PERBANDINGAN METODE LINEAR EXPONENTIAL SMOOTHING, ARTIFICIAL NEURAL NETWORK, DAN BOOTSTRAP DALAM FORECASTING LUMPY DEMAND DAN PENERAPANNYA PADA MANAJEMEN INVENTORI DI PERUSAHAAN MINYAK DAN GAS

ALVIAN JONATHAN SUTRISNO, Sinta Rahmawidya Sulistyo, S.T., M.SIE.

2018 | Skripsi | S1 TEKNIK INDUSTRI

Salah satu kendala yang muncul dalam manajemen inventori spare part adalah pola demand yang tergolong dalam kategori intermittent ataupun lumpy. Pola demand ini memiliki karakteristik dimana terdapat beberapa periode yang memiliki demand bernilai nol sehingga membuat metode-metode time series seperti moving average, exponential smoothing, dan ARIMA tidak cocok untuk digunakan. Penelitian ini dilakukan untuk mengetahui metode terbaik untuk melakukan forecasting spare part yang memiliki demand intermittent ataupun lumpy. Berdasarkan kategori demand dari spare part yang intermittent ataupun lumpy, tiga metode forecasting yaitu Linear Exponential Smoothing (LES), Artificial Neural Network (ANN), dan Bootstrap dipilih. Ketiga metode ini memiliki ide dasar yang sama yaitu forecast dilakukan dengan menggunakan dua variabel input: besaran demand dan urutan kejadian demand. Dalam mengukur performa metode forecasting, parameter error yaitu Mean Absolute Scaled Error (MASE) digunakan. Metode forecasting yang memiliki nilai MASE terendah menjadi metode forecasting terbaik. Selain itu, untuk mengetahui pengaruh dari penerapan metode forecasting pada manajemen inventori spare part, simulasi inventori dilakukan dengan menggunakan data pada salah satu perusahaan yang bergerak di sektor minyak dan gas. Melalui simulasi inventori, performa metode forecasting dinilai melalui dua parameter inventori yaitu average inventory dan service level. Hasil dari penelitian yang telah dilakukan menunjukkan bahwa metode ANN merupakan metode forecasting terbaik pada spare part dengan nilai MASE sebesar 0,761. Penerapan metode forecasting yang tepat pada manajemen inventori dapat menurunkan average inventory sebesar 11,9% dan meningkatkan service level sebesar 10,7%. Dengan kata lain, penerapan metode forecasting yang tepat merupakan cara untuk mencapai salah satu tujuan manajemen inventori pada perusahaan yang bergerak di sektor minyak dan gas.

One of the challengess that many practitioners face in managing spare part’s inventory is the lumpy demand. The term lumpy demand is used to represent the circumstances where a demand for an item has a large proportion of periods having zero demand. Thus, time series methods such as moving average, exponential smoothing, and ARIMA become inappropriate. Therefore, this research is conducted to find the best forecasting method for spare part when its demand is lumpy. Because the nature of spare part’s demand is lumpy, three appropriate forecasting methods: Linear Exponential Smoothing (LES), Artificial Neural Network (ANN), and Bootstrap are chosen. These methods have the same basic mechanism on how to generate the forecast demand which is to have two input variables: demand’s magnitude and demand’s sequence. To measure the forecast’s performance, Mean Absolute Scaled Error (MASE) is used. Forecasting method which has the least MASE is then declared to be the best forecasting method. Furthermore, to understand the effect of forecasting method’s on spare parts inventory management, inventory simulation with oil and gas company’s data is then conducted. Two inventory parameters; average inventory and service level; are used to measure the forecasting method’s performance. The result of this research is that ANN is found to be the best method for spare part forecasting with MASE of 0,761. From inventory simulation, the result shows that the appropriate forecasting method on spare parts inventory management is able to reduce average inventory by 11,9% and increase service level by 10,7%. This result justifies that selecting the appropriate forecasting method is one of the ways to achieve spare part inventory management’s goal.

Kata Kunci : lumpy, MASE, peramalan, spare part