Implementasi Metode Time Series dalam Peramalan Penjualan Obat di Apotek XYZ Menggunakan Dashboard dalam Website Riycast

Implementation of Time Series Method in Drug Sales Forecasting at XYZ Pharmacy Using a Dashboard on the "Riycast" Website

Apotek XYZ menghadapi tantangan signifikan dalam pengelolaan stok obat akibat fluktuasi permintaan musiman yang tidak terduga, terutama selama musim flu, yang berpotensi menyebabkan kekurangan stok atau kelebihan persediaan. Penelitian ini mengimplementasikan metode Long Short-Term Memory (LSTM) untuk meramalkan penjualan obat berbasis time series dan mengembangkan dashboard berbasis web "Riycast" sebagai solusi interaktif manajemen stok. Data historis penjualan harian periode Januari 2021–Desember 2024 dari 10 jenis obat utama (termasuk multivitamin dan obat flu) diolah melalui tahapan CRISP-DM, meliputi pembersihan data, normalisasi, dekomposisi musiman, dan hyperparameter tuning dengan grid search. Model LSTM berhasil menangkap pola musiman dan tren dengan akurasi bervariasi (RMSE 0,11279–0,31552), tertinggi pada Ultraflu dan Vitalong Z Sinc. Dashboard Riycast—dibangun dengan framework Flask (backend), React.js (frontend), dan MySQL—menyediakan fitur kunci: input data penjualan real-time, visualisasi prediksi interaktif, analisis tren historis, dan notifikasi otomatis untuk lonjakan permintaan (>100 unit). Implementasi sistem ini meningkatkan efisiensi pengelolaan stok sebesar 30% dalam simulasi uji coba, mengurangi risiko stockout hingga 25%, serta mendukung pengambilan keputusan strategis berbasis data di Apotek XYZ. 

Apotek XYZ faces significant challenges in drug stock management due to unpredictable seasonal demand fluctuations, particularly during flu season, which risks stock shortages or excess inventory. This study implements a Long Short-Term Memory (LSTM) method for time-series-based drug sales forecasting and develops the "Riycast" web dashboard as an interactive stock management solution. Historical daily sales data (January 2021–December 2024) for 10 key drugs (e.g., multivitamins, flu medications) were processed through CRISP-DM stages including data cleansing, normalization, seasonal decomposition, and hyperparameter tuning via grid search. The LSTM model captured seasonal patterns and trends with variable accuracy (RMSE 0.11279–0.31552), peaking for Ultraflu and Vitalong Z Sinc. The Riycast dashboard built with Flask (backend), React.js (frontend), and MySQL features real-time sales data input, interactive prediction visualizations, historical trend analysis, and automatic surge alerts (>100 units). Implementation boosted stock management efficiency by 30% in trials, reduced stockout risk by 25%, and enabled data-driven decisionmaking at Apotek XYZ.