Meirani Id’ha Khusainiah (1), Tedjo Sukmono (2)
General Background Modern agricultural machinery distribution centers face significant operational hurdles in maintaining continuous supply chains. Specific Background At the central warehouse of PT Corin Mulia Gemilang (MAXXI) in Sidoarjo, stockouts of fast-moving spare parts such as bimo oil seal rollers directly disrupt production lines and delay distribution to regional branches. Knowledge Gap Although classification systems categorize inventory movement, conventional replenishment models frequently fail to account for stochastic demand trends in agricultural machine components. Aims This study evaluates dynamic time-series modeling to forecast monthly demand for bimo oil seal roller components from August to December 2024 using historical records spanning January 2022 to July 2024. Results Application of the Box-Jenkins methodology demonstrated that data achieved variance and mean stationarity following third-order power transformations and first-order differencing, establishing ARIMA(2,1,0) as the optimal predictive structure with the lowest Mean Square Error of 73.672. Forecasted demand for the five-month horizon yields 934 units in August, 909 units in September, 887 units in October, 914 units in November, and 906 units in December 2024. Novelty The research demonstrates that time-series modeling effectively captures non-stationary, stochastic demand patterns specifically tailored to agricultural spare part warehouse logistics without relying on exogenous variables. Implications Implementing ARIMA-based forecasting enables warehouse managers to prevent inventory shortages, optimize safety stock levels, and preserve customer satisfaction across national distribution channels.
Key Findings Highlights
The ARIMA(2,1,0) model was identified as the optimal time-series model for predicting bimo oil seal roller requirements due to achieving the lowest Mean Square Error of 73.672.
Demands for fast-moving agricultural components exhibit stochastic trend behaviors that require first-order differencing and power transformation to achieve statistical stationarity.
Monthly demand projections for August through December 2024 remain relatively steady within the range of 887 to 934 units, indicating time-independent fluctuations.
Keywords : Arima Model, Spare Parts, Inventory Forecasting, Warehouse Logistics, Fast Moving Items
PT. Corin Mulia Gemilang (MAXXI) merupakan perusahaan yang berdiri pada tahun 2011 dengan visi dan misi menjadi perusahaan terkemuka di bidang pertanian dengan mengembangkan alat dan mesin yang mendukung ketahanan pangan, serta meningkatkan pendapatan petani melalui peningkatan produktivitas hasil panen. Perusahaan ini beroperasi di bidang alat dan mesin pertanian dengan skala nasional. PT. Corin Mulia Gemilang (MAXXI) mempunyai beberapa cabang yang tersebar di seluruh wilayah Indonesia. Warehouse yang juga disebut dengan gudang berfungsi sebagai tempat penyimpanan berbagai macam produk atau unit dalam jumlah besar dan kecil[1].
Pusat warehouse PT. Corin Mulia Gemilang (MAXXI) terletak di Jl. Bakung Temenggungan, Balongbendo, Sidoarjo. Permasalahan yang sering terjadi pada warehouse pusat adalah kekurangan stok bahkan stok sparepart kosong untuk produksi alat dan mesin, pengiriman ke cabang, serta penjualan ke customer. Penyimpanan sparepart pada warehouse ini sudah memiliki sistem klasifikasi FSN (fast moving, slow moving, non-moving). Kategori fast moving mempunyai rata-rata penjualan lebih dari empat produk dalam satu tahun. Kategori slow moving mempunyai rata-rata penjualan 1-4 dalam satu tahun. Sedangkan non-moving tidak ada pergeseran penjualan dalam satu tahun[2].
Proses produksi dapat terganggu, memperpanjang downtime, dan mengurangi kepuasan pelanggan ketika terjadi ketidaktersediaan stok sparepart di gudang. Perencanaan stok sangat penting dilakukan untuk memastikan distribusi sparepart yang optimal. Melakukan peramalan atau forecasting merupakan salah satu cara yang tepat agar perusahaan dapat memprediksi permintaan sparepart dan menyesuaikan stok sehingga dapat mencegah kekosongan stok[3]. Peramalan merupakan proses memperkirakan hal di masa yang akan dating berdasarkan data masa lalu. Peramalan bertujuan meminimalisasi risiko ketidakpastian sehingga perusahaan dapat melakukan tindakan atau keputusan yang optimal pada masa yang akan datang[4].
