PENGKLASIFIKASIAN DAN PERAMALAN SPARE PART DI INDUSTRI PUPUK (STUDI KASUS: PT. PETROKIMIA GRESIK)
Gema Kharisma 2508 100 133 Dosen Pembimbing Iwan Vanany, S.T., M.T., PhD Dosen Ko Pembimbing Dody Hartanto, S.T., M. T.
Latar Belakang Pabrik pupuk yang melibatkan proses kimia yang rumit dan terintegrasi Banyak mesin dan saling mendukung
Availability
Reliability
Maintenance Ketersediaan Spare parts
Identifikasi spare part Fast Moving, Slow Moving, Non Moving
VED Analysis
ABC Analysis
Klasifikasi secara teoritis FSN Analysis
SDE Analysis
Salah satu cara untuk mengetahui jumlah persediaan adalah dengan melakukan peramalan, PT. Petrokimia Gresik belum menerapkan langkah ini. Teknik peramalan yang baik akan memungkinkan mengurangi safety stock dan hal tersebut menyebabkan mengurangi biaya pengelolaan spare part tanpa mengurangi service level-nya. Umumnya bila peramalan spare part tidak dilakukan, para manajer persediaan cenderung kesulitan melakukan perencanaan dan pengendalian spare part-nya. Boone et al. (2008) dalam Romeijnders et al. (2012) menyatakan bahwa peramalan spare part adalah kunci utama dalam pengelolan persediaan spare part
Pola permintaan spare parts berbeda dengan bahan baku untuk proses produksi. Pola permintaan spare parts terdiri dari slow moving, intermittent, erratic, atau lumpy. Jenis-jenis pola permintaan di atas memiliki waktu permintaan yang tidak teratur. Simulasi Montecarlo
SBA Method
Metode Peramalan Permintaan
Croston Method
Metode Croston mempertimbangkan dua hal yaitu besarnya permintaan dan interval antara permintaan. Dimana dua hal tersebut tidak dipertimbangkan pada metode lainnya sebelum munculnya metode Croston.
Proses Pengadaan Spare Part Dirut DirTek
PGM
Komp. Daan
USER
Financial PR
RFQ/INQ
BID EV.
Teknis
Nego/ E-Auction
Successfu l Bidder Delivery
Anggaran Gudang
USER
Sistem Produksi Batuan Fosfat
GRINDING Sulfur Acid (SA)
BUCKET
DIGESTER
FILTER 1
FILTER 2
Filtrasi
Reaksi
TANK
TANK
COOLER
UNIT KONSENTRASI
POMPA
Klasifikasi oleh PT PG berdasarkan CR spare part pemakaian rutin misalnya : bahan pelumas, bahan penolong, dan beberapa spare part yang Consume Rate (C/R)nya jelas
ROL (Re Order Level) (1.800 item)
spare part disimpan sementara berada di gudang PGM, menunggu pengambilan (pemakaian) oleh pemakai spare part sesuai dengan program kerjanya
Intransit (I) (54.000 item)
spare part - peranan penting/vital terhadap operasional pabrik, pengadaannya lama/sulit, tidak dapat diprediksi kerusakannya dan perbaikannya membutuhkan waktu yang lama, misalnya rotor compressor dan turbin
Insurance (Z) (800 item)
spare part sementara berada di gudang untuk proses verifikasi, kemudian akan langsung dikeluarkan setelah verifikasi dinyatakan selesai
NSI (NonStock Inventory) (H) (400 item)
Perumusan Masalah Bagaimana melakukan peramalan menggunakan metode Croston, SBA dan simulasi Monte Carlo serta metode apa yang tepat untuk meramalkan spare part pada PT. Petrokimia Gresik
Tujuan Penelitian • Mengklasifikasikan spare part berdasarkan karekteristik pada spare part tersebut. • Menentukan pola permintaan spare part dan menganalisa keterkaitannya dengan metode peramalan. • Membandingkan dan menganalisa keakurasian metode Croston dengan metode lain.
