JURNAL ILMU KOMPUTER (JUIK) - VOL.
5 NO.
3 OCTOBER 2025
ANALISIS DATA PENJUALAN OBAT BPJS MENGGUNAKAN METODE
DIFERENSIAL DAN STRATEGI D-CRM
Rizky Maulia1*.
Titin Wahyuni2.
Fahrim Irhamna Rahman4
1,2,3
Informatika Universitas Muhammadiyah Makassar Corresponding: rizkymaulia32@gmail.
Submitted: 01-08-2025.
Accepted: 03-10-2025.
Published: 30-10-2025 Submitted: DD-MM-y.
Accepted: DD-MM-y.
Published: DD-MM-y ABSTRACT This study aims to analyze BPJS drug sales data using a differential method integrated with a Digital Customer Relationship Management (D-CRM) strategy to support more efficient drug inventory management.
Transaction data from the Program Rujuk Balik (PRB) patients at Kimia Farma Cendrawasih Pharmacy for the period of January 2022AeJuly 2024 were used as the research object.
The differential method calculates i1 and i2 to detect changes in drug sales trends, while the RFMbased (Recency.
Frequency.
Monetar.
D-CRM strategy is applied to segment patients and identify consumption patterns.
The results indicate that this approach provides a comprehensive overview of drug demand trends and patient behavior.
The simple prediction model based on Qty i1 i2 achieves high accuracy, with MAE of 1.
MSE of 92.
32, and MAPE of 35%, indicating a relatively low prediction error and suitability for inventory planning.
The integration of differential analysis and D-CRM has proven effective in supporting targeted drug procurement and improving pharmaceutical service quality for BPJS patients.
Keyword: Differential analysis.
D-CRM.
RFM, drug sales prediction.
BPJS.
ABSTRAK
Penelitian ini bertujuan untuk menganalisis data penjualan obat BPJS menggunakan metode diferensial yang terintegrasi dengan strategi Digital Customer Relationship Management (D-CRM) guna mendukung pengelolaan stok obat yang lebih Data transaksi pasien Program Rujuk Balik (PRB) di Apotek Kimia Farma Cendrawasih periode Januari 2022AeJuli 2024 digunakan sebagai objek penelitian.
Metode diferensial menghitung i1 dan i2 untuk mendeteksi perubahan tren penjualan obat, sedangkan strategi D-CRM berbasis RFM (Recency.
Frequency.
Monetar.
digunakan untuk melakukan segmentasi pasien dan mengidentifikasi pola konsumsi.
Hasil penelitian menunjukkan bahwa metode ini mampu memberikan gambaran menyeluruh terkait tren permintaan obat dan perilaku pasien.
Model prediksi sederhana berbasis Qty i1 i2 menghasilkan akurasi tinggi dengan MAE 1,35.
MSE 92,32, dan MAPE 3,35%, yang menandakan kesalahan prediksi relatif kecil dan layak dijadikan acuan perencanaan stok.
Integrasi analisis diferensial dan D-CRM terbukti efektif untuk mendukung pengadaan obat yang tepat sasaran serta meningkatkan kualitas pelayanan farmasi bagi pasien BPJS.
Keywords: Analisis diferensial.
D-CRM.
RFM, prediksi penjualan obat.
BPJS.
PENDAHULUAN
Layanan kesehatan merupakan salah satu elemen vital dalam pembangunan manusia, terutama dalam menjamin produktivitas dan kesejahteraan masyarakat.
Di Indonesia, program Jaminan Kesehatan Nasional (JKN) yang dikelola oleh BPJS Kesehatan telah menjadi fondasi utama dalam menyediakan akses layanan kesehatan yang merata.
Saat ini pasien yang berobat di rumah sakit sebagian besar menggunakan Jaminan Kesehatan Nasional (JKN) yang diselenggarakan oleh BPJS Kesehatan pada beberapa rumah sakit dengan angka pengguna mencapai lebih dari 80%.
Temuan ini juga sejalan dengan studi lain yang mengindikasikan implementasi program JKN telah menjangkau sebagian besar layanan rumah sakit tanpa membedakan status peserta.
Sistem ini masih menghadapi tantangan besar dalam aspek manajemen logistik dan distribusi obat.
