Peramalan Kasus Demam Berdarah di Bandung Menggunakan Metode SARIMA dan Facebook Prophet

Abstract

Demam Berdarah Dengue (DBD) merupakan penyakit menular yang disebabkan oleh virus Dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti. Kota Bandung merupakan salah satu wilayah endemis dengan tingkat kejadian kasus yang cukup tinggi di Jawa Barat. Fluktuasi kasus yang terjadi setiap tahunnya, serta adanya lonjakan kasus yang tidak terduga, menuntut adanya sistem perencanaan dan pencegahan yang lebih baik. Salah satu upaya yang dapat dilakukan adalah dengan melakukan peramalan (forecasting) jumlah kasus di masa mendatang. Informasi hasil peramalan ini sangat krusial bagi pemerintah daerah, khususnya Dinas Kesehatan, untuk mempersiapkan logistik medis dan langkah preventif sebelum terjadinya wabah. Penelitian ini bertujuan untuk membangun model peramalan kasus DBD di Kota Bandung dan membandingkan kinerja dua metode time series yang berbeda karakteristiknya, yaitu Seasonal Autoregressive Integrated Moving Average (SARIMA) yang merupakan metode statistik klasik, dan Facebook Prophet yang merupakan metode berbasis machine learning modern. Data yang digunakan dalam penelitian ini adalah data sekunder jumlah kasus DBD per bulan yang diperoleh dari Badan Pusat Statistik (BPS) Kota Bandung dengan periode pengamatan dari Januari 2020 hingga Desember 2024. Proses analisis dimulai dengan pra-pemrosesan data untuk mengidentifikasi pola tren dan musiman. Khusus pada metode Facebook Prophet, dilakukan penanganan outlier atau anomali data, terutama pada lonjakan kasus ekstrem yang terjadi di tahun 2023, guna menjaga stabilitas prediksi. Evaluasi kinerja kedua model diukur menggunakan indikator Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Analisis peramalan kasus Demam Berdarah Dengue (DBD) di Kota Bandung dilakukan dengan membandingkan dua metode, yaitu SARIMA dan Facebook Prophet. Pada pemodelan SARIMA, model terbaik yang diperoleh adalah SARIMA(2, 0, 0)x(2, 0, [1], 12) yang menghasilkan nilai Root Mean Square Error (RMSE) sebesar 84,30 dan Mean Absolute Percentage Error (MAPE) sebesar 36,14%, menempatkannya dalam kategori akurasi yang cukup. Secara visual, hasil prediksi SARIMA cenderung memberikan estimasi yang lebih tinggi (overestimation) dibandingkan data aktual, namun menunjukkan respons yang membaik secara drastis saat terjadi lonjakan kasus signifikan di akhir tahun, bahkan sedikit mengungguli Prophet pada bulan Desember dengan MAPE 14,51%. Hal ini mengindikasikan bahwa SARIMA sangat bergantung pada tren data yang kuat untuk bekerja secara optimal, namun kurang stabil dalam menghadapi fluktuasi rendah. Sebaliknya, metode Facebook Prophet menunjukkan kinerja yang jauh lebih unggul dan stabil dibandingkan SARIMA. Metode ini menghasilkan tingkat kesalahan yang lebih rendah secara signifikan, dengan nilai RMSE sebesar 62,44 dan MAPE sebesar 12,24% yang masuk dalam kategori akurasi yang baik. Meskipun garis prediksinya cenderung berada sedikit di bawah data aktual (underestimation), Prophet mampu mengikuti pola tren dan fluktuasi musiman dengan sangat presisi dan deviasi yang minim. Sementara SARIMA memiliki kelebihan dalam merespons perubahan tren yang sangat tajam, tingkat kesalahan globalnya yang lebih tinggi menjadikannya kurang ideal dibandingkan Prophet yang konsisten menjaga akurasi di berbagai kondisi data. Keunggulan Prophet juga terlihat dalam penanganan anomali data (dropoff) pada tahun 2023; berbeda dengan SARIMA yang sensitif terhadap perubahan data historis jangka pendek, Prophet menganggap penurunan ekstrem tersebut sebagai anomali sementara dan tetap mempertahankan pola tren jangka panjang yang kokoh.Secara keseluruhan, perbandingan kedua metode menegaskan bahwa Facebook Prophet adalah metode yang paling optimal untuk studi kasus ini. Prophet terbukti lebih fleksibel dan adaptif, mampu memisahkan komponen tren dan musiman dengan baik, serta memiliki ketahanan yang lebih tinggi terhadap outliers dibandingkan SARIMA.