Pengaruh metode penghalusan Whittaker Henderson pada peramalan data stok obat menggunakan metode Long Short Term Memories (LSTM) dan Gated Recurrent Unit (GRU)

ABI MAHAN ZAKY, Adhistya Erna Permanasari, S.T., M.T., Ph.D. ; Dr.Eng. Silmi Fauziati, S.T., M.T.

2019 | Tesis | MAGISTER TEKNOLOGI INFORMASI

Persediaan stok obat pada Rumah Sakit adalah salah satu faktor yang sangat penting. Namun begitu, masih sering terjadi masalah dikarenakan belum adanya metode yang baku dalam rangka pemenuhan stok obat. Hal ini disebabkan oleh Rumah Sakit yang pada umumnya menentukan jumlah stok obat hanya berdasar pada pengalaman sebelumnya dan perhitungan statistik sederhana. Penggunaan metode tersebut kurang maksimal, karena hasil dari perhitungan tersebut terkadang kurang akurat jika digunakan untuk penentuan stok obat. Oleh karena itu, untuk membantu menganalisa pemakaian obat, serta perencanaan dan pengendalian obat, maka diterapkan metode data mining. Salah satu metode data mining yang dapat digunakan untuk menyelesaikan masalah tersebut adalah metode forecasting. Diantara banyak algoritme forecasting, metode Recurrent Neural Network (RNN) dengan model Long Short Term Network (LSTM) dan Gated Recurrent Unit (GRU) merupakan algoritme yang populer dan banyak digunakan. Pada metode RNN mensyaratkan dilakukannya tahap pra-pemrosesan data sebelum dilakukan proses pelatihan. Salah satu tahap dalam pra-pemrosesan adalah proses penghalusan data. Pada penelitian ini, berfokus pada perbandingan hasil prediksi dengan menggunakan metode RNN yang menggunakan penghalusan Whittaker Henderson (WH) dan tanpa menggunakan penghalusan. Selain itu, hasil penelitian juga akan dibandingkan dengan penelitian sebelumnya yang menggunakan metode Artificial Neural Network (ANN) dengan model Feed Forward Neural Network (FFNN) dengan menggunakan dua dataset runtun waktu yang sama. Hasil penelitian ini menunjukkan bahwa penerapan metode penghalusan WH pada tahap pra-pemrosesan dari metode RNN memberi pengaruh terhadap akurasi prediksi LSTM dan GRU. Pengukuran akurasi prediksi dilakukan dengan menghitung nilai Mean Square Error (MSE). Hasil MSE terbaik untuk dataset 1 adalah dengan menggunakan metode LSTM+WH dengan nilai MSE 163,553793. Pada dataset 2 nilai MSE terbaik adalah 8,859619 dengan menggunakan metode GRU+WH.

The supply of medicinal stock in Hospital is one of the most important factors. However, there is still a problem because there is no standard method in the fulfillment of drug stock. This is due to Hospital which generally determines the amount of drug stock based only on previous experience and simple statistical calculations. The use of the method is less than optimal, because the results of the calculations are sometimes less accurate when used for the determination of drug stock. Therefore, to help analyze the use of drugs, as well as to planning and control the drug stock, then applied data mining method. One of the data mining method that can be used to solve the problem is the forecasting method. This method is grouping data per item into smaller groups where each group has an essential equation. Among the many forecasting algorithms, LSTM and GRU is one of the most popular and widely used algorithms. From the results of these calculations, we can obtain results in the form of information about which drug group is the fastest drug runs out, and that does not quickly run out in every month. The data used are drug stock data at Dr. Soeparwi Animal Hospital year 2015. These results can be used to control the stock of drugs in the Hospital more effectively and efficiently.

Kata Kunci : Peramalan, Stok Obat, ANN, LSTM, GRU