Permasalahan seperti ketidaktepatan dalam pengelolaan stok, prediksi permintaan obat yang tidak akurat, serta keterlambatan pelayanan menjadi hambatan yang sering muncul.
Analisis berkelanjutan terhadap data penggunaan obat dengan menyatakan bahwa penggunaan obat perlu dianalisa setiap saat, sehingga dapat membantu memperkirakan kebutuhan yang akan datang.
Ketersediaan stok yang cukup diharapkan dapat mempercepat pelayanan kepada pasien sehingga tidak menunggu lama.
Volume transaksi penjualan obat yang https://journal.
id/index.
php/juik/index e-ISSN:2774-924004 terus meningkat setiap tahun, menghasilkan data dalam jumlah besar yang dapat dimanfaatkan untuk mendukung pengambilan keputusan.
Namun, sistem pengendalian persediaan obat BPJS kategori AE masih menggunakan metode konvensional seperti ABC dan VEN, yang kurang adaptif terhadap dinamika permintaan Metode tersebut belum sepenuhnya mendukung pengambilan keputusan yang cepat dan berbasis data realtime.
Pendekatan matematis seperti analisis diferensial dapat digunakan untuk memetakan perubahan volume data penjualan obat dalam rentang waktu tertentu.
Di sisi lain, penerapan Digital Customer Relationship Management (D-CRM) dapat membantu memahami perilaku pasien serta meningkatkan interaksi berbasis data antara pasien dan penyedia layanan kesehatan.
Efektivitas kombinasi analisis diferensial dan D-CRM dalam meningkatkan efisiensi penjualan dan memperkuat hubungan pelanggan telah dibuktikan dalam sektor UMKM oleh-oleh.
Dukungan terhadap strategi berbasis data juga diperkuat oleh penggunaan algoritma data mining seperti Apriori dan FP-Growth yang terbukti efektif dalam menemukan pola pembelian obat serta membantu pengaturan stok secara efisien.
Penelitian ini bertujuan untuk menganalisis data penjualan obat BPJS menggunakan metode diferensial dan strategi Digital Customer Relationship Management (D-CRM) Berdasarkan pengamatan awal yang penulis lakukan di Apotek Kimia Farma Cendrawasih sebagai lokasi penelitian, sistem pengelolaan data penjualan obat pasien BPJS masih dilakukan secara konvensional tanpa adanya pemanfaatan data historis secara mendalam.
Hal ini menyebabkan belum adanya sistem prediksi permintaan obat yang akurat dan berbasis data.
Selain itu, belum diterapkan metode matematis seperti analisis diferensial maupun pendekatan segmentasi pasien berbasis digital (D-CRM).
Akibatnya, proses pengadaan dan distribusi obat cenderung bersifat reaktif, dan potensi terjadinya kekosongan stok atau keterlambatan pelayanan kepada pasien tetap tinggi.
Oleh karena itu, penelitian ini diarahkan untuk menerapkan pendekatan berbasis data yang lebih adaptif terhadap kebutuhan riil di lapangan.
METODE PENELITIAN
Objek Penelitian Objek penelitian adalah data transaksi penjualan obat pasien Program Rujuk Balik (PRB) yang ditanggung oleh BPJS di Apotek Kimia Farma Cendrawasih.
Makassar.
Data mencakup tanggal pengambilan obat, kode/nama obat, jumlah pembelian, harga satuan, serta identitas pasien, yang dikumpulkan dalam bentuk file digital dari sistem informasi apotek.
Metode Penelitian Penelitian ini menggunakan pendekatan kuantitatif deskriptif yang bertujuan untuk menganalisis dan menjelaskan pola penjualan obat yang ditanggung oleh BPJS.
Metode yang digunakan dalam penelitian ini mengombinasikan dua pendekatan utama.
Pertama, metode analisis diferensial digunakan untuk menghitung perubahan jumlah pembelian obat antar minggu serta mengidentifikasi kecenderungan atau tren penjualan dari waktu ke waktu.
Kedua, strategi Digital Customer Relationship Management (D-CRM) diterapkan dengan pendekatan RFM (Recency.
Frequency.
