Analisa dan Perancangan Aplikasi Data Mining Untuk Prediksi Stok Obat pada Klinik XYZ

Forecasting is an important tool for making management planning and decision making. In this study, forecasting will help Klinik XYZ in making stock inventory decisions so that there won’t be any shortage or excess inventory. By utilizing data mining, the authors aim is to implement artificial neural network to predict drug stock inventories and also design an application that is able to apply forecasting using artificial neural network methods to predict drug stocks. Using an artificial neural network model with configurations of 5 neurons in the input layer, 3 hidden layers with 4, 3, and 4 neurons respectively, and 1 neuron in the output layer with a ReLU as its activation function and learning rate of 0.001, this application is able to presents forecasting results for the desired period accompanied by forecast error values ​​in the form of Mean Absolute Percentage Error. From the 4 types of products tested with a total sample of 24 periods from January 2017 to December 2018, artificial neural network models provide predictive results for September 2018 - December 2018 are: (1) for Amobiotic products are 593, 693, 584, and 632, (2) Loremid products are 97, 222, 161 and 137, (3) Meproson products are 599, 614, 398 and 401, (4) and Nikolam products are 215, 256, 290, and 338.Prediksi merupakan alat bantu yang penting untuk membuat perencanaan dan pengambilan keputusan manajemen. Dalam penelitian ini, prediksi akan membantu Klinik XYZ dalam pengambilan keputusan persediaan stok agar tidak terjadi kekurangan persediaan maupun berlebihan persediaan. Dengan memanfaatkan data mining, penulis bertujuan untuk mengimplementasikan jaringan syaraf tiruan untuk meramalkan persediaan stok obat dan juga merancang sebuah aplikasi yang mampu menerapkan prediksi menggunakan metode jaringan syaraf tiruan untuk meramalkan stok obat. Menggunakan model jaringan syaraf tiruan dengan konfigurasi yaitu 5 neuron pada lapisan input, 3 lapisan tersembunyi yang masing-masing memiliki 4, 3, dan 4 neuron, dan 1 neuron pada lapisan output dengan fungsi aktivasi ReLU dan learning rate sebesar 0.001, aplikasi ini mampu untuk menyajikan hasil prediksi pada periode yang diinginkan disertai dengan nilai galat prediksi dalam bentuk Mean Absolute Percentage Error. Dari 4 jenis produk yang diuji dengan total sampel sebanyak 24 periode dari Januari 2017 sampai Desember 2018, model jaringan syaraf tiruan memberikan hasil prediksi untuk bulan September 2018 – Desember 2018 adalah: (1) produk Amobiotic yaitu 593, 693, 584, dan 632, (2) produk Loremid yaitu 97, 222, 161, dan 137, (3) produk Meproson yaitu 599, 614, 398, dan 401, (4) produk Nikolam yaitu 215, 256, 290, dan 338