PENERAPAN ALGORITMA RANDOM FOREST DAN NAÏVE BAYES DALAM MEMPREDIKSI PERSEDIAAN OBAT (Studi Kasus: Apotek Padang Guci Farma)

Pengelolaan persediaan obat yang efektif merupakan faktor penting dalam
menjaga kelancaran pelayanan di apotek. Ketidaktepatan dalam perencanaan
persediaan dapat menyebabkan kekurangan maupun kelebihan stok obat yang
berdampak pada kualitas pelayanan dan efisiensi operasional. Penelitian ini
bertujuan untuk menerapkan serta membandingkan kinerja algoritma Random
Forest dan Naïve Bayes dalam memprediksi kondisi persediaan obat di Apotek
Padang Guci Farma. Data yang digunakan berupa data historis persediaan dan
permintaan obat selama periode Februari 2024 hingga Februari 2025. Tahapan
penelitian meliputi preprocessing data, penyesuaian satuan obat, serta pelabelan
data menggunakan metode K-Means Clustering untuk membentuk kategori
persediaan obat, yaitu Tidak Cukup, Cukup, dan Berlebih. Selanjutnya, model
prediksi dibangun menggunakan algoritma Random Forest dan Naïve Bayes
dengan bantuan aplikasi RapidMiner. Kinerja kedua algoritma dievaluasi
menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian
menunjukkan bahwa kedua algoritma mampu memberikan prediksi persediaan
obat dengan kinerja yang baik. Algoritma Random Forest menghasilkan akurasi
sebesar 96,77%, sedangkan algoritma Naïve Bayes memperoleh akurasi sebesar
90,32%. Secara keseluruhan, Random Forest lebih unggul dalam menangani pola
data yang kompleks dibandingkan Naïve Bayes. Temuan ini menunjukkan bahwa
penerapan algoritma Random Forest dapat digunakan sebagai metode yang efektif
untuk mendukung pengambilan keputusan dalam pengelolaan persediaan obat
secara lebih akurat dan efisien di apotek.
Kata Kunci: Prediksi persediaan obat, Random Forest, Naïve Bayes, K-Means
Clustering, Data Mining.