Dalam industri manufaktur terutama di bidang alat dan mesin pertanian, ketersediaan stok sparepart merupakan hal penting khususnya sparepart kategori fast moving. Kategori ini mempunyai permintaan yang berubah-ubah sehingga diperlukan teknik peramalan yang dapat mengetahui tren di masa depan. Metode peramalan yang cocok untuk penelitian ini adalah metode Autoregressive Integrated Moving Average (ARIMA). Metode ARIMA adalah suatu metode yang tidak mengabaikan aturan deret waktu seperti pemeriksaan diagnostik, penaksiaran parameter, dan pengujian stasioneritas[5]. Tujuan ARIMA adalah mengidentifikasi jenis hubungan positif dalam statistik antara nilai historis dan variabel yang diramal sehingga model dapat digunakan untuk melakukan peramalan[6].
Oil seal roller bimo adalah salah satu sparepart kategori fast moving yang ada di pusat warehouse PT. Corin Mulia Gemilang (MAXXI). Dalam penelitian ini meramalkan permintaan sparepart oil seal roller bimo dikarenakan sparepart ini merupakan sparepart yang paling banyak diminati dan sering kali mengalami ketidaktersediaan stok. Rumusan masalah pada penelitian ini adalah bagaimana model ARIMA terbaik untuk meramalkan permintaan sparepart oil seal roller bimo periode Agustus 2024 sampai Desember 2024. Tujuan dilakukan penelitian ini adalah untuk mendapatkan hasil peramalan data permintaan sparepart dengan menggunakan metode ARIMA pada periode Agustus 2024 sampai Desember 2024.
Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan di PT. Corin Mulia Gemilang (MAXXI) yang berada di Jl. Bakung Temenggungan KM 01, Kecamatan Balongbendo, Kabupaten Sidoarjo. Penelitian ini dilakukan selama 1 bulan.
Pengumpulan Data
Pengumpulan data dalam penelitian ini dilakukan di PT. Corin Mulia Gemilang (MAXXI). Data primer digunakan dalam penelitian ini. Data primer adalah suatu data yang diperoleh langsung dari objek penelitian atau dari sumber pertama melalui wawancara, observasi, dan lain-lain.
Alur Penelitian
Metode yang dipakai untuk menetapkan model, dan melakukan peramalan adalah metode ARIMA menggunakan software Minitab. Berikut ini adalah tahap yang dilakukan dalam penelitian ini dengan menggunakan prosedur ARIMA.
Figure 1.
Gambar 1. Flowchart Alur Penelitian
Metode ARIMA menggunakan data time series serta mengabaikan variabel independenuntuk membuat peramalan data jangka pendek yang akurat. Model Box-Jenkins adalah istilah lain untuk model ini. Secara umum, bentuknya adalah ARIMA (p,d,q) di mana p yaitu ordo dari unsur autoregressive (AR), d yaitu ordo dari unsur integrative (I), dan q adalah ordo dari moving average (MA). Model ini disebut AR(p) ketika d = 0 dan q = 0. Sedangkan disebut MA (q) apabila d = 0 dan q = 0. Jika ketiganya ada maka disebut dengan autoregressive-integrated-moving average dengan bentuk model ARIMA (p,d,q)[7].
Data dikumpulkan dengan melakukan wawancara untuk memperoleh data-data yang dibutuhkan. Data yang digunakan untuk melakukan peramalan pada penelitian ini adalah jumlah permintaan sparepart dengan kategori fast moving di PT. Corin Mulia Gemilang (MAXXI) selama 31 periode yaitu dari bulan Januari 2022 sampai bulan Juli 2024. Pada penelitian ini meramalkan satu jenis sparepart dengan kategori fast moving yaitu sparepart oil seal roller bimo. Pola data permintaan sparepart oil seal roller bimo di warehouse pusat PT. Corin Mulia Gemilang ditunjukkan pada gambar 2.