Batasan dan Asumsi Batasan
Asumsi
1. Spare part yang diteliti merupakan spare part kategoti ROL untuk mesin Filter 1, 2 dan Pompa yang permintaan spare part untuk mesin tersebut cukup banyak. 2. Data permintaan ROL yang digunakan merupakan data permintaan historis tahun 2011.
sistem produksi berjalan normal tanpa ada gangguan yang siginifikan sehingga data permintaan spare part sesuai kebutuhan yang telah ditentukan.
Manfaat Penelitian Bagi Peneliti
Bagi Perusahaan
Mengetahui sistem pengadaan spare part pada PT. Petrokimia Gresik Mengetahui hal-hal yang terkait dengan sistem pengadaan spare part. Mengetahui aplikasi klasifikasi dan peramalan permintaan spare part.
Mengetahui jenis, klasifikasi dan pola permintaan spare part yang digunakan dalam kegiatan maintenance yang berpengaruh pada kinerja sistem produksi. Mendapatkan rekomendasi perbaikan metode dalam pengelolaan spare part yang tepat.
Konsep Pengelolaan Spare part Spare part dibutuhkan untuk menjaga peralatan dalam kondisi optimal ketika terjadi breakdown, preventive, dan predictive maintenance. Pengendalian persediaan spare part memiliki fungsi kritis dari persfektif operasional seperti pabrik kimia, pabrik penggilingan kertas dan lain-lain serta perusahaan yang memiliki dan mengoperasikan aset mahal seperti maskapai penerbangan, perusahaan logistik dan lain-lain Kumar (2010)
Fast moving (F) : jenis spare part yang sering dibutuhkan lebih dari sebulan sekali. FSN Analysis, klasifikasi berdasarkan frekuensi permintaan
Slow moving (S) : jenis spare part yang sering dibutuuhkan kurang dari sebulan sekali. Non-moving (N) : jenis spare part yang tidak dibutuhkan selama lebih dari dua tahun.
Average stay of the material = Cumulative No of Inventory Holding/(Total Quantity Receive + Opening balance) Consumption rate = Total Issue Quantity/Total Period Duration
0
ADI = 1.32 Slow moving
Intermittent
Erratic
Lumpy
CV = 0.49
Metode kuantitatif
Metode kualitatif
Metode ini secara umum lebih objektif daripada metode kualitatif. Metode ini terdiri dari peramalan time-series (memproyeksikan kejadian masa lalu untuk kejadian masa yang akan datang) atau peramalan berdasarkan model asosiatif (berdasarkan satu atau lebih variable yang jelas). Metode ini mengidentifikasi pola data masa lalu.
Metode ini dikenal juga dengan nama judgmental method. Metode ini bergantung pada opini para ahli dalam memprediksi kejadian masa depan. Judmental method sesuai untuk peramalan yang berjangka intermediet hingga jangka panjang.
Metode Peramalan (1) Croston’s Method Ft+1 =
• 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. • q = interval sejak permintaan terkahir. • α = konstanta smoothing antara satu dan nol.
Syntetos – Boylan Approximation
Simulasi Montecarlo simulasi Montecarlo adalah simulasi probabilistik yang digunakan untuk memperoleh pendekatan solusi dari suatu masalah dengan melakukan sampling dari proses yang di-generate secara random. (Tersine, 1994)
Distribusi Eksponensial MTTF = 1/ λ Distribusi Weibull MTTF = Distribusi Lognormal MTTF = exp (µ + s2/2)
=
Evaluasi Metode-Metode Peramalan Mean Absolute Error (MAE)
Mean Squared Error (MSE)
Mean Absolute Percentage Error (MAPE)
Penelitian Terdahulu No
Penulis
Klasifikasi
