PERAMALAN PERMINTAAN SPARE PARTS KENDARAAN BERMOTOR PADA SPARE PARTS KATEGORI FAST MOVING (Studi Kasus: PT. Astra Honda Motor)

ANDHIKA RINDRA PRASETYO, Agus Darmawan, ST., MS.

2014 | Skripsi | TEKNIK INDUSTRI

Industri kendaraan bermotor di Indonesia merupakan salah satu industri yang berkembang di negara ini. Pasar otomotif Indonesia telah berkembang dengan baik. Menurut data statistik, setiap tahun jumlah kendaraan yang terjual di Indonesia terus mengalami peningkatan. PT Astra Honda Motor merupakan salah satu produsen sepeda motor terbesar di Indonesia. Persediaan spare part kendaraan bermotor terdiri dari beberapa jenis, maka perencanaan dan pengendalian persediaan yang baik sangat diperlukan dalam hal ini. Apabila hal ini tidak dikelola dengan baik, sistem persediaan pada perusahaan dapat menjadi tidak efektif dan efisien. Perencanaan yang baik dapat dicapai salah satu caranya dengan melakukan peramalan yang baik. Oleh karena itu, perlu dilakukan penelitian mengenai peramalan persediaan spare part kendaraan bermotor agar tercapainya manajemen persediaan yang lebih optimal. Dalam penelitian ini, objek data yang diambil adalah spare parts untuk kategori fast moving. Fast moving adalah kategori untuk barang-barang yang pergerakannya cepat pada penjualannya. Berdasarkan data-data yang didapatkan, dalam PT Astra Honda Motor, yang tergolong fast moving spare parts adalah ban luar, ban dalam, dan spark plug. Hal ini dikarenakan produk-produk tersebut penjualannya memiliki ratarata 100.000 buah dalam tiap bulannya dan memiliki nilai penjualan lebih dari nol pada tiap bulannya. Penelitian diawali dengan pengambilan data, dilanjutkan menguji pola distribusi data. Kemudian dilakukan analisis peramalan pada spare parts dengan beberapa metode peramalan yaitu Moving Average, Single Exponential Smoothing, Double Exponential Smoothing ARIMA, Grey Model, Backpropagation Neural Network (BPNN), dan Backpropagation Grey Neural Network (BPGNN). Pemilihan metode yang terbaik adalah dengan metode yang memiliki nilai error terkecil. Berdasarkan analisis metode peramalan yang dilakukan, didapatkan bahwa sebagian besar metode yang terbaik untuk produk ban luar adalah dengan metode Backpropagation Grey Neural Network, diikuti oleh metode Moving Average, dan Backpropagation Neural Network. Metode BPGNN dan BPNN sesuai untuk spare parts dikarenakan sebagian besar data spare parts memiliki fluktuasi data yang cukup banyak dan kemampuan dari BPGNN dan BPNN untuk mempelajari pola data. Pada metode Moving Average, model peramalnnya cocok untuk data yang memiliki nilai range data yang tidak terlalu jauh.

Automobile industry is one of the most growth industry in Indonesia. PT Astra Honda Motor is one of the vehicle and spare parts manufacturer. One of the solution in inventory control is the accurate forecasting. Because the forecasting technique in PT AHM not too optimized, so analyze in forecasting in PT AHM is needed, in order to get optimized inventory control. This research use the historical data for the spare parts with fast moving category. Fast moving is the category for the spare parts which have fast sales. In PT AHM fast moving category is for the spare parts which have average sale more than 100000 every month and the sales of the product more than 0 for every month. Forecasting in this research is started by took the data for spare parts demand, plot the data and analyze the pattern of data. The next step is forecasting demand of spare parts osing some forecasting technique, such as Moving Average, Single Exponential Smoothing, Double Exponential Smoothing ARIMA, Grey Model, Backpropagation Neural Network (BPNN), and Backpropagation Grey Neural Network (BPGNN). The last step is choosing the forecasting technique which has the least error. The result from this research is that almost spare parts have good forecasting accuracy using Backpropagation Grey Neural Network, followed by Moving Average, dan Backpropagation Neural Network. BPGNN and BPNN are suitable for spare parts forecasting demand because the pattern of data from spare parts have fluctuated data and BPGNN and BPNN is good at learning the data pattern. For Moving Average, the model.is good for the data pattern which has the small range.

Kata Kunci : forecasting, Time Series, spare parts, Backpropagation, Grey Model