Figure 2.
Gambar 2. Plot Data Permintaan Sparepart Oil Seal Roller Bimo
Gambar 2 menunjukkan bahwa data permintaan sparepart oil seal roller bimo di warehose pusat PT. Corin Mulia Gemilang (MAXXI) belum stasioner yang artinya adanya unsur trend, maka data harus distasionerkan. Data di atas terlihat bahwa semakin berjalannya waktu, jumlah permintaan melonjak sehingga menandakan adanya pola trend. Akan tetapi data tersebut juga berfluktuasi sehingga disebut trend stokastik[8].
Setelah pola data sudah diketahui, langkah berikutnya yaitu menentukan stasioneritas varians dan mean. Perlu dilakukan proses differencing jika data tidak stasioner terhadap mean dan perlu dilakukan tindakan transformasi jika data tidak stasioner terhadap varians. Pengujian stasioneritas data permintaan sparepart oil seal roller bimo ditunjukkan pada gambar 3.
Figure 3.
Gambar 3. Output Box-Cox Data Permintaan Sparepart
Gambar 3 memperlihatkan bahwa data sudah stasioner terhadap varians setelah melakukan proses transformasi sebanyak 3 kali. Dari output di atas dapat dilihat nilai rounded value sebesar 1,00 dengan selang kepercayaan sebesar 95%. Berdasarkan rounded value (1,00) sama dengan atau lebih besar dari 1, maka data permintaan tersebut diasumsikan konstan terhadap varians[9].
Untuk mengetahui stasioneritas perbandingan antara data dan mean dapat dilihat melalui plot fungsi autokorelasi (ACF). Pengujian stasioneritas data terhadap rata-rata (mean) ditunjukkan pada gambar 4.
Figure 4.
Gambar 4. Output Grafik Autocorelation Function Data Permintaan Sparepart
Gambar 4 menunjukkan bahwa output lag sebesar 0 tanpa melakukan proses differencing data. Data dikatakan stasioner dengan mean jika pada plot ACF turun mendekati 0 secara cepat yang artinya tidak lebih dari 3 maka data tersebut dikatan sudah stasioner terhadap rata-rata (mean). Untuk mengidentifikasi model data maka perlu melakukan plot data permintaan sparepart ke dalam plot ACF dan PACF. Berikut merupakan plot ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function).
Figure 5.
Figure 6.
Gambar 5. Output Plot ACF dan PACF
Gambar 5 menunjukkan bahwa nilai autokorelasi maupun autokorelasi parsial tidak terdapat lag yang berada diluar garis putus-putus pada output plot ACF dan PACF. Hal tersebut berarti bahwa data tersebut tidak terdapat proses Autoregressive (AR) maupun proses Moving Average (MA), oleh karena itu harus dilakukan tahapan differencing lanjutan.
Figure 7.
Figure 8.
Gambar 6. Output Plot ACF dan PACF Hasil Differencing
Gambar 6 menunjukkan pada plot ACF, autokorelasi pada lag 1 terletak di luar garis putus-putus yang artinya melebihi batas signifikan. Sedangkan pada plot PACF, autokorelasi pada lag 1 dan lag 2 melebihi batas signifikan. Maka dapat disimpulkan terdapat 1 lag yang melampaui batas signifikan pada plot ACF dan terdapat 2 lag yang melampaui batas signifikan pada plot PACF sehingga dinyatakan bahwa terdapat proses Autoregressive (AR) berorde 2 dan Moving Average (MA) berorde 1. Maka model-model ARIMA yang dapat digunakan untuk peramalan adalah model ARIMA (0,1,1), model ARIMA (1,1,0), model ARIMA (1,1,1), model ARIMA (2,1,0) dan model ARIMA (2,1,1).
Proses berikutnya yaitu menaksir parameter yang bermaksud untuk memperlihatkan model ARIMA tersebut mencukupi persyaratan atau tidak. Tahapan penilaian parameter dari model ARIMA yang mungkin yaitu dengan dilakukannya pengujian signifikasi. Parameter dinyatakan signifikan jika nilai probabilitas (P) parameter lebih kecil dibandingkan dengan α (P < α), α bernilai 0,05. Apabila probabilitas (P) > α dinyatakan bahwa nilai parameter model ditolak sehingga model tidak dapat digunakan sebagai model dalam peramalan[9].
