Analisis Prediksi Stok Obat Berdasarkan Data Historis Penjualan Menggunakan Model ARIMA (Autoregressive Integrated Moving Average)

Abstract

Permasalahan penumpukan obat kadaluwarsa dan kekurangan stok akibat ketidakakuratan estimasi kebutuhan menjadi kendala utama dalam pengelolaan persediaan di Toko Obat Basaria. Kondisi ini berdampak negatif pada efisiensi operasional dan kepuasan pelanggan. Penelitian ini bertujuan mengevaluasi kinerja model Autoregressive Integrated Moving Average (ARIMA) dan Seasonal Autoregressive Integrated Moving Average (SARIMA) dalam memprediksi penjualan obat. Pemilihan model didasarkan pada hasil dekomposisi komponen dataset: ARIMA digunakan jika dataset tidak menunjukkan pola musiman, sedangkan SARIMA dipertimbangkan jika pola musiman teridentifikasi. Selanjutnya, penelitian ini menganalisis akurasi kedua model menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE) untuk menentukan model prediksi terbaik yang akan digunakan memproyeksikan penjualan di masa mendatang. Data yang digunakan adalah deret waktu penjualan obat berdasarkan jenisnya, mencakup dataset penjualan Bodrex, Vitamin, dan Paramex. Hasil penelitian menunjukkan bahwa performa model optimal bervariasi untuk setiap jenis obat. Untuk dataset penjualan Bodrex, model ARIMA (1,0,0) memberikan akurasi terbaik dengan MAE (18.14), RMSE (22.16), dan MAPE (27.07%). Sementara itu, dataset penjualan Vitamin paling baik diprediksi oleh model SARIMA (1,0,2),(3,1,2)12 dengan MAE (18.92), RMSE (25.37), dan MAPE (47,68%). Untuk penjualan Paramex, model SARIMA (2,0,2),(1,1,2)12 menjadi yang terbaik dengan akurasi MAE (15.57), RMSE (26.13), dan MAPE (12.61%). Prediksi penjualan ini diharapkan dapat menjadi dasar yang akurat bagi Toko Obat Basaria dalam mengoptimalkan pengelolaan stok, mengurangi kerugian akibat obat kedaluwarsa, dan meningkatkan ketersediaan produk demi kepuasan pelanggan.