Forecasting Hot Rolled Coil dengan Metode Time Series PT. Krakatau Posco
Keywords:
Forecasting, Hot Rolled Coil, Time Series AnalysisAbstract
Forecasting produksi merupakan komponen krusial dalam manajemen operasional industri baja, khususnya untuk Hot Rolled Coil (HRC) yang memiliki karakteristik produksi kompleks dengan variabilitas tinggi dan pola musiman yang signifikan. Akurasi peramalan produksi sangat menentukan efisiensi operasional, optimasi kapasitas, dan perencanaan strategis jangka panjang industri. Penelitian ini bertujuan untuk mengembangkan model forecasting berbasis time series analysis dengan menggunakan metode seasonal decomposition dan evaluasi komprehensif terhadap pola seasonal, trend, dan komponen irregular pada data produksi HRC periode Juli 2023 hingga Juni 2025. Metodologi penelitian meliputi analisis statistik deskriptif, seasonal decomposition menggunakan teknik STL (Seasonal and Trend decomposition using Loess), dan implementasi berbagai model forecasting termasuk Moving Average, Exponential Smoothing, dan ARIMA untuk mendapatkan prediksi optimal. Hasil analisis menunjukkan tingkat akurasi forecasting dengan Mean Absolute Percentage Error (MAPE) sebesar 10.44%, yang mengindikasikan performa prediksi yang baik untuk standar industri manufaktur. Identifikasi pola seasonal mengungkapkan adanya fluktuasi produksi signifikan dengan seasonal index tertinggi pada periode Januari (1.108) dan terendah pada April (0.539-0.624), mencerminkan dampak scheduled maintenance dan faktor operasional lainnya. Penelitian ini berkontribusi dalam pengembangan metodologi forecasting yang dapat meningkatkan akurasi perencanaan produksi dan mendukung pengambilan keputusan strategis dalam industri baja.
Downloads
References
Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control (Rev. ed.). Holden-Day.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Lewis, C. D. (1982). Industrial and business forecasting methods (2nd ed.). Butterworths.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting (2nd ed.). Wiley. https://doi.org/10.1002/9781118745113
Islam, M. R., & Chowdhury, A. H. (2023). An application of ARIMAX model to examine the effect of climatic factors on the annual rice production in Bangladesh. Asian Journal of Probability and Statistics, 22(2), 19–26. https://doi.org/10.9734/ajpas/2023/v22i2480
Alam, W., Ray, M., Kumar, R. R., Sinha, K., … & Singh, K. N. (2022). Improved ARIMAX model based on ANN and SVM approaches for forecasting rice yield using weather variables. The Indian Journal of Agricultural Sciences, 88(12). https://doi.org/10.56093/ijas.v88i12.85446
Sudipa, I. G. I., Monsista, K. A., Sandhiyasa, I. M. S., Atmaja, K. J., & Sudiantara, I. G. (2024). Predictive time series modelling of rice price fluctuations in East Nusa Tenggara using ARIMAX: A data driven case study. Power System Technology, 48(4), –. https://doi.org/10.52783/pst.972
Supriya, I. K., & Mishra, G. C. (2019). Comparison of performance between the time series forecasting models ARIMA and ARIMAX in forecasting the rice yield. The Journal of Research, PJTSAU, 46(2–3). https://epubs.icar.org.in/index.php/TJRP/article/view/88740
Rai, N. P., & Basak, S. (2024). Application of univariate time series models for forecasting area, production, and productivity of Aman rice in Jalpaiguri, West Bengal, India. Journal of Experimental Agriculture International, 46(8), 815–832. https://doi.org/10.9734/jeai/2024/v46i82765
Goyal, M., Agarwal, S., Ghalawat, S., & Malik, J. S. (2024). ARIMA & ARIMAX analysis on the effect of variability of rainfall, temperature on wheat yield in Haryana. Indian Journal of Extension Education, 60(1), 95–99. https://doi.org/10.48165/IJEE.2024.60118