Tabel 1. Uji Signifikan Model ARIMA
Setelah dilakukannya penilaian parameter pada setiap model, maka model ARIMA yang signifikan dapat diketahui. Langkah berikutnya yaitu menggunakan nilai Mean Square Error (MSE) untuk memilih model yang paling tepat dari seluruh kemungkinan model yang sudah signifikan. Nilai MSE yang diperoleh dari output software Minitab ditunjukkan pada tabel 2.
Tabel 2. Rekapitulasi Nilai MSE Model ARIMA
Berdasarkan tabel 2 maka diperoleh model yang paling tepat dengan nilai MSE terkecil dimiliki oleh model ARIMA (2,1,0) dengan nilai MSE sebesar 73.672. Selanjutnya perlu dilakukan pemeriksaan untuk menentukan residual dari model tersebut sudah bersifat white-noise atau random dengan melihat nilai p-value dan Ljung-box. Pada uji normalitas, residual data dapat diterima apabila nilai p-value > α atau 0,05[9]. Hasil uji normalitas residual ditunjukkan pada gambar 7.
Figure 9.
Gambar 7. Output Normal Probability Plot Residual
Gambar 7 menunjukkan bahwa p-value bernilai sebesar 0,115 lebih besar dari 0,05 yang mempunyai arti residual peramalan permintaan sparepart menggunakan model ARIMA (2,1,0) terdistribusi normal. Hal ini juga ditunjukkan oleh data yang berada di sekitar garis.
Nilai peramalan permintaan sparepart oil seal roller bimo periode Bulan Agustus 2024 sampai Desember 2024 menggunakan model ARIMA (2,1,0) ditunjukkan pada tabel 3.
Tabel 3. Hasil Peramalan Sparepart Oil Seal Roller Bimo
Berdasarkan tabel 3 diperoleh bahwa permintaan sparepart oil seal roller bimo di warehouse pusat PT. Corin Mulia Gemilang berfluktuasi di setiap bulannya. Dalam hal ini dapat dikatakan bahwa permintaan sparepart tidak dipengaruhi oleh waktu.
Model runtun waktu untuk dilakukan peramalan yang tepat untuk meramalkan permintaan sparepart oil seal roller bimo bulan Agustus 2024 sampai dengan Bulan Desember 2024 adalah model ARIMA (2,1,0) dengan MSE terkecil yang bernilai 73,672 sehingga dapat digunakan untuk melakukan peramalan. Dengan menggunakan model runtun waktu yang tepat, ramalan permintaan sparepart oil seal roller bimo pada Agustus 2024 sampai Desember 2024 diperoleh hasil Bulan Agustus 2024 sebesar 934, Bulan September 2024 sebesar 909, Bulan Oktober 2024 sebesar 887, Bulan November 2024 sebesar 914, Bulan Desember 2024 sebesar 906.
Ucapan Terima Kasih
Ucapan terimakasih disampaikan kepada Universitas Muhammadiyah Sidoarjo serta perusahaan PT. Corin Mulia Gemilang yang telah mendukung pelaksanaan penelitian ini. Ucapan terimakasih juga disampaikan kepada rekan-rekan yang telah mendukung dengan memberikan masukan dan saran terhadap penelitian ini.
Alfian and S. Pratama, “Perancangan Tata Letak Warehouse Produk Menggunakan Metode Dedicated Storage di PT Nutrifood Indonesia,” Jurnal Ilmiah Teknik Industri, vol. 10, no. 1, pp. 77–85, Jun. 2022, doi: 10.24912/jitiuntar.v10i1.15234.
Kumala, I. W. Sukania, and S. Christianto, “Optimasi Persediaan Spare Part Untuk Meningkatkan Total Penjualan Dengan Menggunakan Simulasi Monte Carlo (Studi Kasus di PT. ZXC),” Jurnal Ilmiah Teknik Industri, vol. 4, no. 3, pp. 185–194, Mar. 2018, doi: 10.24912/jitiuntar.v4i3.1582.