Peramalan
Perbandingan Metode Peramalan
1
Molenaers et al. (2012)
Kekritisan - VED
-
-
2
Duren (2011)
Kekritisan, permintaan, dan biaya - Multi-kriteia ABC
-
-
3
Çelebi et al. (2008)
Kekritisan, nilai kegunaan, biaya unit, dan lead time - Mulitikriteria ABC
-
-
4
Bacchetti et al. (2010)
Sales cycle phase, response lead time to customers, number of orders, demand, frequensy, part criticality, dan part value- Multikriteria klasifikasi
-
-
5
Croston (1972)
-
Metode Croston
-
6
7
Syntetos and Boylan (2005)
Kharisma (2012)
-
Frekuensi permintaan - FSN
Metode SBA
Hasil Diagaram kekritisan spare part yang menggabungkan level kekritisan dan karekteristik logistik Kategori spare part pada perusahaan berdasarkan kombinasi kriteria yang telah ditentukan Pengembangan model klasifikasi ABC klasik menjadi Multi-kriteria ABC berdasarkan kekritisan, lead time, nilai kegunaan, dan biaya unit Klasifikasi spare part berdasarkan kriteria yang telah ditentukan dengan mengusulkan manajemen permintaan dan inventori sesuai dengan pengklasifikasian Model Croston untuk peramalan spare part
Simple moving average dengan Perbaikan dari metode Croston lebih dari 13 periode, single dengan menambahkan suatu exponential smoothing, dan metode faktor (1-(α/2)) Croston
Simulasi Montecarlo,, SBA, dan Metode Croston MTTF
Klasfikasi spare part dan pemilihan metode peramalan yang sesuai untuk penyelesaian masalah
Penentuan Topik Penelitian
Identifikasi Permasalahan
Perumusan Masalah dan Penentuan Tujuan Penelitian
Studi Literatur Konsep Pengelolaan Spare part Klasifikasi Spare part Metode peramalan spare part Evaluasi Metode Peramalan
Studi Lapangan
A
A Melakukan pengumpulan data baik melalui wawancara maupun observasi pada objek amatan Klasifikasi spare part yang digunakan pada mesin Filter 1, 2 dan 3 menggunakan analisis FSN
Memetakan pola permintaan spare part mesin kritis dengan melihat nilai ADI dan CV
Melakukan peramalan menggunakan metode single exponential smoothing, weighted moving average, Croston dan SBA
Menghitung MTTF spare part
Melakukan perhitungan error untuk setiap metode peramalan
B
B Analisis dan Interpretasi Data Menganlisis keterkaitan pola permintaan dengan klasifikasi spare part Membandingkan nilai error antara metode peramalan Memilih metode peramalan yang sesuai dengan permasahan
Kesimpulan dan Saran
Mesin Filter 1
Mesin Filter 2
Mesin Pompa
Biaya Order
Biaya Simpan Spare part BEARING ROLLER -- 16143/16284 BELT,V -- V-BELT-A80-RED-SEAL BOLT AND NUT -- BOLT-NUT-5/8IN-UNCX3IN-A193B7-A1942H CASTER SHAFT -- DHIII-M2000-4885 CONTROL ROLLER (126246P) SUB ASSEMBLY -- SXX2-975-05610 HEMYHYDRATE FILTER -- FILTER-CLOTH-2108X1080X4737MM-POLYPROPYLENE OIL SEAL -- 131414008 SPACER,SLEEVE -- VPR9-382-00090-GNA VACUUM HOSE -- WPR6-193-00040-YJC
Harga Unit Biaya Simpan 343,000.00 68,600.00 41,140.00 8,228.00 17,749.13 3,549.83 931,219.96 186,243.99 1,672,980.83 334,596.17 1,325,966.94 265,193.39 202,620.57 40,524.11 240,000.00 48,000.00 8,708,173.64 1,741,634.73
Spare part BEARING ROLLER -- 16143/16284 FILTER CLOTH -- FILTER-CLOTCH-2134X1049 X3950MM FILTER MESIN -- P55-9418 VACUUM HOSE -- WPR6-193-00040-YJC
Harga Unit 343,000.00 594,567.52 55,201.49 8,708,173.64
Spare part
Biaya Simpan
