Anggaran belanja obat di rumah sakit merupakan komponen terbesar dari pengeluaran rumah sakit (40-50%) dan pemerintah juga melalui JKN mewajibkan rumah sakit untuk memberikan pelayanan terbaik terutama sediaan farmasi yang baik. Maka dari itu, perlu adanya prediksi berapa keperluan pemakaian obat di rumah sakit sehingga dapat memenuhi sesuai dengan kebutuhan. Metode yang digunakan untuk melakukan prediksi adalah Nonpooling CNN-LSTM dan dibandingkan performanya dengan metode CNN-LSTM serta LSTM. Seluruh model akan dilatih menggunakan data pemakaian sebuah obat per hari di sebuah rumah sakit selama tahun 2021 dan akan dilakukan validasi hasil prediksinya menggunakan data pemakaian per hari selama tahun 2022. Model akan melakukan prediksi pemakaian obat untuk 30 hari dan 90 hari ke depan. Pengujian dilakukan dengan tiga rancangan arsitektur dengan mengombinasikan nilai jumlah filter, units, epoch, learning rate serta jumlah lapisan Max Pooling untuk menghasilkan nilai rata-rata error (RMSE) terendah. Berdasarkan hasil pengujian, model Nonpooling CNN-LSTM yang dibangun dapat menghasilkan nilai RMSE terendah sebesar 39.63529315 untuk prediksi 30 hari ke depan dan 54.68132489 untuk prediksi 90 hari ke depan.