ANALISIS PERBANDINGAN METODE TIME SERIES FORECASTING UNTUK PREDIKSI PENJUALAN OBAT DI APOTEK (STUDI KASUS: KIMIA FARMA APOTEK TAKOMA)

Penulis

  • Amalia Kurniawati

    Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan , Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan

  • Muhammad Sabri Ahmad

    Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan , Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan

  • Muhammad Fhadli

    Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan , Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan

  • Salkin Lutfi

    Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan , Program Studi Teknik Informatika, Fakultas Teknik, Universitas Khairun Jl. Jati Metro, Kota Ternate Selatan

DOI:
https://doi.org/10.33387/jati.v2i1.62
Kata Kunci:
prediksi penjualan, apotek, long short term memory, lstm, auto regressive moving average (ARIMA)
Abstrak

Keberadaan apotek sangat penting bagi masyarakat untuk memenuhi kebutuhan obat-obatan. Apotek Kimia Farma merupakan perusahaan yang bergerak dalam bidang farmasi atau health care company dan memiliki jaringan apotek terbesar di Indonesia. Prediksi penjualan obat pada apotek ialah salah satu kegiatan prioritas dalam penentuan penjualan kedepannya, hal ini bertujuan untuk pengendalian stok agar tidak terjadi kelebihan dan kekurangan stok serta mencegah ketidaktersediaan obat yang ingin dibeli konsumen. Pada penelitian ini dilakukan prediksi penjualan obat dengan melakukan perbandingan metode machine learning yaitu Long Short Term Memory (LSTM) dan metode statistik yaitu Auto Regressive Moving Average (ARIMA) dengan menggunakan 5 jenis data obat, kemudian hasil prediksi akan dibandingkan dengan metode evaluasi Root Mean Square Error (RMSE). Berdasarkan hasil pengujian yang dilakukan, didapatkan nilai RMSE metode LSTM lebih unggul dibandingkan nilai RMSE pada metode ARIMA dengan selisih perbandingan RMSE untuk model LSTM dan ARIMA untuk obat Acitral Suspensi yaitu 4.37, obat Paracetamol Sirup dengan nilai 38.93, obat Omepros dengan selisih perbandingan RMSE yaitu 13.60, untuk obat Calcium D Redoxon dengan selisih RMSE 1.25, dan obat Noza Tab@100 dengan selisih perbandingan RMSE yaitu 11.15. Walaupun model LSTM menghasilkan hasil RMSE yang rendah dibandingkan dengan RMSE pada model ARIMA, model LSTM yang telah dibuat tidak disarankan untuk digunakan karena mengalami overfitting, hal ini karena model LSTM tidak dapat memprediksi dengan akurat untuk data testing maupun terhadap jenis data baru.

Referensi

Rofi'ah, I., & Hantoro, K. 2022. Perancangan Sistem Informasi Penjualan Obat-Obatan Berbasis Web Pada Apotek Diana Menggunakan Algoritma Horspool. Jurnal Penelitian Mahasiswa Ilmu Komputer, 3(2) 195-2016. https://doi.org/10.31599/jsrcs.v3i2.1404.

Dewanti, FP, Setiyowati, S., & Harjanto, S. 2022. Prediksi Persediaan Obat Untuk Proses Penjualan Menggunakan Metode Decision Tree Pada Apotek. Jurnal Teknologi Informasi Dan Komunikasi (TIKomSiN), 10 (1), 25-33. https://doi.org/10.30646/tikomsin.v10i1.604

Wibowo, D. A. (2018). Prediksi Penjualan Obat Herbal Hp Pro Menggunakan Algoritma Neural Network. Technologia Jurnal Ilmiah, 9(1), https://doi.org/10.31602/tji.v9i1.1100

Render, B., Ralph, M. S, Jr., & Michael, E.H. 2018. Quantitative Analysis for Management Thirteenth Edition.

Makridakis, S., Evangelos, S., Vassilios, A. 2018. Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE, 12(3), 1-26. https://doi.org/10.1371/journal.pone.0194889.

Gunaryati, A., Fauziah, F., & Andryana, S. 2018. Perbandingan Metode-metode Peramalan Statistika untuk Data Indeks Harga Pangan. STRING (Satuan Tulisan Riset dan Inovasi Teknologi), 2 (3), 241-248. https://doi.org/10.30998/string.v2i3.2200.

Arifin, I., Haidi, RF, & Dzalhaqi, M. (2021). Penerapan Computer Vision Menggunakan Metode Deep Learning pada Perspektif Generasi Ulul Albab. Jurnal Teknologi Terpadu, 7 (2), 98-107. https://doi.org/10.54914/jtt.v7i2.436

Karno, A.S.B. (2020). Analisis Data Time series Menggunakan LSTM (Long Short Term Memory) dan ARIMA (Autocorrelation Integrated Moving Average) dalam Bahasa Python. ULTIMA InfoSys, 9(1), 1-7. https://doi.org/10.31937/si.v9i1.1223.