ADAPTOR,SLEEVE,BEARING -- H2320
Harga Unit 875,628.00
BELT,V -- V-BELT-8V1600-RED-SEAL
860,880.00
172,176.00
ANGULAR,CONTACT,BALL,BEARING -- BEARING-3311B.TVH
666,250.00
133,250.00
BEARING,BALL,ANNULAR -- BEARING-6309-2RS
116,357.45
23,271.49
BEARING,BALL,ANNULAR -- BEARING-6317-2RSR
795,000.00
159,000.00
BEARING,ROLLER,TAPERED -- BEARING-30308J2/Q
188,790.00
37,758.00
1,230,622.00
246,124.40
8,078.72
1,615.74
BEARING,ROLLER,CYLINDRICAL -- BEARING-NU314ECJ OIL SEAL -- TC-50X68X9MM-NBR
Biaya Simpan 68,600.00 118,913.50 11,040.30 1,741,634.73
175,125.60
Menghitung average stay dari spare part dan consumption rate average stay Closing Balance = Quantity Receive + Quantity return – Quantity Issued Inventory Holding = kumulatif dari Closing Balance
Penentuan Klasifikasi Spare Part (2) Week
Receipt Qty Return Qty Issued Qty
Closing Balance Inv. Holding Weeks
29
0
0
0
140
3080
30
0
0
16
124
3204
31
0
0
0
124
3328
32
0
0
0
124
3452
33
0
0
16
108
3560
1
0
0
30
130
130
2
0
0
30
100
230
3
0
0
14
86
316
4
0
0
6
80
396
5
0
0
16
64
460
6
0
0
0
64
524
34
0
0
0
108
3668
7
0
0
12
52
576
35
0
0
0
108
3776
8
80
0
0
132
708
36
0
0
0
108
3884
37
0
0
0
108
3992
38
0
0
0
108
4100
39
0
0
0
108
4208
40
0
0
20
88
4296
9
0
0
12
120
828
10
0
0
0
120
948
11
0
0
0
120
1068
12
0
0
0
120
1188
13
0
0
0
120
1308
14
0
0
0
120
1428
41
0
0
0
88
4384
15
0
0
0
120
1548
42
0
0
0
88
4472
16
0
0
0
120
1668
43
0
0
18
70
4542
17
0
0
0
120
1788
44
0
0
0
70
4612
18
0
0
0
120
1908
45
0
0
24
46
4658
19
0
0
0
120
2028
20
0
0
20
100
2128
46
80
0
0
126
4784
21
0
0
0
100
2228
47
0
0
22
104
4888
22
0
0
12
88
2316
48
0
0
12
92
4980
23
0
0
22
66
2382
49
0
0
0
92
5072
24
0
0
0
66
2448
50
0
0
30
62
5134
25
0
0
0
66
2514
51
0
0
0
62
5196
26
80
0
0
146
2660
52
0
0
0
62
5258
27
0
0
6
140
2800
28
0
0
0
140
2940
240
0
338
Average stay of the material = Cumulative No of Inventory Holding/(Total Quantity Receive + Opening balance) = 5258/400 = 13,145 weeks Consumption rate = Total Issue Quantity/Total Period Duration = 338/52 = 6.5 Nos/week
Untuk nilai average stay yang kurang dari 70% maka dikategorikan ke dalam N, average stay antara 70% hingga 90% maka dikategorikan ke dalam S dan sisanya dikategorikan ke dalam F
Untuk nilai consumption rate yang kurang dari 70% maka dikategorikan ke dalam F, consumption rate antara 70% hingga 90% maka dikategorikan ke dalam S dan sisanya dikategorikan ke dalam N.
Analisis ini berdasarkan pada dua hal yaitu average stay dan consumption rate. Average stay adalah istilah umum yang digunakan untuk mengukur durasi habisnya spare part dalam periode waktu. Semakian kecil nilai average stay maka semakin cepat waktu habisnya persediaan. Consumption rate adalah tingkat pemakaian dalam kurun waktu tertentu. Semakin besar nilai consumption rate maka semakin besar jumlah yang digunakan per satuan waktu.
Pola permintaan yang terjadi adalah lumpy untuk semua jenis spare part dimana banyaknya permintaan yang bernilai 0 serta besarnya permintaan non-zero variansinya cukup tinggi. Nilai CV berada diatas 50% dan ADI lebih dari 1,33. Sehingga klasifikasi spare part yang dilakukan tidak mempengaruhi pola permintaaan. Karena walaupun klasifikasi untuk setiap spare part beda, pola permintaan yang terjadi adalah sama.
