SKRIPSI DIGITAL
Implementasi Extreme Gradient Boosting (XGBoost) pada Sistem Pendukung Keputusan untuk Klasifikasi Fast, Medium, dan Slow Moving pada Distribusi Obat = Implementation of Extreme Gradient Boosting (XGBoost) in a Decision Support System for Classifying Fast, Medium, and Slow-Moving Items in Pharmaceutical Distribution
Pengelolaan stok farmasi sering menghadapi ketidakseimbangan akibat fluktuasi permintaan dan sub optimalnya pemanfaatan data historis. Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (DSS) manajemen stok obat berbasis web untuk menentukan prioritas pengadaan secara otomatis. Metode penelitian mencakup rekayasa fitur dari data distribusi obat periode 2023–2025 dan pelabelan Fast-Medium-Slow Moving (FSM) menggunakan threshold persentil P30–P70. Lima algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN), Random Forest, Support Vector Machine (SVM), Logistic Regression, dan Extreme Gradient Boosting (XGBoost), dibangun dan dibandingkan berdasarkan hasil pengujian pada data testing dan Stratified 5-Fold Cross-Validation untuk menentukan model terbaik. Hasil penelitian menunjukkan bahwa XGBoost merupakan model dengan performa terbaik dengan Mean Weighted F1-Score sebesar 0,9951 dan Mean Log Loss sebesar 0,0348, serta memperoleh Accuracy sebesar 98,08% pada data testing. Model XGBoost kemudian diimplementasikan ke dalam Sistem Pendukung Keputusan MeproSmart berbasis web menggunakan Laravel, React, dan layanan Machine Learning berbasis Python. Hasil pengujian menunjukkan bahwa sistem mampu menjalankan klasifikasi FSM dan mendukung proses pengambilan keputusan dalam pengelolaan persediaan obat.
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah