Perpustakaan Digital ITB

Kementerian Kesehatan Republik Indonesia menekankan pentingnya pengelolaan inventaris obat yang akurat di fasilitas kesehatan termasuk rumah sakit untuk menjamin ketersediaan obat dan efisiensi biaya. Pengelolaan inventaris obat yang adaptif dan akurat di rumah sakit menjadi tantangan utama dalam menjamin kelancaran layanan kesehatan, khususnya di tengah fluktuasi permintaan, perubahan musim, serta dinamika penyakit yang terus berubah. Selama ini, mayoritas rumah sakit di Indonesia masih mengandalkan metode perencanaan berbasis data historis sederhana, tanpa mempertimbangkan faktor eksternal lainnya seperti cuaca yang dapat memicu lonjakan kebutuhan obat secara tiba-tiba. Ketergantungan pada pendekatan konvensional ini kerap menyebabkan overstock, stockout, hingga tingginya risiko kadaluarsa obat yang berpotensi mengganggu keselamatan pasien dan efisiensi operasional. Menjawab tantangan tersebut, penelitian ini bertujuan mengembangkan sebuah sistem predictive analytics untuk prediksi kebutuhan obat berbasis machine learning dengan pendekatan feature-level fusion. Model yang dikembangkan dengan mengintegrasikan data historis penggunaan obat serta data eksternal berupa cuaca harian yang diperoleh dari layanan open weather API. Studi kasus dilakukan di Rumah Sakit selama periode Januari hingga Desember 2024. Metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining) digunakan sebagai kerangka utama pengembangan, meliputi pemahaman bisnis, eksplorasi data historis dan eksternal, integrasi data menggunakan feature-level fusion, pemodelan machine learning, evaluasi model dengan metrik evaluasi, serta implementasi ke sistem manajemen inventaris berbasis web. Implementasi model dilakukan dengan menggunakan algoritma XGBoost yang dikenal unggul dalam pemodelan tabular dan mampu mengakomodasi fitur numerik, kategorikal, serta deret waktu secara bersamaan. Proses pengujian model melibatkan evaluasi dengan metrik MAE, RMSE, dan R² yang mana menghasilkan tingkat akurasi yang tinggi dan kemampuan model dalam mengikuti pola kebutuhan obat baik pada periode normal maupun lonjakan musiman. Hasil pengujian menunjukkan MAE sebesar 409.51, RMSE sebesar 1178.46, dan R² sebesar 0.8960, yang mengindikasikan model mampu menjelaskan hampir 90% variasi aktual kebutuhan obat. Model juga diintegrasikan ke dalam dashboard prediksi berbasis web untuk memudahkan tim farmasi dalam melakukan pemantauan dan pengambilan keputusan pengadaan obat secara proaktif. Analisis hasil penelitian memperlihatkan bahwa integrasi data eksternal seperti cuaca mampu meningkatkan ketahanan prediksi terhadap fluktuasi permintaan yang tidak terprediksi dari data historis semata. Selain itu, model yang diusulkan efektif dalam membantu rumah sakit mengantisipasi risiko overstock dan stockout, serta meningkatkan efisiensi distribusi dan perencanaan pengadaan obat. Dengan pendekatan feature-level fusion dan pemanfaatan machine learning XGBoost, penelitian ini diharapkan dapat memberikan insight baru bagi pengelola rumah sakit untuk mengoptimalkan perencanaan stok obat, meminimalkan risiko kekurangan atau kelebihan stok, serta meningkatkan efisiensi pengelolaan obat. Selain itu, pendekatan feature-level fusion yang diusulkan dapat menjadi referensi untuk pengembangan model prediksi serupa di sektor kesehatan lainnya.