Tiga jenis spare part yang akan dihitung TTF dan MTTF-nya adalah Filter-Cloth-2108X1080X4737mm, Filter-Clotch-2134X1049X3950mm, dan Bearing Roller--16143/16284. Filter-Cloth-2108X1080X4737mm terdapat pada mesin Filter 1 dimana spare part ini terpasang sebanyak 30 biji. Spare part Filter-Clotch2134X1049X3950mm terpasang pada mesin Filter 2 sebanyak 24 biji. Dan Bearing Roller--16143/16284 terpasang pada kedua mesin masing-masing terletak pada 71 tempat dan 55 tempat dimana setiap satu satu tempat terdapat 2 biji bearing.
Diasumsikan mesin mulai bekerja pada tanggal 1 Januari 2010, dari tanggal 1 Januari hingga 10 Februari = 41 hari kerja. Karena sistem produksi yang digunakan sistem kontinyu sehingga mesin beroperasi selama 24 jam tanpa berhenti. Jam operasi mesin diperoleh dari 24 x 41 = 948. Setiap satu kali seminggu dilakukan pengecekan mesin untuk memeriksa kondisi mesin selama kurang lebih 10 jam sehingga nilai preventif diperoleh dari jumlah hari beroperasi dibagi dengan jumlah hari dalam seminggu kemudian dikalikan 10 jam ((41/7)*10) = 59 jam. Time To Failure diperoleh dari Jam Operasi dikurangi Preventif (948-59) = 925 jam.
Perhitungan MTTF (3) Spare Part
FILTER-CLOTH2108X1080X4737M M
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
925
745
948
519
519
609
948
361
519
519
316
316
790
609
316
1151
700
1129
925
925
1467
1129
948
790
1106
993
1309
835
1016
1309
948
971
948
971
971
1129
948
1106
790
971
1106
971
971
971
971
835
813
835
632
632
1106
993
813
948
1106
813
903
903
903
903
1332
655
1332
677
835
880
1174
655
835
1490
1964
700
700
700
700
1986
1332
1986
632
1332
1851
1648
1332
1332
2189
1715
1016
1016
1016
1016
587
1986
587
880
1783
361
226
1715
1648
1083
1715
1715
1670
1715
609
587
1986
790
361
497
1151
1083
1083
542
677
925
767
587
Spare Part
FILTER-CLOTH2108X1080X4737M M
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
316
745
925
925
790
609
158
609
925
925
925
158
158
1151
519
993
1196
1016
1016
835
339
1016
1332
1016
1016
68
1016
1016
158
925
655
925
925
835
1151
700
1083
925
316
925
971
1083
1083
790
1422
655
2302
677
2393
2393
1151
1241
1196
790
835
835
542
1309
790
835
903
2370
655
1715
1715
2393
587
1129
1038
384
925
925
767
835
632
700
1016
677
677
1715
1129
2144
1129
271
632
1490
880
632
880
1016
1715
813
677
2144
2144
880
880
1986
1986
880
1986
1715
677
2144
2731
587
677
429 406
1986
Spare Part MTTF (Jam) MTTF (Minggu)
1
2
3
1093 1013 1135
4 893
5
6
1015 1073
7
8
9
931
953
999
10
11
12
13
1238 1168 1002 1017
14
15
960
935
7
6
7
6
6
7
6
6
6
8
7
6
6
6
6
Spare Part
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
MTTF (Jam)
842
1785
861
922
1045
985
1029
922
1083
MTTF (Minggu)
5
11
5
6
6
6
6
6
7
1370 1314 1168 1051 1264 1057
8
8
7
6
8
6
Periode Penggunaan Spare Part 1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
MTTF
2
2
3
4
5 11 3
2
4
Aktual
10 11 10 10 6 0 5 1 10 10 8 8 0 12 0 0 0 0 0 0 8 6 6 0 0 0 0 0
3
7 10 1
3
4
2
6 13 1
2
6
1
5 12 1
3
4
3
Periode Penggunaan Spare Part 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 MTTF
8 9 2 2 3 4 6 11 1 1 5 2 6 14 1 2 4 1 6 11 3 4 3 3
Aktual
7 0 0 0 0 0 0 0 0 0 5 6 0 0 0 2 8 5 5 7 6 6 0 7
Perhitungan MTTF hanya dilakukan untuk tiga jenis spare part yaitu Filter-Cloth2108X1080X4737mm, Filter-Clotch2134X1049X3950mm, dan Bearing Roller-16143/16284. Perbedaan tempat mempengaruhi nilai MTTF sehingga untuk spare part yang jenisnya sama dengan tempat berbeda nilai MTTF juga berbeda.
