Perpustakaan Digital ITB

PT XYZ sebagai perusahaan telemedicine terkemuka menghadapi tantangan manajemen stok farmasi dengan lebih dari 6.000 SKU di lebih dari 200 farmasi. Proses peramalan permintaan masih dilakukan manual di Excel menggunakan metode moving average dan memerlukan 3–5 hari kerja per periode dengan akurasi yang rendah sehingga memicu overstock dan stockout. Penelitian ini mengembangkan sistem peramalan berbasis machine learning dengan target WMAPE di bawah 40% dan efisiensi waktu yang signifikan. Metodologi mengikuti CRISP-DM menggunakan data historis 2021–2024 sebanyak 10,5 juta baris dari 33 farmasi, dengan pendekatan komparatif antara model deret waktu klasik ARIMA, SARIMA, dan SARIMAX serta algoritma berbasis pohon Random Forest, XGBoost, dan LightGBM. Tahapan meliputi eksplorasi data, feature engineering, pemilihan farmasi representatif, dan optimasi hyperparameter, kemudian dievaluasi melalui time series cross-validation dan penerapan ke jaringan farmasi. Hasil menunjukkan keunggulan machine learning. XGBoost mencapai WMAPE 1,356% dan melampaui SARIMAX terbaik yang berada di 85,68%. Waktu pemrosesan menyusut dari 3–5 hari kerja menjadi sekitar 5 menit untuk 33 farmasi. Analisis ABC-XYZ menunjukkan risiko stockout dan overstock yang rendah pada lebih dari 90% produk serta performa yang terjaga di sebagian besar farmasi dengan WMAPE di bawah 5%. Temuan ini membuktikan bahwa machine learning mampu mentransformasi manajemen stok farmasi di PT XYZ dengan peningkatan akurasi dan efisiensi yang nyata serta siap untuk implementasi operasional skala penuh.