Monetar.
untuk menganalisis perilaku pasien berdasarkan riwayat Pendekatan RFM memungkinkan pengelompokan pasien ke dalam beberapa kategori, seperti pasien aktif, loyal, maupun tidak aktif, sehingga dapat dijadikan dasar dalam perencanaan strategi layanan apotek yang lebih tepat sasaran.
https://journal.
id/index.
php/juik/index Gambar 1.
Tahapan penelitian Tahapan Perhitungan Metode Analisis Diferensial dan D-CRM Penelitian ini menggabungkan dua pendekatan utama, yaitu analisis diferensial untuk memprediksi tren penjualan obat berdasarkan data historis bulanan, serta metode Digital Customer Relationship Management (DCRM) berbasis model RFM (Recency.
Frequency.
Monetar.
untuk melakukan segmentasi pasien berdasarkan perilaku pembeliannya.
Kedua metode ini dilakukan secara bertahap untuk memberikan gambaran menyeluruh terhadap kondisi penjualan dan perilaku konsumen.
Tahapan Perhitungan Metode Analisis Diferensial Metode analisis diferensial digunakan untuk mengetahui perubahan tren penjualan dari bulan ke bulan, serta untuk memperkirakan jumlah penjualan bulan berikutnya berdasarkan tren yang terbentuk.
Berikut adalah tahapan Menghitung OI! (Delta Sat.
OI! merupakan perubahan jumlah penjualan antara bulan berjalan dengan bulan sebelumnya:
i! = ycU" Oe ycU"#! .
Di mana:
yc" = Jumlah Penjualan pada bulan ke-t yc" = Jumlah penjualan pada bulan sebelumnya Menghitung OI$ (Delta Du.
https://journal.
id/index.
php/juik/index OI$ merupakan perubahan dari nilai OI! , yang dingunakan untuk mengamati percepatsn atau perlambatan tren:
i$ = ycU"#! Oe ycU"#$ .
Prediksi Penjualan Bulan Berikutnya Nilai prediksi untuk bulan ke-t 1 dihitung dengan menjumlahkan nilai saat ini dengan OI! dan OI$ .
ycU' "%! = ycU" i! i$ .
Evaluasi Akurasi Prediksi Untuk mengukur keakuratan prediksi, digunakan tiga indikator evaluasi, yaitu MAE (Mean Absolute Erro.
MAPE (Mean Absolute Percentage Erro.
, dan RMSE (Root Mean Squared Erro.
Berikut adalah rumusnya:
ycAyaya = & Oc&')!.
c' Oe yc.
( | .
ycAyaycEya = !**% , #,-" Oc&')! 0 ! .
ycIycAycIya = 3& Oc&')!.
c' Oe yc.
( )$ .
HASIL DAN PEMBAHASAN
Pengumpulan Data Data yang digunakan dalam penelitian ini diperoleh dari Apotek Kimia Farma Cendrawasih, yang merupakan salah satu fasilitas pelayanan farmasi peserta Program Rujuk Balik (PRB) BPJS Kesehatan.
Dataset mencakup periode Januari 2022 hingga Juni 2024, dengan format file Microsoft Excel yang berisi informasi transaksi pengambilan obat oleh pasien penyakit kronis.
Setiap transaksi memuat atribut penting seperti nomor transaksi, tanggal pengambilan obat (Tgl LIPH), nama pasien, kode obat (SAP), nama obat, jumlah pembelian (Qt.
, harga satuan, dan total harga.
Struktur data yang diperoleh menunjukkan bahwa satu transaksi dapat terdiri dari beberapa jenis obat, namun hanya baris pertama yang mencantumkan informasi lengkap pasien, sementara baris-baris berikutnya kosong.
Hal ini menyebabkan struktur data bersifat mentah dan tidak dapat langsung digunakan dalam analisis, seperti yang ditunjukkan pada Tabel 1 berikut:
Tabel 1.
Data Mentah Transaksi Penjualan Obat No.
No.
Transaksi No.
Resep
Tgl
Nama LIPH Pasien
T1111PT0277 36728513/1/3112202 12/31/
NURU
3/190951629
https://journal.
id/index.
php/juik/index Kode
Nama Obat
SAP
Qty 13085 AMLODIPINE 10MG
206 TAB@100 GSAM BPJS
Harga/ Obat No.
