Prediksi Permintaan Barang Berbasis Data Mining Menggunakan XGBoost (Studi Kasus : Puskesmas Pegajahan Serdang Bedagai)

Abstrak

Perkembangan teknologi komputerisasi mendorong transformasi digital di berbagai sektor, termasuk bidang kesehatan. Pusat Kesehatan Masyarakat (Puskesmas) sebagai fasilitas layanan kesehatan tingkat pertama memerlukan sistem prediksi yang akurat untuk mendukung perencanaan kebutuhan barang medis. Penelitian ini menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk memprediksi permintaan barang berdasarkan data historis persediaan, pemakaian, dan sisa stok di Puskesmas Pegajahan Serdang Bedagai. Evaluasi kinerja model dilakukan menggunakan Mean Squared Error (MSE). Hasil pengujian menunjukkan bahwa model XGBoost mampu memberikan performa yang baik pada beberapa jenis produk dengan tingkat error yang relatif kecil, khususnya Antasida DOEN I tablet kunyah, Antasida DOEN II suspensi, Amoksilin sirup kering 125 mg/5 mg, Alkohol Swabs, serta alat suntik sekali pakai, yang memiliki selisih prediksi mendekati nilai permintaan aktual. Secara keseluruhan, model menghasilkan nilai MSE sebesar 558.882,1, yang menunjukkan bahwa kesalahan prediksi masih dalam batas yang dapat diterima. Dengan demikian, algoritma XGBoost dapat digunakan sebagai alat bantu pengambilan keputusan pengadaan barang medis guna meminimalkan risiko kelebihan maupun kekurangan stok serta meningkatkan efisiensi pengelolaan logistik di Puskesmas.