Prediksi Ketersediaan Obat Penyakit Hipertensi Berbasis Data Historis Menggunakan Algoritma Long Short-Term Memory (LSTM)
Abstract
Manajemen ketersediaan obat merupakan aspek penting dalam menjamin pelayanan kesehatan yang optimal. Namun, sering terkendala oleh ketidakseimbangan stok obat yang menyebabkan kerugian finansial, risiko obat kadaluwarsa adanya ketidakpuasan pasien. Hal ini selaras dengan isu global terkait akses obat untuk penyakit kronis seperti Hipertensi. Penelitian ini bertujuan untuk mengembangkan model prediksi ketersediaan stok obat dengan pendekatan deep leaning, menggunakan algoritma Long Short-Term Memory (LSTM), guna meningkatkaan efektivitas pengelolaan persediaan obat di fasilitas kesehatan, khususnya untuk jenis-jenis obat yang sangat dibutuhkan. Penelitian ini menggunakan metodologi KDD (Knowledge Discovery in Database) dengan data transaksi obat historis dari Januari 2021 hinga Desember 2024 untuk diproses dan dimodelkan. Setelah itu, dari hasil pemodelan dilakukan evaluasi menggunakan metrik MAPE dan RMSE yang hasilnya menunjukkan kinerja bervariasi; model mampu memprediksi beberapa brand obat dengan akurasi yang baik sebanyak 5 brand (MAPE < 30%) dan menghadapi tantangan signifikan pada brand lain dengan error yang tinggi (MAPE > 50%). Meskipun demikian, model ini berpotensi meningkatkan efisiensi stok obat dan kepuasan pasien untuk obat-obatan yang terprediksi baik.
Kata Kunci: Ketersediaan Obat, Prediksi, KDD, Deep Learning, LSTM, Hipertensi
References
Y. H. Irawan, N. A. Rostikarina, and Y. Rahmawati, “Kajian Literatur Pengelolaan Obat Di Rumah Sakit,” ASSYIFA J. Ilmu Kesehat., vol. 2, no. 2, pp. 336–342, 2024, doi: 10.62085/ajk.v2i2.100.
I. P. San, S. B. Andi, and K. A. Muh, “Pengelolaan Kebutuhan Logistik Farmasi pada Instalasi Farmasi RS Islam Faisal Makassar Pharmaceutical Logistics Management of The Pharmacy Installation , Faisal Islamic Hospital Makassar,” Promot. J. Kesehat. Masy., vol. 10, no. 02, pp. 78–85, 2020.
E. D. Madyatmadja, L. Kusumawati, S. P. Jamil, W. Kusumawardhana, S. Informasi, and U. B. Nusantara, “Infotech: journal of technology information,” Raden Ario Damar, vol. 7, no. 1, pp. 55–62, 2021.
World Health Organization, “Access to Medicines and Health Products.” Accessed: May 25, 2025. [Online]. Available: https://www.who.int/our-work/access-to-medicines-and-health-products
D. Ferdinal, I. Nursukmi, and R. R. Putra, “Prediksi Obat Kronis Penyakit Diabetes Melitus Menggunakan Metode Monte Carlo,” J. Komput. Teknol. Inf. dan Sist. Inf., vol. 3, no. 1, pp. 665–672, 2024, doi: 10.62712/juktisi.v3i1.182.
L. Ainiyah and M. Bansori, “Prediksi Jumlah Kasus COVID-19 Menggunakan Metode Autoregressive Integrated Moving Average,” J. Sains Dasar, vol. 10, no. 2, pp. 62–68, 2021.
J. Nurhakiki et al., “Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya,” J. Pendidik. Berkarakter, no. 1, pp. 270–281, 2024, [Online]. Available: https://doi.org/10.51903/pendekar.v2i1.598
L. Wiranda and M. Sadikin, “Penerapan Long Short Term Memory pada Data Time Series untuk Memprediksi Penjualan Produk PT. Metiska Farma,” J. Nas. Pendidik. Tek. Inform., vol. 8, no. 3, pp. 184–196, 2019.
M. I. Anshory, Y. Priyandari, and Y. Yuniaristanto, “Peramalan Penjualan Sediaan Farmasi Menggunakan Long Short-term Memory: Studi Kasus pada Apotik Suganda,” Performa Media Ilm. Tek. Ind., vol. 19, no. 2, pp. 159–174, 2020, doi: 10.20961/performa.19.2.45962.
M. Khadafi and O. Yusrianti, “Sistem Prediksi Kebutuhan Stock Obat Menggunakan Metode Long Short Term Memory ( LSTM ) Time Series Berbasis Deep Learning A-26,” vol. 8, no. 1, pp. 26–33, 2025.
W. L. Prabowo, “Teori Tentang Pengetahuan Peresepan Obat,” J. Med. hutama, vol. 02, no. 04, pp. 402–406, 2021.
T. M. Ramzi, R. A. Dakhi, A. Sirait, D. Nababan, and E. Sembiring, “Analisis Manajemen Logistik Obat Di Instalasi Farmasi Rumah Sakit Umum Haji Medan,” J. Kesehat. Masy., vol. 7, no. 3, pp. 16838–16852, 2023, [Online]. Available: https://ejournal.unsrat.ac.id/index.php/jikmu/article/view/7853
A. M. Ulfa and D. Chalidyanto, “Evaluasi Proses Manajemen Logistik Obat di UPTD Puskesmas Kabupaten Sampang,” Media Gizi Kesmas, vol. 10, no. 2, p. 196, 2021, doi: 10.20473/mgk.v10i2.2021.196-204.
Muhammad Haris Diponegoro, Sri Suning Kusumawardani, and Indriana Hidayah, “Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 2, pp. 131–138, 2021, doi: 10.22146/jnteti.v10i2.1417.
F. Yanti, B. Nurina Sari, and S. Defiyanti, “Implementasi Algoritma Lstm Pada Peramalan Stok Obat (Studi Kasus: Puskesmas Beber),” J. Mhs. Tek. Inform., vol. 8, no. 4, pp. 6082–6089, 2024.
M. K. Wisyaldin, G. M. Luciana, and H. Pariaman, “Pendekatan LSTM untuk Memprediksi Kondisi Motor 10 kV pada PLTU Batubara,” Kilat, vol. 9, no. 2, pp. 311–318, 2020, [Online]. Available: http://jurnal.itpln.ac.id/kilat/article/view/997%0Ahttps://jurnal.itpln.ac.id/kilat/article/download/997/775
U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “Data Mining and Knowledge Discovery in Databases,” Commun. ACM, vol. 39, no. 11, pp. 24–26, 1996, doi: 10.1145/240455.240463.
M. M. Azman, “Analisa perbandingan nilai akurasi moving average dan exponential smoothing untuk sistem peramalan pendapatan pada perusahaan XYZ,” J. Sist. dan Inform., vol. 13, no. 2, pp. 36–45, 2019.