No.
Transaksi No.
Resep
Tgl
Nama LIPH Pasien
Kode
Nama Obat
SAP
Qty METFORMIN TAB 500
MG @200 TAB
(HEXA)
MUH.
ILHAM
T1111PT0277 36728513/1/3112202 12/31/
13078 DEPAKOTE ER
MUBA
3/174329752
390 500MG TAB@100
RAK
ARIF
T1111PT0277 36728513/1/3112202 12/31/
3/173944078
T1111PT0277 36728513/1/3112202 12/31/
3/173143769
T1111PT0277 36728513/1/3112202 12/31/
3/173047774
T1111PT0277 36728559/1/3112202 12/31/
3/132233057
VITAMIN B1
100MGTAB(SUPL)(DU 30
S100TAB)-BJN
METFORMIN TAB 500
SUDAR
MG @200 TAB
MI.
(HEXA)
13000 LANTUS SOLOSTER
221 PEN BPJS
VITAMIN B
KOMPLEKS(SPLMN)( 30
DUS100TAB)-BJN
JUHAR
13027 RAMIPRIL 5MG
608 TAB@100 GDX BPJS
HASBI
13000 HERBESSER CD
023 100MG CAP@100BPJS
VITAMIN B
KOMPLEKS(SPLMN)( 30
DUS100TAB)-BJN
JOHAN
11001 AMLODIPINE 10 MG
WANS 449 (DUS 50 TAB)-BJN
VITAMIN B
KOMPLEKS(SPLMN)( 30
DUS100TAB)-BJN
MURNI
ATI
11001 AMLODIPINE 5 MG
YUNU 448 (DUS 50 TAB)-BJN
13067 SIMVASTATIN 10MG
052 TAB@100 GHX BPJS
VITAMIN B
KOMPLEKS(SPLMN)( 30
DUS100TAB)-BJN
Harga/ Obat https://journal.
id/index.
php/juik/index No.
No.
Transaksi No.
Resep
Tgl
Nama LIPH Pasien
Kode
Nama Obat
SAP
Qty METFORMIN TAB 500
MG @200 TAB
(HEXA)
VITAMIN B
11001 KOMPLEKS(SPLMN)(
571 DUS100TAB)-BJN
Catatan: Data hanya ditampilkan sebagian.
Dataset lengkap berjumlah 108.
891 entri.
Harga/ Obat Pra-pemrosesan Data Tahapan pra-pemrosesan dilakukan untuk membersihkan dan menyiapkan data agar dapat dianalisis secara Permasalahan utama pada data mentah meliputi nilai kosong, format tanggal yang tidak seragam, serta penulisan nama kolom yang tidak sesuai standar analisis.
Untuk mengatasinya, dilakukan pengisian nilai kosong pada kolom No_Transaksi.
Tgl_LIPH, dan Nama_Pasien menggunakan metode forward-fill, konversi format tanggal menjadi tipe datetime, serta standarisasi nama kolom dengan mengganti spasi menjadi garis bawah (_).
Hasil dari proses ini adalah data yang bersih, konsisten, dan siap digunakan dalam tahap analisis lebih lanjut seperti agregasi penjualan, identifikasi tren, segmentasi pasien, dan prediksi permintaan obat.
Struktur data hasil pra-pemrosesan ditampilkan pada Tabel 2 berikut.
Tabel 2.
Data Transaksi Setelah Dibersihkan dan Dirapihkan No.
No.
Transaksi No.
Resep
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
https://journal.
id/index.
php/juik/index Tgl
Nama LIPH Pasien
00:00: NURUN
00:00: NURUN
MUH.
2023- ILHAM
12-31 MUBAR
00:00:
ARIF
MUH.
2023- ILHAM
12-31 MUBAR
00:00:
ARIF
00:00: SUDAR
MI.
2023- SUDAR
MI.