Filter-Cloth-2108X1080X4737mm memiliki nilai MTTF rata-rata berkisar antara 7 hingga 8 minggu. Filter-Clotch-2134X1049X3950mm memiliki nilai MTTF rata-rata berkisar antara 7 hingga 9 Bearing Roller--16143/16284 memiliki nilai MTTF berkisar antara 7 hingga 10 minggu dan rata-rata MTTF dari spare part ini adalah 8 minggu.
Perbedaan ini terjadi karena sulitnya memprediksi permintaan spare part aktual walaupun sudah diketahui umur komponen. 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.
Peramalan Permintaan (1) Periode 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Demand X(t) 10 11 10 10 6 0 5 1 10 10 8 8 0 12 0 0 0 0 0 0 8 6 6 0 0 0 0 0
Forecast Z(t) q P(t) 1 10 1 1 10 1 1 10 1 1 9 1 1 9 2 1 8 1 1 6 1 1 7 1 1 8 1 1 8 1 1 8 1 1 8 2 1 9 1 1 9 2 1 9 3 1 9 4 1 9 5 1 9 6 1 9 7 1 9 1 3 8 1 2 7 1 2 7 2 2 2 7 3 7 4 2 7 5 2 7 6 2
Croston SBA 10 10 10 9 9 8 6 7 8 8 8 8 9 9 9 9 9 9 9 9 8 7 0 7 0 7 0
9 9 9 8 8 7 5 6 7 7 7 7 8 8 8 8 8 8 8 8 7 6 0 6 0 6 0
Monte Carlo 0 7 5 0 0 0 2 5 0 0 0 5 5 0 10 6 0 0 8 2 0 0 11 0 11 6 0 0
29
7
7
1
3
7
6
11
30
0
7
2
3
0
0
0
31
0
7
3
3
0
0
0
32
0
7
4
3
7
6
10
33
0
7
5
3
0
0
0
34
0
7
6
3
0
0
8
35
0
7
7
3
7
6
7
36
0
7
8
3
0
0
11
37
0
7
9
3
0
0
0
38
0
7
10
3
7
6
0
39
5
7
1
5
7
6
0
40
6
6
1
4
6
5
0
41
0
6
2
4
0
0
2
42
0
6
3
4
0
0
6
43
0
6
4
4
0
0
0
44
2
5
1
4
5
4
6
45
8
6
1
3
6
5
7
46
5
6
1
2
6
5
0
47
5
5
1
2
5
4
8
48
7
6
1
2
6
5
11
49
6
6
1
2
6
5
0
50
6
6
1
1
6
5
8
51
0
6
2
1
6
5
7
52
7
6
1
2
6
5
0
Simulasi Montecarlo (2) Random 12 76 57 43 20 21 54 56 39 49 46 60 58 26 93 72 45 23 81 53 44 33 98 41 97 65 43 12
Simulasi Permintaan 0 7 5 0 0 0 2 5 0 0 0 5 5 0 10 6 0 0 8 2 0 0 11 0 11 6 0 0
98 48 47 93 14 86 76 97 23 42 12 5 54 70 34 10 77 17 83 97 19 86 77 46
11 0 0 10 0 8 7 11 0 0 0 0 2 6 0 6 7 0 8 11 0 8 7 0
Dari hasil perhitungan error 10 jenis spare part 2 diantaranya memiliki error terkecil pada metode Croston, 3 jenis spare part memiliki error terkecil pada simulasi Montecarlo dan 5 jenis spare part memiliki error terkecil terjadi pada metode SBA. Dari nilai error tersebut kemudian dilihat hubungannya dengan pola permintaan.
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. Metode SBA memiliki error terkecil pada jenis spare part yang memiliki nilai ADI lebih kecil dari 3 dan CV lebih kecil 1,60.
