Prediksi Kebutuhan Bahan Medis Habis Pakai (BMHP) Menggunakan Long Short-Term Memory Untuk Optimalisasi Pengadaan di RSUD Latemmamala Soppeng

ANDI ICHWAN FARMAWAN. Prediksi Kebutuhan Bahan Medis Habis Pakai (BMHP) Menggunakan Long Short-Term Memory Untuk Optimalisasi Pengadaan di RSUD Latemmamala Soppeng (dibimbing oleh Dr. Ir. Ingrid Nurtanio, M.T.). Latar belakang. Perencanaan kebutuhan Bahan Medis Habis Pakai (BMHP) di RSUD Latemmamala Soppeng masih dilakukan secara manual berdasarkan data tahun sebelumnya, sehingga berisiko menimbulkan ketidaksesuaian antara jumlah pengadaan dan kebutuhan aktual. Kondisi ini dapat menyebabkan terjadinya stockout maupun overstock yang berdampak pada efisiensi anggaran dan kelancaran pelayanan kesehatan. Tujuan. Penelitian ini bertujuan untuk membangun dan mengevaluasi model prediksi kebutuhan BMHP berbasis Long Short-Term Memory (LSTM) guna mendukung optimalisasi pengadaan. Metode. Data historis penggunaan BMHP periode Januari 2019-Desember 2024 dianalisis menggunakan Average Demand Interval (ADI) dan Coefficient of Variation Squared (CV²). Item dengan pola smooth dan erratic kemudian dikelompokkan menggunakan K-Means dengan jumlah cluster optimal K = 5 berdasarkan Elbow Method. Model LSTM dibangun pada setiap cluster dengan optimasi hyperparameter menggunakan Bayesian Optimization. Evaluasi dilakukan pada data uji 12 bulan menggunakan MAE, MAE%, dan MASE pada tingkat bulanan maupun triwulan. Hasil. Dari 1.724 item awal diperoleh 92 item dengan pola permintaan smooth dan erratic yang digunakan dalam pemodelan. Hasil evaluasi bulanan menunjukkan bahwa seluruh cluster memiliki nilai MASE di bawah 1 (0,69-0,77), yang berarti model LSTM menghasilkan prediksi yang lebih baik dibandingkan metode naïve musiman. Berdasarkan MAE%, performa terbaik diperoleh pada cluster 3 (15,58%), sedangkan tertinggi pada cluster 1 (58,75%). Pada evaluasi triwulan, cluster 3 tetap menunjukkan performa terbaik dengan nilai MASE 0,62 dan MAE% 8,42%. Sebaliknya, nilai MAE% tertinggi diperoleh cluster 1 (40,80%), sedangkan nilai MASE tertinggi diperoleh cluster 4 (1,04). Perbedaan performa ini dipengaruhi oleh karakteristik data, di mana pola yang lebih stabil menghasilkan error yang lebih rendah dibandingkan pola yang lebih fluktuatif serta volume penggunaan yang rendah. Kesimpulan. Model LSTM yang dikembangkan dapat mempelajari pola penggunaan BMHP pada setiap cluster dan menghasilkan prediksi berdasarkan data historis penggunaan. Meskipun masih terbatas dalam menangkap perubahan penggunaan yang terjadi secara tiba-tiba, model ini berpotensi digunakan sebagai pendekatan berbasis data untuk mendukung perencanaan pengadaan BMHP di RSUD Latemmamala Soppeng.