Kode
SAP
Nama Obat
AMLODIPINE 10MG
TAB@100 GSAM BPJS
METFORMIN TAB 500
MG @200 TAB (HEXA)
DEPAKOTE ER 500MG
TAB@100
VITAMIN B1
11001 100MGTAB(SUPL)(DUS10
0TAB)-BJN
METFORMIN TAB 500
MG @200 TAB (HEXA)
Qt Harga/O y bat
13000 LANTUS SOLOSTER PEN
BPJS
T1111PT027751
36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027751 36728513/1/31122023/1
T1111PT027745 36728559/1/31122023/1
T1111PT027745 36728559/1/31122023/1
T1111PT027745 36728559/1/31122023/1
T1111PT027745 36728559/1/31122023/1
T1111PT027745 36728559/1/31122023/1
8 T1111PT021372 24176679/1/01122022/1
00:00:
00:00: SUDAR 11001
MI.
00:00: JUHARI 13027
00 S HASBI 608
00:00: JUHARI 13000
00 S HASBI 023
00:00: JUHARI 11001
00 S HASBI 571
202312-31 JOHANE
00:00:
00 WANSA 449
202312-31 JOHANE
00:00:
00 WANSA 571
202312-31 MURNI
00:00:
ATI
00 YUNUS 448
202312-31 MURNI
00:00:
ATI
00 YUNUS 052
202312-31 MURNI
00:00:
ATI
00 YUNUS 571
202312-31 MURNI
00:00:
ATI
00 YUNUS 556
202312-31 MURNI
00:00:
ATI
00 YUNUS 739
202212-01 ABDUL
00:00: HAMID 11001
RAHIM 571
VITAMIN B
KOMPLEKS(SPLMN)(DU
S100TAB)-BJN
RAMIPRIL 5MG
TAB@100 GDX BPJS
HERBESSER CD 100MG
CAP@100BPJS
VITAMIN B
KOMPLEKS(SPLMN)(DU
S100TAB)-BJN
AMLODIPINE 10 MG
(DUS 50 TAB)-BJN
VITAMIN B
KOMPLEKS(SPLMN)(DU
S100TAB)-BJN
AMLODIPINE 5 MG (DUS
50 TAB)-BJN
SIMVASTATIN 10MG
TAB@100 GHX BPJS
VITAMIN B
KOMPLEKS(SPLMN)(DU
S100TAB)-BJN
METFORMIN TAB 500
MG @200 TAB (HEXA)
ISOSORBID DINITRAT 5
MG (YARIN
VITAMIN B
KOMPLEKS(SPLMN)(DU
S100TAB)-BJN
https://journal.
id/index.
php/juik/index Catatan: Data hanya ditampilkan sebagian.
Dataset lengkap berjumlah 108.
891 entri.
Agregasi Penjualan Obat dan Identifikasi Tren Untuk menganalisis pola konsumsi obat oleh pasien BPJS PRB, dilakukan agregasi data transaksi berdasarkan bulan, nama obat, dan kode SAP.
Dari hasil agregasi tersebut, dihitung total kuantitas (Qt.
setiap obat yang terjual per bulan.
Informasi ini digunakan sebagai dasar untuk mengidentifikasi pola perubahan penjualan dari waktu ke waktu dengan menerapkan metode diferensial diskrit.
Dalam analisis ini, digunakan dua indikator utama, yaitu Delta 1 .
dan Delta 2 .
i1 merupakan selisih jumlah penjualan obat antara bulan berjalan dan bulan sebelumnya, yang mencerminkan arah perubahan penjualanAipositif jika mengalami peningkatan, dan negatif jika terjadi penurunan.
Sementara itu, i2 adalah selisih antara i1 bulan berjalan dan i1 bulan sebelumnya, yang menggambarkan percepatan atau perlambatan tren penjualan.
Nilai i2 yang positif menunjukkan peningkatan tren secara lebih tajam, sedangkan nilai negatif menandakan terjadinya perlambatan.
Contoh perhitungan hasil agregasi dan analisis diferensial ditampilkan pada Tabel 3 dan Tabel 4.
Tabel 3.
Hasil Agregasi Penjualan Obat per Bulan Kode _SAP Nama_Obat 11000006 ALERGINE 10 MG TABLET SALUT SELAPUT
11000013 ANTASIDA DOEN SUSPENSI (BTL 60 ML)
11000014 ASAM MEFENAMAT 500 MG (DUS 100 TAB)
11000016 AZITHROMYCIN 500 MG (DUS 20 TAB)
11000025 CETIRIZINE 10 MG (DUS 30 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
11000072 GLIBENCLAMIDE 5 MG (DUS 100 TAB)
13087475 CANDESARTAN 16 MG GHX TAB@100 BPJS
Bulan QTY OIya OIya
2022-04 137
2022-04 389
60 30 60
30 -30 -60
30 0 30
30 0 0
30 0 0
30 0 0
2024-07 1020 780 690
Catatan: Data hanya ditampilkan sebagian.
