Sistem Prediksi Kebutuhan Stock Obat Menggunakan Metode Long Short Term Memory (LSTM) Time Series Berbasis Deep Learning

Sari

Long Short-Term Memory (LSTM) merupakan turunan dari Recurrent Neural Network (RNN) yang menerapkan prinsip ilmu komputer dan statistik untuk mengenali pola data kompleks. Fokus penelitian ini adalah mengatasi tantangan rumah sakit dalam mengelola stok obat secara efisien, guna memastikan ketersediaan optimal tanpa kelebihan atau kekurangan. Ketidakmampuan dalam memprediksi kebutuhan stok obat dapat menghambat proses perawatan dan mengancam keselamatan pasien. Metodologi penelitian meliputi tujuh tahapan identifikasi masalah, perumusan masalah, studi literatur, pengumpulan data, perancangan model LSTM, implementasi, dan analisis hasil. Model prediksi stok obat dikembangkan menggunakan dataset pengeluaran obat dari RSUD Aceh Tamiang, yang mencakup 1096 record pengeluaran untuk setiap obat dari 30 jenis obat.Hasil penelitian menunjukkan bahwa dari 30 model obat yang diteliti, hanya 5 model menunjukkan akurasi di bawah 70% ketika dilatih menggunakan GPU(Graphics Processing Unit), sedangkan dengan CPU(Central Processing Unit), 8 model menunjukkan akurasi serupa. Evaluasi menggunakan Mean Absolute Percentage Error (MAPE) menunjukkan variasi akurasi antar model, dipengaruhi oleh fluktuasi data. Penelitian ini merekomendasikan penggunaan dataset yang lebih besar, minimal 10,000 record, untuk meningkatkan akurasi prediksi. Model yang dikembangkan akan diimplementasikan dalam aplikasi Paperless Hospital untuk mengoptimalkan pengelolaan stok obat. Kesimpulannya, algoritma LSTM efektif dalam memprediksi data time series pengeluaran obat, dengan beberapa model mencapai akurasi di atas 70%.