupakan data permintaan spare part 16 periode yang diperlihatkan pada Tabel 1:
Tabel 1. Data permintaan spare part 16 periode Periode
Spare part 1
2 3
4 5
6 7
8 9
10 11
12 13
14 15
16
A001
1
48 32
24 40
32 24
16 56
20 24
20 48
16 8
12 8
A002 20
12 24
12 20
24 12
32 20
12 12
28 12
8 10
4 A003
10 12
7 5
7 5
5 12
8 6
5 10
8 6
8 2
A004 24
10 28
10 24
28 10
34 24
10 10
23 12
10 3
7 A005
10 8
6 10
6 9
4 8
7 10
4 10
2 4
2 4
A006 11
10 7
10 8
10 4
9 9
7 5
9 6
4 4
4 A007
3 1
2 5
4 1
3 1
1 1
A008 3
2 1
1 3
1 1
3 1
1 1
A009 1
1 2
3 1
1 1
A010 10
6 12
8 10
14 6
14 6
4 6
12 4
1 2
2
a Analisa pemilihan metode forecasting
Pengolahan data dimulai dengan perhitungan hasil forecast untuk ketiga metode terpilih persamaan 1, 2, dan 3 yang diaplikasikan pada sepuluh jenis spare part mobil yang diambil menjadi
objek penelitian dengan menggunakan α = 0,1, α = 0,2, dan α = 0,5 untuk tiap metode. Tabel 5.2, 5.3, dan 5.4 berikut memperlihatkan salah satu contoh hasil perhitungan untuk satu spare part A001,
selanjutnya, dengan cara yang sama, dilakukan juga perhitungan forecasting untuk spare part lainnya.
Tabel 2 Perhitungan hasil forecasting A001 menggunakan metode SES
Periode Data
Aktual Hasil
Forecasting Error
α = 0,1 α = 0,2
α = 0,5 α = 0,1
α = 0,2 α = 0,5
1 48
48 48
48 2
32 48
48 48
16 16
16 3
24 47
45 40
23 21
16 4
40 45
41 32
5 1
8 5
32 44
41 36
12 9
4 6
24 43
39 34
19 15
10 Total
275 262
238 75
62 54
Tabel 3 Perhitungan Hasil Forecasting A001 menggunakan metode Croston
Periode Data Aktual
Hasil Forecasting
Error α = 0,1
α = 0,2 α = 0,5
α = 0,1 α = 0,2
α = 0,5
1 48
48 48
48 2
32 40
40 38
8 8
6 3
24 34
33 30
10 9
6 4
40 36
36 36
-4 4
4 5
32 35
35 34
3 3
2 6
24 33
32 29
9 8
5 Total
226 224
215 75
26 32
Tabel 4 Perhitungan Hasil Forecasting A001 menggunakan metode SBA
Periode Data
Aktual Hasil
Forecasting Error
α = 0,1 α = 0,2
α = 0,5 α = 0,1
α = 0,2 α = 0,5
1 48
46 44
36 2
4 12
2 32
38 36
28 6
4 4
3 24
33 30
23 9
6 1
4 40
34 32
27 6
8 13
5 32
34 31
26 2
1 6
1
Pengkodean jenis spare part dilakukan oleh penulis dengan tujuan untuk menyamarkan nama spare part yang sebenarnya. Hal ini dilakukan untuk kepentingan kode etik penelitian.