Forecasting the Demand for Fast-Moving Spare Parts Using the Autoregressive Integrated Moving Average (ARIMA) Method Peramalan Permintaan Sparepart Kategori Fast Moving Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA) Khusainiah Meirani Id’ha thedjoss@umsida.ac.id Sukmono Tedjo thedjoss@umsida.ac.id Program Studi Teknik Industri Universitas Muhammadiyah Sidoarjo Indonesia Program Studi Teknik Industri Universitas Muhammadiyah Sidoarjo Indonesia 05 10 2026 05102026 Pendahuluan

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.

 Metode

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.

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].

 Hasil dan Pembahasan

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.

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.

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.

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).

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.

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

Model Hasil Pengujian Tingkat Signifikan
Model (0,1,1) Type Coef SE Coef T-Value P-Value Signifikan
MA 1 0.9891 0.0979 10.1 0.00
Model (1,1,0) Type Coef SE Coef T-Value P-Value Signifikan
AR 1 -0.624 0.148 -4.23 0.00
Model (1,1,1) Type Coef SE Coef T-Value P-Value Signifikan
AR 1 -0.477 0.174 -2.75 0.01
MA 1 0.976 0.112 8.71 0.00
Model (2,1,0) Type Coef SE Coef T-Value P-Value Signifikan
AR 1 -1.026 0.147 -6.97 0.00
AR 2 -0.644 0.147 -4.37 0.00
Model (2,1,1) Type Coef SE Coef T-Value P-Value Signifikan
AR 1 -1.602 0.155 -10.32 0.00
AR 2 -0.664 0.148 -4.48 0.00
MA 1 -0.963 0.108 -8.95 0.00

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

Model Nilai MSE
Model (0,1,1) 76.047
Model (1,1,0) 91.180
Model (1,1,1) 78.467
Model (2,1,0) 73.672
Model (2,1,1) 76.395

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.

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

Period Bulan Forecast
32 Agustus 2024 934
33 September 2024 909
34 Oktober 2024 887
35 November 2024 914
36 Desember 2024 906

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.

 Simpulan

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.

 7 1 6 77-85 10 2022 10.24912/jitiuntar.v10i1.13736 Alfian Achmad Pratama Shendy Jurnal Ilmiah Teknik Industri PERANCANGAN TATA LETAK WAREHOUSE PRODUK MENGGUNAKAN METODE DEDICATED STORAGE DI PT NUTRIFOOD INDONESIA 7 3 3 4 2018 10.24912/jitiuntar.v4i3.1548 Kumala Iphov Sukania I Wayan Christianto Santo Jurnal Ilmiah Teknik Industri OPTIMASI PERSEDIAAN SPARE PART UNTUK MENINGKATKAN TOTAL PENJUALAN DENGAN MENGGUNAKAN SIMULASI MONTE CARLO (STUDI KASUS DI PT. ZXC) 4 132-143 4 2019 Rudianto Biktra Aji Achmad Maezar Bayu Jurnal AKRAB JUARA SISTEM INFORMASI INVENTORY SPAREPART MOBIL MENGGUNAKAN METODE WATERFALL STUDI KASUS PT. NUSANTARA AUTOWORLD INTERNATIONAL CIBUBUR Harahap Karmita Tanjung Dahriani Hakim Prediksi Persediaan Stok Sparepart Mesin Produksi Kategori Fast Moving Menggunakan Metode Double Moving Average Berbasis Website Pada PT. Intan Hevea Industry 7 1 7 1-13 2 2022 10.29313/jrs.vi.603 Susilawati Ria Sunendiari Siti Jurnal Riset Statistika Peramalan Jumlah Penumpang Kereta Api Menggunakan Metode Arima dan Grey System Theory 3 231-244 11 2017 Hardianto Riski Jurnal PASTI PERAMALAN PENJUALAN TEH HIJAU DENGAN METODE ARIMA (STUDI KASUS PADA PT. MK) 3 4 12 269-277 2 2023 10.55826/tmit.v2i4.283 Fauzani Salsabila Putri Rahmi Depriwana Jurnal Teknologi dan Manajemen Industri Terapan Penerapan Metode ARIMA Dalam Peramalan Harga Produksi Karet di Provinsi Riau Arizona Bramesvara Zakaria Ahmad Purwadi Ofik Toupik Studi Pemodelan Stokastik Curah Hujan Harian di Stasiun Kota Metro 2 114-128 8 2022 Yuliyanti Reni Arliani Elly Jurnal Kajian dan Terapan Matematika Peramalan jumlah penduduk menggunakan model arima