Prediksi Kecenderungan Penyakit Berdasarkan Kebutuhan Obat Menggunakan Metode Long Short-Term Memory

Penjualan obat dapat memberikan gambaran mengenai pola kebutuhan obat yang berkaitan dengan kecenderungan penyakit pada suatu periode. Namun, data transaksi penjualan obat yang bersifat deret waktu perlu diolah dan dianalisis agar pola historisnya dapat dimanfaatkan untuk menghasilkan prediksi. Penelitian ini bertujuan membangun model prediksi kecenderungan penyakit menggunakan metode Long Short-Term Memory (LSTM) dengan pendekatan klasifikasi multikelas berdasarkan data transaksi penjualan obat. Data yang digunakan merupakan data transaksi penjualan obat dari Distributor Sakti periode Januari 2023 hingga Desember 2024. Tahapan penelitian meliputi preprocessing data, pengelompokan obat ke dalam enam kategori penyakit, agregasi data secara mingguan, normalisasi, pembentukan sliding window, pembangunan model LSTM, serta evaluasi hasil prediksi. Model menggunakan empat time step sebagai informasi historis untuk memprediksi kategori penyakit dominan pada periode berikutnya. Arsitektur model terdiri atas satu lapisan LSTM dengan 64 unit dan lapisan Dense dengan enam keluaran sesuai dengan jumlah kategori penyakit. Evaluasi model dilakukan menggunakan Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa model LSTM mampu melakukan prediksi kecenderungan penyakit berdasarkan pola kebutuhan obat dengan tingkat accuracy sebesar 83,33%, dengan 10 dari 12 periode pengujian berhasil diprediksi dengan benar. Hasil tersebut menunjukkan bahwa pola transaksi penjualan obat dapat dimanfaatkan sebagai dasar untuk memprediksi kategori penyakit yang dominan pada periode berikutnya menggunakan pendekatan LSTM.