Le, Xuan Hien., Hung, Viet Ho., Giha, Lee., & Sungho, Jung. (2019). Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting. Water, 2-19. https://doi.org/10.3390/w11071387.

Vavliakis, K. N., Siailis, A., & Symeonidis, A. L. (2021). Optimizing Sales Forecasting in e-Commerce with ARIMA and LSTM Models. In WEBIST (pp. 299-306). https://doi.org/10.5220/0010659500003058

Karno, A. S. B. (2020). Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) Dan ARIMA (Autocorrelation Integrated Moving Average) Dalam Bahasa Python. Ultima InfoSys: Jurnal Ilmu Sistem Informasi, 11(1), 1-7. https://doi.org/10.31937/si.v9i1.1223

Anshory, Maulana Ichwan., Yusuf, Priyandari., & Yuniaristanto. (2020). Peramalan Penjualan Sediaan Farmasi Menggunakan Long Short-term Memory: Studi Kasus pada Apotik Suganda. Performa: Media Ilmiah Teknik Industri, 19(2), 159-174. https://doi.org/10.20961/performa.19.2.45962.

Salsabila, S.E. (2020). Model Prediksi Penjualan Multi-Item Time Series Berbasis Machine Learning Menggunakan Metode ARIMA dan LSTM pada produk perishable (studi kasus: retail sayur tosaga). Universitas Islam Indonesia Yogyakarta.

Poomka, Pumrapee., Wattana Pongsena., Nittaya Kerdprasop., & Kittisak Kerdprasop. 2019). SMS Spam Detection Based on Long Short-Term Memory and Gated Recurrent Unit, International Journal of Future Computer and Communication,8(1), 11-15. https://doi.org/10.18178/ijfcc.2019.8.1.532.

Silvanie, A., & Rino, S. (2022). Aplikasi Chatbot Untuk FAQ Akademik Di Ibi-K57 Dengan Lstm Dan Penyematan Kata, JIKO, 5(1), 19-27. DOI:10.33387/jiko.

Aju, C.N. (2020). Pemodelan Long Short Term Memory (LSTM) untuk Prakiraan Penjualan Berdasarkan Basis Data Penjualan Retail pada Kontrol Persediaan (Disertasi doktoral, IPB University).

Buchori, M & Tedjo, S. (2018). Peramalan Produksi Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA) Di PT. XYZ, Prozima, 2(1), 27-33. http://doi.org/10.21070/prozima.v2i1.1290.

Putri, E.S & Mujiono, S. (2021). Prediksi Penjualan Produk Untuk Mengestimasi Kebutuhan Bahan Baku Menggunakan Perbandingan LSTM dan ARIMA, 10(2), 162-171. https://doi.org/10.22441/format.2021.v10.i2.007.

Jaya, J.D. (2019). Peramalan Jumlah Populasi Sapi Potong di Kalimantan Selatan Menggunakan Metode Moving Average, Exponential Smoothing dan Trend Analysis. 6(1), 41-50. https://doi.org/10.34128/jtai.v6i1.88.

Sofi, K., Sunge, A. S., Riady, S. R., & Kamalia, A. Z. (2021). Perbandingan algoritma linear regression, LSTM, dan GRU dalam memprediksi harga saham dengan model time series. PROSIDING SEMINASTIKA, 3(1), 39-46. https://doi.org/10.47002/seminastika.v3i1.275

Arsi, P., Tri, A., Desty, R., Pungkas, S. (2022). Implementasi Sliding Window Algorithm pada Prediksi Kurs berbasis Neural Network, Journal of Computer and Information Technology, 6(1), 51-59. http://doi.org/10.25273/doubleclick.v6i1.13496.

Dong, L., Desheng, F., Xi, W., Wei, W., Robertas, D., Rafał, S., Marcin, W. (2020). Prediction of Streamflow Based on Dynamic Sliding Window LSTM, Water, 1-11. doi:10.3390/w12113032

Unduhan
Diterbitkan
2023-07-19
Terbitan
Vol 2 No 1: DESEMBER 2023 - MEI 2024
Bagian
Artikel
Lisensi

Hak Cipta (c) 2023 Jurnal Jaringan dan Teknologi Informasi

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Cara Mengutip

ANALISIS PERBANDINGAN METODE TIME SERIES FORECASTING UNTUK PREDIKSI PENJUALAN OBAT DI APOTEK (STUDI KASUS: KIMIA FARMA APOTEK TAKOMA). (2023). Jurnal Jaringan Dan Teknologi Informasi, 2(1), 96-106. https://doi.org/10.33387/jati.v2i1.62

Artikel Serupa

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.

Artikel paling banyak dibaca berdasarkan penulis yang sama

<< < 1 2