Dataset lengkap berjumlah 13087475 entri.
Tabel 4.
Hasil Perhitungan Delta 1 dan Delta 2 Bulan Jan Feb Mar Apr Mei Jun Jul Total Qty i1 (Qt.
Ae i2 (Percepata.
Ae Ae Analisis RFM dan Segmentasi Pasien Analisis RFM (Recency.
Frequency.
Monetar.
bertujuan untuk mengukur loyalitas dan nilai transaksi Recency menunjukkan jarak hari sejak transaksi terakhir.
Frequency menunjukkan jumlah transaksi dalam satu periode, dan Monetary merupakan total nilai transaksi.
Skor RFM dihitung berdasarkan kuartil dari https://journal.
id/index.
php/juik/index setiap variabel, kemudian digunakan untuk mengelompokkan pasien ke dalam segmen seperti pelanggan setia, pembelanja besar, atau pelanggan hilang.
Tabel 5.
Skor RFM Berdasarkan Kuartil Kuartil Recency Skor Frequency Skor Monetary Skor Ou 30 O 5.
21Ae29 001Ae7.
11Ae20 001Ae10.
O 10
Ou4 > 10.
Tabel 6.
Segmentasi Pasien Berdasarkan Skor RFM Skor Awal X4X Lainnya Kategori Karakteristik Pelanggan Setia Pembelanja Besar Pelanggan Hilang Lainnya Transaksi baru-baru ini Frekuensi transaksi tinggi Sudah lama tidak melakukan pembelian Tidak masuk kategori utama Visualisasi Konsumsi Obat (Heatma.
Gambar 2.
Heatmap Pola Konsumsi Obat Berdasarkan Segmentasi Pasien Gambar 2 menampilkan heatmap pola konsumsi obat berdasarkan segmen pasien hasil analisis RFM.
Baris menunjukkan kategori pasien (Pelanggan Setia.
Pembelanja Besar.
Pelanggan Hilang, dan Lainny.
, sedangkan kolom menunjukkan nama obat.
Warna biru tua menandakan konsumsi tinggi, sedangkan kuning pucat menunjukkan konsumsi rendah.
Terlihat bahwa segmen Pelanggan Setia dan Pembelanja Besar lebih konsisten mengonsumsi obat-obat tertentu, sedangkan Pelanggan Hilang dan Lainnya cenderung memiliki pola yang rendah dan tidak merata.
Visualisasi ini membantu apotek menyesuaikan stok dan merencanakan distribusi obat sesuai perilaku konsumsi pasien.
https://journal.
id/index.
php/juik/index Prediksi Permintaan Obat Langkah selanjutnya adalah melakukan prediksi jumlah permintaan obat pada bulan berikutnya untuk memperkirakan kebutuhan stok berdasarkan pola historis.
Prediksi dilakukan menggunakan metode diferensial dua tingkat yang memanfaatkan perubahan kuantitas penjualan per bulan, dengan rumus:
ycEycyc&%! = ycEycyc& i! i$ .
ycEycyc& Kuantitas obat bulan terakhir i! Selisih kuantitas bulan terakhir dengan bulan sebelumnya i$ Selisih i! bulan terakhir dengan i! bulan sebelumnya Sebagai contoh, obat Glibenclamide 5 MG (Dus 100 Ta.
menunjukkan pola penjualan OktoberAeDesember 2022 masing-masing 90, 90, dan 123 unit.
Nilai i1 dan i2 bulan Desember adalah 33 dan 33, sehingga prediksi bulan Januari 2023 menjadi 189 unit .
Gambar 3.
Perbandingan Prediksi VS Realisasi Penjualan Obat Gambar 3 menampilkan perbandingan antara kuantitas aktual bulan terakhir .
dan prediksi bulan berikutnya .
untuk lima obat dengan volume tertinggi: METFORMIN 500 MG TAB GHX BPJS.
