Abstract
Abstract: Effective drug inventory management in hospital pharmacies requires accurate demand planning to minimize the risks of drug shortages and excess inventory. Historical drug transaction data stored in a Hospital Information System (SIMRS) can be utilized as a basis for predicting drug requirements for subsequent periods. This study aims to develop a drug demand prediction model using the Random Forest Regression method based on historical drug transaction data from a hospital pharmacy. The dataset consists of drug transaction records from August 2024 to December 2025 obtained from the hospital information system. The data were processed through preprocessing stages, including data cleaning, missing-value checking, duplicate detection, transaction validation, and monthly aggregation of drug usage. Subsequently, feature engineering was performed by generating historical usage features in the form of lag variables and moving averages as model inputs. The dataset was divided chronologically into training and testing sets to prevent data leakage. The Random Forest Regression model was employed to predict drug requirements for the subsequent period and evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Weighted Absolute Percentage Error (WAPE). The results indicate that a historical transaction-based approach can be used to estimate drug requirements and provide supporting information for inventory planning in hospital pharmacies. The integration of the prediction model into SIMRS can further support pharmacy staff in planning drug requirements based on historical usage patterns Keyword: drug demand prediction, Random Forest Regression, hospital information system, hospital pharmacy, machine learning, drug transactions Abstrak: Pengelolaan persediaan obat di instalasi farmasi rumah sakit memerlukan perencanaan kebutuhan yang tepat untuk mengurangi risiko kekurangan maupun kelebihan stok. Pemanfaatan data historis transaksi obat pada Sistem Informasi Manajemen Rumah Sakit (SIMRS) dapat digunakan sebagai dasar untuk memprediksi kebutuhan obat pada periode berikutnya. Penelitian ini bertujuan untuk mengembangkan model prediksi kebutuhan obat menggunakan metode Random Forest Regression berbasis data historis transaksi obat pada instalasi farmasi rumah sakit. Data penelitian berupa transaksi obat pada periode Agustus 2024 sampai Desember 2025 yang diperoleh dari sistem SIMRS. Data melalui tahapan preprocessing yang meliputi pembersihan data, pemeriksaan data kosong, duplikasi, validasi transaksi, dan agregasi penggunaan obat secara bulanan. Selanjutnya dilakukan feature engineering dengan membentuk fitur historis berupa lag penggunaan obat dan moving average sebagai variabel masukan model. Data dibagi secara kronologis menjadi data pelatihan dan pengujian untuk menghindari data leakage. Model Random Forest Regression digunakan untuk menghasilkan prediksi kebutuhan obat pada periode berikutnya dan dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Weighted Absolute Percentage Error (WAPE). Hasil penelitian menunjukkan bahwa pendekatan berbasis pola historis transaksi dapat digunakan untuk menghasilkan estimasi kebutuhan obat dan memberikan informasi pendukung bagi perencanaan persediaan pada instalasi farmasi. Implementasi model pada SIMRS dapat dikembangkan sebagai sistem pendukung keputusan untuk membantu petugas farmasi dalam melakukan perencanaan kebutuhan obat berdasarkan pola penggunaan historis Kata kunci: prediksi kebutuhan obat, Random Forest Regression, SIMRS, instalasi farmasi, machine learning, transaksi obat
