Pemodelan Jumlah Pasien Puskesmas Jakarta Menggunakan Model Long Short-Term Memory tanpa dan dengan Dropout

Abstract

Puskesmas adalah unit layanan kesehatan utama yang kinerjanya dapat menjadi kurang optimal karena jumlah pasien yang fluktuatif, sehingga perlu adanya prediksi jumlah pasien untuk perencanaan yang lebih efisien. Penelitian ini bertujuan untuk memprediksi jumlah pasien pada puskesmas dengan menggunakan metode Exploratory Data Analysis (EDA), membandingkan model Long Short-Term Memory (LSTM) tanpa dan dengan dropout, dan menentukan nilai prediksi menggunakan model LSTM. Data jumlah pasien harian beserta jenis kelaminnya dari 2018 hingga 2023 dianalisis menggunakan metode EDA dan dimodelkan dengan LSTM untuk prediksi masa depan. Pemodelan LSTM diawali dengan prapemrosesan data dan diakhiri dengan evaluasi model. Hasil menunjukkan bahwa jumlah pasien mengalami pola tren yang tidak beraturan tiap tahunnya. Setelah dievaluasi, model LSTM dengan skenario dropout 20% merupakan model terbaik pada penelitian ini karena nilai loss yang dihasilkan tidak overfitting, nilai metrik akurasi pada data uji lebih rendah, dan hasil prediksi jumlah pasien lebih baik. Temuan ini memberikan alat prediksi yang lebih akurat untuk mendukung perencanaan manajemen puskesmas.

Puskesmas is the main health service unit that can be less optimal because the number of patients fluctuates, so it is necessary to predict the number of patients for more efficient planning. This study aims to identify the number of patients at the health center using the Exploratory Data Analysis (EDA) method, compare the Long Short-Term Memory (LSTM) model without and with dropouts, and determine the results of the prediction value using the LSTM model. Data of the number of daily patients and their gender from 2018 to 2023 were analyzed using the EDA method and modeled using LSTM for future predictions. LSTM modeling begins with data preprocessing and ends with evaluating the model. The results showed that the number of patients experienced an irregular trend pattern each year. After evaluation, the LSTM model with a 20% dropout scenario is the best model in this study because the resulting loss value is not overfitting, the accuracy metric value on the test data is lower, and gives a better prediction of the number of patients. These findings provide a more accurate prediction tool to support the management planning of health centers.