Pemanfaatan Model Deep Learning Untuk Memprediksi Kebutuhan Jarum Suntik di Rumah Sakit

Abstract

Manajemen persediaan alat kesehatan merupakan aspek penting dalam menjaga kelancaran pelayanan medis, terutama pada ketersediaan jarum suntik yang menjadi alat esensial dalam kegiatan perawatan pasien. Ketidakseimbangan antara permintaan dan stok sering menyebabkan kekurangan maupun kelebihan persediaan. Penelitian ini bertujuan untuk mengembangkan model prediksi kebutuhan jarum suntik di Rumah Sakit Universitas Islam Indonesia dengan menerapkan metode Long Short-Term Memory (LSTM) serta membandingkannya dengan metode Auto Regressive Integrated Moving Average (ARIMA). Data yang digunakan terdiri dari 546 catatan penjualan harian jarum suntik Spuit BD 10cc di bagian rawat inap selama periode Januari 2024 hingga Juni 2025. Sebelum pemodelan, data diproses melalui normalisasi agar sesuai dengan kebutuhan algoritma. Model LSTM dibangun untuk memprediksi kebutuhan tujuh hari ke depan, sedangkan ARIMA digunakan sebagai pembanding metode statistik konvensional. Evaluasi dilakukan menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil menunjukkan bahwa model LSTM memiliki tingkat akurasi yang lebih tinggi dengan nilai RMSE sebesar 13,78 dan MAPE 10,37%, sedangkan ARIMA menghasilkan RMSE sebesar 222,12 dan MAPE 70,79%. Temuan ini membuktikan bahwa LSTM lebih unggul dalam mengenali pola non-linier dan fluktuasi permintaan alat medis. Model ini diharapkan dapat membantu rumah sakit dalam perencanaan pengadaan yang lebih efisien dan mengurangi risiko kekurangan stok alat kesehatan.