SIMVASTATIN 20 MG TAB @100 GHX BPJS,VITAMIN B KOMPLEKS (SPLMN) DUS 100 TAB Ae BJN.
SIMVASTATIN 20 MG (DUS 50 TAB),VITAMIN B KOMPLEKS (SUPLEMEN) DUS 100 TAB.
Dari grafik terlihat bahwa SIMVASTATIN 20 MG TAB @100 GHX BPJS dan VITAMIN B KOMPLEKS (SUPLEMEN) diprediksi mengalami kenaikan permintaan signifikan, sementara VITAMIN B KOMPLEKS (SPLMN) mengalami penurunan.
Informasi ini membantu apotek dalam menyusun strategi pengadaan dan mencegah kekurangan maupun kelebihan stok secara lebih tepat sasaran.
Integrasi Model D-CRM dan Data Penjualan Obat Tahap ini menggabungkan hasil perhitungan D-CRM (Differential Recency.
Frequency.
Monetar.
dengan data penjualan obat per pasien per bulan untuk memperoleh gambaran konsumsi obat sekaligus tingkat loyalitas Integrasi dilakukan menggunakan dua data utama:
Transaksi obat per pasien-bulan .
uantitas pembelian tiap bula.
https://journal.
id/index.
php/juik/index Skor RFM bulanan pasien yang telah dikelompokkan ke dalam segmen pelanggan.
Tabel 6 menunjukkan contoh hasil integrasi untuk pasien NURLIA dan RACHMAT.
NURLIA rutin mengonsumsi Glibenclamide 5 MG sebanyak 30 tablet dan diklasifikasikan sebagai Pelanggan Biasa, sedangkan RACHMAT baru memulai transaksi sehingga masuk kategori Pelanggan Potensial.
Tabel 6.
Hasil Integrasi Model D-CRM dan Data Transaksi Obat
Bulan Nama Pasien
Nama Obat
Qty Recency Freque Moneta R_ F_ M_ Segmentasi
Score Score Sco
NURLI
Pelanggan GLIBENCLAMIDE 5 MG 30 1 Biasa RACHM GLIBENCLAMIDE 5 MG Pelanggan @100 TAB (PEHA) Potensial Evaluasi Model Prediksi Evaluasi model prediksi penjualan obat dilakukan menggunakan tiga metrik utama, yaitu Mean Absolute Error (MAE) untuk mengukur rata-rata selisih absolut antara nilai aktual dan prediksi.
Mean Squared Error (MSE) untuk mengukur rata-rata kuadrat selisih sehingga sensitif terhadap penyimpangan besar, dan Mean Absolute Percentage Error (MAPE) untuk mengetahui rata-rata persentase kesalahan relatif terhadap nilai aktual.
Hasil evaluasi pada data per pasienAeobat menunjukkan MAE sebesar 1,35 unit.
MSE sebesar 92,32, dan MAPE sebesar 3,35%.
Nilai MAPE yang berada di bawah 10% menandakan bahwa model memiliki akurasi yang baik untuk perencanaan stok obat, karena rata-rata kesalahan prediksi relatif sangat kecil.
Temuan ini membuktikan bahwa metode prediksi sederhana berbasis ycEycyc OI1 OI2 cukup efektif untuk mendukung pengadaan dan distribusi obat secara lebih tepat sasaran.
KESIMPULAN
Berdasarkan hasil penelitian, metode diferensial yang terintegrasi dengan strategi Digital Customer Relationship Management (D-CRM) berhasil menganalisis pola konsumsi obat pasien BPJS melalui perhitungan i1 dan i2, sekaligus menghasilkan segmentasi pasien berdasarkan skor Recency.
Frequency, dan Monetary (RFM) yang informatif untuk mendukung pengelolaan stok dan pelayanan farmasi yang lebih personal.
Model prediksi berbasis Qty i1 i2 juga menunjukkan akurasi yang tinggi, dengan MAE 1,35.
MSE 92,32, dan MAPE 3,35%, yang menandakan selisih prediksi relatif kecil dan layak dijadikan dasar dalam perencanaan stok obat secara tepat dan efisien.
DAFTAR PUSTAKA