Sistem Prediksi Penjualan Obat di PT. Anugerah Pharmindo Lestari Menggunakan Metode LSTM
DOI:
https://doi.org/10.47701/90f7q142Keywords:
LSTM, prediksi penjualan, farmasi, CRISP-DM, deep learningAbstract
Penelitian ini bertujuan merancang sistem prediksi penjualan produk farmasi di PT. Anugerah Pharmindo Lestari dengan memanfaatkan algoritma Long Short-Term Memory (LSTM). Tantangan utama dalam distribusi obat adalah fluktuasi permintaan yang tidak stabil, yang bisa menimbulkan masalah kelebihan stok (overstock) atau kekosongan stok (stockout). LSTM dipilih karena kemampuannya dalam menganalisis data runtun waktu dan mengenali pola jangka panjang yang kompleks. Dataset berupa penjualan bulanan dari Januari hingga November 2024 digunakan untuk melatih model, yang selanjutnya memprediksi penjualan bulan Desember. Pengembangan sistem mengacu pada tahapan CRISP-DM, meliputi pemahaman bisnis, eksplorasi data, persiapan data, pembangunan model, evaluasi, dan penerapan. Tiga produk yang dijadikan sampel antara lain SPIRIVA, BEROTEC, dan GLYXAMBI. Kinerja model dievaluasi menggunakan tiga indikator: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan bahwa model LSTM memberikan hasil prediksi yang akurat dengan nilai MAPE berkisar antara 4,37% hingga 7,02%. Sistem prediksi ini diwujudkan dalam bentuk aplikasi web berbasis Flask, dilengkapi dengan dashboard interaktif untuk mempermudah manajemen dalam memantau tren dan mengambil keputusan berbasis data. Temuan ini menunjukkan bahwa LSTM merupakan metode yang tepat untuk estimasi penjualan obat, serta berpotensi besar dalam meningkatkan efisiensi pengelolaan distribusi dan persediaan di sektor farmasi.
References
[1] Dewi, S. P., Nurwati, N., & Rahayu, E. (2022). Penerapan data mining untuk prediksi penjualan produk terlaris menggunakan metode k-nearest neighbor. Build: Informatics, Technology & Science, 3(4), 639-648..
[2] Novindri, G. F., & Saian, P. O. N. (2022). Implementasi Flask pada sistem penentuan minimal order untuk tiap item barang di distribution center pada PT XYZ berbasis website. Jurnal Mnemonic, 5(2), 81-85.
[3] Sial, A. H., Rashdi, S. Y. S., & Khan, A. H. (2021). Comparative analysis of data visualization libraries Matplotlib and Seaborn in Python.
[4] Waskom, M. L. (2021). Seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
[5] Badzlin, R., & Setiawan, K. (2024). Implementasi data mining prediksi penjualan produk semen menggunakan metode LSTM (Long Short-Term Memory) (studi kasus PT. Toyo Mortar Indonesia). Jurnal Indonesia: Manajemen Informatika dan Komunikasi, 5(3), 2724 2741..
[6] James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). LSTM (Long Short Term Memory). In An introduction to statistical learning: With applications in Python (pp. 69 134). Springer International Publishing. https://doi.org/10.1007/978-3- 030-67445-6
[7] Patel, M., Shah, K., & Trivedi, M. (2022). The evolving role of the pharmaceutical industry in global health. Journal of Global Health.
[8] Wang, Y., Liu, Z., & Chen, H. (2022). The impact of external factors on pharmaceutical supply chain dynamics. Healthcare Analytics Journal.
[9] Kim, S., Lee, J., & Kim, H. (2021). Long Short-Term Memory networks for healthcare demand forecasting. IEEE Access.
[10] Chen, X., Zhang, Y., & Li, M. (2022). Forecasting demand uncertainty with LSTM models: A case study in pharmaceutical distribution. Journal of Business Research.
[11] Zhang, Q., Zhao, R., & Huang, Y. (2023). Advanced forecasting methods for pharmaceutical inventory management. International Journal of Production Economics.
[12] Lee, J., Park, S., & Kim, D. (2021). Demand forecasting in healthcare supply chains using machine learning techniques. BMC Health Services Research.
[13] Al-Emran, M., Mezhuyev, V., & Kamaludin, A. (2021). A survey on the adoption of artificial intelligence in healthcare supply chains. Computers in Biology and Medicine.
[14] Kaur, R., & Sharma, S. (2021). Challenges in pharmaceutical supply chain management: A review. Journal of Supply Chain Management.
[15] Zhou, X., Huang, L., & Wang, J. (2023). Supply chain resilience in pharmaceutical distribution. International Journal of Logistics