Rudianto and A. M. B. Aji, “Sistem Informasi Inventory Sparepart Mobil Menggunakan Metode Waterfall Studi Kasus PT. Nusantara Autoworld International Cibubur,” Jurnal AKRAB JUARA, vol. 4, no. 4, pp. 132–143, Nov. 2019.
K. Harahap and D. H. Tanjung, “Prediksi Persediaan Stok Sparepart Mesin Produksi Kategori Fast Moving Menggunakan Metode Double Moving Average Berbasis Website Pada PT. Intan Hevea Industry,” Jurnal Rekayasa Sistem, vol. 2, no. 1, pp. 394–406, Jan. 2024.
R. Susilawati and S. Sunendiari, “Peramalan Jumlah Penumpang Kereta Api Menggunakan Metode ARIMA dan Grey System Theory,” Jurnal Riset Statis, vol. 2, no. 1, pp. 1–13, Jul. 2022, doi: 10.29313/jrs.v2i1.1011.
R. Hardianto, “Peramalan Penjualan Teh Hijau Dengan Metode ARIMA (Studi Kasus Pada PT. MK),” Jurnal PASTI, vol. 11, no. 3, pp. 231–244, Nov. 2017, doi: 10.22441/pasti.2017.v11i3.002.
T. Suhono and H. Al Fatta, “Penyusunan Data Primer Sebagai Dasar Interoperabilitas Sistem Informasi Pada Pemerintah Daerah Menggunakan Diagram RACI (Studi Kasus: Pemerintah Kabupaten Purworejo),” JNANALOKA, vol. 2, no. 1, pp. 35–44, Mar. 2021, doi: 10.36802/jnanaloka.2021.v2i1.35-44.
S. P. Fauzani and D. Rahmi, “Penerapan Metode ARIMA Dalam Peramalan Harga Produksi Karet di Provinsi Riau,” Jurnal Teknologi Dan Manajemen Industri Terapan, vol. 2, no. 4, pp. 269–277, Dec. 2023, doi: 10.55826/tmit.v2i4.243.
Arizona, A. Zakaria, and O. T. Purwadi, “Studi Pemodelan Stokastik Curah Hujan Harian di Stasiun Kota Metro,” Jurnal Rekayasa Sipil dan Desain, vol. 3, no. 1, pp. 37–44, Mar. 2015.
R. Yuliyanti and E. Arliani, “Peramalan Jumlah Penduduk Menggunakan Model ARIMA,” Jurnal Kajian Dan Terap Matematika, vol. 8, no. 2, pp. 114–128, Oct. 2022, doi: 10.21831/jktm.v8i2.54121.
N. Salwa, N. Tatsara, R. Amalia, and A. F. Zohra, “Peramalan Harga Bitcoin Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average),” Jurnal Data Analysis, vol. 1, no. 1, pp. 21–31, Sep. 2018, doi: 10.24815/jda.v1i1.11874.
S. Yuniarti and M. A. Kurniawan, “Comparing ARIMA and Single Exponential Smoothing for Spare-Part Demand Forecasting: A Case Study at PT XYZ,” Intechno Journal: Information Technology Journal, vol. 8, no. 1, pp. 62–72, Jul. 2026, doi: 10.61132/jupiter.v2i6.456.
N. A. Nurpadhilah, “Optimizing iPhone Spare Parts Inventory Using K-Medoid Clustering,” Informatech, vol. 9, no. 2, pp. 101–110, Jun. 2026.
L. Harlinda, “Artificial Intelligence Using Long Short-Term Memory (LSTM) for Demand Forecasting of High-Rotation Products,” International Journal of Data Science, vol. 5, no. 1, pp. 45–55, Mar. 2026.
Herman, K. E. Zsido, and V. Fenyves, “Inventory Management and Spare Parts Control in Manufacturing Supply Chains,” Journal of Risk and Financial Management, vol. 17, no. 3, pp. 102–115, Mar. 2024, doi: 10.3390/jrfm17030102.