Peramalan Penjualan Sediaan Farmasi Menggunakan Long Short-term Memory: Studi Kasus pada Apotik Suganda

Maulana Ichwan Anshory; Yusuf Priyandari; Yuniaristanto Yuniaristanto

doi:10.20961/performa.19.2.45962

Peramalan Penjualan Sediaan Farmasi Menggunakan Long Short-term Memory: Studi Kasus pada Apotik Suganda

Maulana Ichwan Anshory, Yusuf Priyandari, Yuniaristanto Yuniaristanto

Abstract

Peramalan data penjualan berperan penting dalam optimisasi persediaan produk pada bisnis retail. Apotek adalah satu bentuk bisnis retail yang menjual sediaan farmasi (obat, bahan obat, obat tradisional dan kosmetika), alat kesehatan, dan bahan medis habis pakai. Apotek Suganda yang berlokasi di Kabupaten Sragen, melakukan penentuan rencana pengisian kembali (pembelian) sediaan farmasi dengan manual berbasis kebiasaan semata. Mekanisme tersebut terkadang menyebabkan terjadinya kekurangan persediaan obat. Oleh karena itu, untuk memperbaiki perencanaan pembelian, perlu dilakukan peramalan permintaan sediaan farmasi. Beberapa metode dujikan untuk melakukan peramalan permintaan, salah satunya menggunakan metode Long Short-term Memory (LSTM), yakni suatu metode berbasis machine learning. Bersama dengan métode-metode lainya yakni Least Square, Single exponential Smoothing, Double exponential Smoothing, Triple Exponential Smoothing, Winter Exponential Smoothing, Weight Moving Average, dan ARIMA, peramalan penjualan sediaan farmasi dilakukan. Hasil pengujian menunjukkan bahwa peramalan penjualan sediaan farmasi secara mingguan yang menggunakan LSTM memiliki Mean Absolute Percentage Error (MAPE) yang paling rendah dibanding metode lainnya. Dengan demikian, implementasi peramalan penjualan berbasis machine learning perlu dimanfaatkan, salah satunya dengan membuat modul peramalan untuk diintegrasikan dengan aplikasi penjualan yang dimiliki oleh apotek tersebut.

Keywords

peramalan penjualan, sediaan farmasi, Long Short-term memory, machine learning

Full Text:

PDF (Bahasa Indonesia)

References

Abraham, B., & Ledolter, J. (2009). Statistical methods for forecasting (Vol. 234): John Wiley & Sons.

Affandi, L., Pradibta, H., & Habibi, M. I. (2018). PERAMALAN STOK OBAT DI PUSKESMAS GENDING PROBOLINGGO MENGUNAKAN METODE WINTER’S EXPONENTIAL SMOOTHING. Jurnal Informatika Polinema, 4(4), 274-274.

Aprilianto, T., & Fauzi, I. (2016). Perancangan Sistem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Metode Triple Exponential Smoothing. Jurnal Ilmiah Teknologi Informasi Asia, 10(2), 73-86.

Arfan, A. (2019). Prediksi Harga Saham Di Indonesia Menggunakan Algoritma Long Short-Term Memory. Paper presented at the Prosiding SeNTIK.

ElMoaqet, H., Tilbury, D. M., & Ramachandran, S. K. (2016). Multi-Step Ahead Predictions for Critical Levels in Physiological Time Series. IEEE Trans Cybern, 46(7), 1704-1714. doi:10.1109/tcyb.2016.2561974

Erl, T., Khattak, W., & Buhler, P. (2016). Big Data Fundamentals: Concepts, Drivers, and Techniques: Prentice Hall. Essnet Validat Foundation. (2016). Methodology for data validation 1.0.

Fachrurrazi, S. (2019). Peramalan Penjualan Obat Menggunakan Metode Single Exponential Smoothing Pada Toko Obat Bintang Geurugok. TECHSI-Jurnal Teknik Informatika, 7(1), 19-30.

Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning (Vol. 1): Springer series in statistics New York.

Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. (2016). Deep learning for visual understanding: a review. J Neurocompt, 187( 6), 27–48. Hastomo, W., & Satyo, A. (2019). Long Short Term Memory Machine Learning Untuk Memprediksi Akurasi Nilai Tukar IDR Terhadap USD. Paper presented at the Prosiding SeNTIK.

Hendriani, T., Yamin, M., & Dewi, A. P. (2016). Sistem Peramalan Persediaan Obat Dengan Metode Weight Moving Average Dan Reorder Point (Studi Kasus: Puskesmas Soropia). semanTIK, 2(2).

Kotler, P., & Keller, K. L. (2009). Manajemen Pemasaran Edisi 13, Jilid I, Jakarta.

Kumalasari, A., & Rochmah, T. N. (2016). Pengendalian Persediaan Obat Generik Dengan Metode MMSL (Minimum-Maximum Stock Level) di Unit Farmasi Rumah Sakit Islam Surabaya. Jurnal Manajemen Kesehatan Yayasan RS. Dr. Soetomo, 2(2), 143-152.

Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), 1–26. doi:10.1371/journal.pone.0194889 Rahmawati, I., & Wijanarko, R. (2019). Implementasi Prediksi Penjualan Obat Menggunakan Metode Least Square Pada Apotek Demak Farma Jaya. Jurnal Informatika dan Rekayasa Perangkat Lunak, 1(1).

Render, B., Stair Jr, R. M., & Hanna, M. E. (2012). Quantitative Analysis For Management.

Sugiartawan, P., Permana, A. A. J., & Prakoso, P. I. (2018). Forecasting Kunjungan Wisatawan Dengan Long Short Term Memory (LSTM). Jurnal Sistem Informasi dan Komputer Terapan Indonesia (JSIKTI), 1(1), 43-52.

Witten, I. H., & Frank, E. (2002). Data mining: practical machine learning tools and techniques with Java implementations. Acm Sigmod Record, 31(1), 76-77.

Zahra, I. A. (2019). Analisis Perbandingan Teknik Peramalan Kebutuhan Obat Dengan Metode Arima Dan Single Eksponensial Smoothing Studi Kasus: Rsud Indramayu. Jurnal Tata Kelola dan Kerangka Kerja Teknologi Informasi, 9(1).

DOI: https://doi.org/10.20961/performa.19.2.45962