Hal ini menunjukkan bahwa Croston dan simulasi Montecarlo cocok untuk meramalkan jenis spare part yang inteval antar permintaan non-zero dan variansi besarnya permintaan yang cukup besar. Sedangkan SBA justru sebaliknya. Cocok untuk jenis spare part dengan interval antar permintaan non-zero dan variansi besarnya permintaan cukup kecil.
Grafik Perbandingan Error ANGULAR,CONTACT,BALL,BEARING -BEARING-3311B.TVH
BELT,V -- V-BELT-A80-RED-SEAL 8.00 4.00
12.00
2.00
10.00 8.00 Error
MAD
0.50
MSE
0.25
A-MAPE
0.13 0.03
0.00 SBA
MSE
4.00 2.00
Croston
MAD
6.00
0.06
A-MAPE
Croston
Monte Carlo
SBA
BEARING ROLLER -- 16143/16284
Error
Error
1.00
256.00 128.00 64.00 32.00 16.00 8.00 4.00 2.00 1.00 0.50 0.25
MAD MSE A-MAPE
Croston
SBA
Monte Carlo
Monte Carlo
Perhitungan Biaya Persediaan Berdasarkan Hasil Peramalan Metode Croston
Perhitungan Persediaan Berdasarkan Hasil Peramalan Metode SBA
Perhitungan Persediaan Berdasarkan Hasil Peramalan Metode Simulaasi Monte Carlo
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-Cloth2108X1080X4737mm; Bearing,Ball,Annular--Bearing6309-2rs; 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-BeltA80-Red-Seal, Bearing Roller--16143/16284, FilterClotch-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-Cloth2108X1080X4737mm; 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. 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.
Dalam pengambilan keputusan kebijakan persediaan, pertimbangannya tidak hanya bergantung pada hasil peramalan yang memiliki error terkecil. Karena hasil peramalan sulit mendekati nilai aktual, hasil peramalan masih memiliki error. Sehingga butuh pendapat dari orang-orang yang berpengalaman di perusahaan atau perhitungan persediaan menggunakan metode yang telah ada untuk pengambilan keputusan persediaan atau menggunakan perhitungan MTTF sebagai dasar penentuan persediaan. Akibat dari spare part yang dibutuhkan tidak ada, perusahaan memerlukan biaya yang lebih besar karena sistem produksi terganggu jika dibandingkan nilai persediaan spare part yang disimpan melebihi hasil peramalan.
Mengklasifikasikan spare part menggunakan metode lain yang mempertimbangkan kekritisan, lead time, supply chain, dan karekteristik lainnya. Menggunakan metode yang lebih baru sehingga hasil peramalan lebih baik.
Andrea, Callegaro. (2010), Forecasting Methods for Spare Parts Demand, Tesis Tiga Tahun, Departemen Teknis dan Pengelolaan Sistem Industri, Fakultas Teknik, Università degli Studi di Padova. Bacchetti, A., Saccani, N. (2011), “Spare parts classification and demand forecasting for stock control: Investigating the gap between research and practice”, Omega, Vol. 40, Iss. 6, hal. 722-737. Bacchetti, A, Plebani, R, Saccani, N. dan Syntetos, A. (2010), “Spare parts classification and inventory management: a case study”, Salford Business School Working Papers Series, 408/11. Boylan, J., E. dan Syntetos, A., A. (2007), “The accuracy of a 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 using information on component repairs”, European Journal of Operational Research, No. 220, hal. 386-393. Smith, SB. (2012), Principle of Inventory and Materials Management. Prentice Hall : New Jearsey. Syntetos, A.A., Boylan, J.E., Croston, J.D. (2005), “On the categorization of demand patterns”, Vol. 20, No. 3, hal. 375-387. Willemain, T.R, Smart, C.N., Schwarz, H.F. (2004), “A new approach to forecasting intermittent demand for service parts inventories”, International Journal of Forecasting, Journal of the Operational Research Society, Vol. 56, No. 5, hal. 495-503. Yanagino, Tameo; Suzaki, Yukihiko. (2007), “Method of and system for forecasting future orders in parts inventory system”. United State Patent No. 007225140B2.