Penyakit Tuberkulosis (TBC) Paru merupakan infeksi menular pada saluran pernapasan yang menjadi ancaman kesehatan global serius, di mana Indonesia menempati peringkat ketiga di dunia dengan beban kasus terbesar. Di RSU Aisyiyah Siti Fatimah Sidoarjo, pelayanan rawat jalan bagi pasien TBC Paru menghadapi tantangan kompleks akibat fluktuasi jumlah kunjungan bulanan yang tidak menentu. Ketidakpastian ini memicu permasalahan operasional, seperti risiko penularan silang (cross-infection) di ruang tunggu akibat penumpukan antrean serta risiko kelangkaan (stockout) atau penumpukan logistik Obat Anti Tuberkulosis (OAT). Penelitian ini bertujuan untuk menerapkan model hibrida Seasonal-Trend Decomposition using Loess (STL) dan Seasonal Autoregressive Integrated Moving Average (SARIMA) dalam memprediksi jumlah kunjungan bulanan pasien rawat jalan TBC Paru di RSU Aisyiyah Siti Fatimah Sidoarjo. Data yang digunakan berupa data deret waktu (time series) kunjungan bulanan periode Januari 2016 sampai Desember 2025 yang berjumlah 120 data. STL digunakan untuk mengurai data kompleks menjadi komponen tren, musiman, dan residual. Selanjutnya, komponen residual hasil dekomposisi tersebut dimodelkan dan diprediksi menggunakan metode SARIMA. Evaluasi performa model dilakukan melalui metrik Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model hibrida STL-SARIMA dengan model residual SARIMA(1,0,0) menghasilkan nilai MAPE keseluruhan sebesar 22,78% pada data uji periode 2024–2025 (33,81% pada tahun 2024 dan 11,76% pada tahun 2025). Proyeksi peramalan untuk periode tahun 2026 memperkirakan total kunjungan pasien rawat jalan TBC Paru sebanyak 3.146 kunjungan dengan rata-rata 262 kunjungan per bulan. Hasil penelitian ini dapat digunakan sebagai alat bantu bagi manajemen rumah sakit dalam mengambil strategi proaktif guna mengendalikan risiko infeksi silang dan menjamin efisiensi logistik obat OAT.


Deskripsi Lain

Pulmonary Tuberculosis (TB) is an infectious respiratory tract disease that poses a serious global health threat, with Indonesia ranking third in the world with the largest case burden. At RSU Aisyiyah Siti Fatimah Sidoarjo, outpatient services for pulmonary TB patients face complex operational challenges due to uncertain monthly fluctuations in patient visits. This uncertainty triggers severe operational issues, such the risk of cross-infection in waiting areas caused by crowded queues and the risk of stockouts overstocks of Anti-Tuberculosis Drug (OAT) logistics. This study aims to apply a hybrid model combining Seasonal-Trend Decomposition using Loess (STL) and Seasonal Autoregressive Integrated Moving Average (SARIMA) to predict the monthly number of pulmonary TB outpatient visits at RSU Aisyiyah Siti Fatimah Sidoarjo. The dataset comprises 120 monthly time series data points of outpatient visits from January 2016 to December 2025. STL decomposes the complex data into trend, seasonal, and residual components. Subsequently, the residual component obtained from the decomposition is modeled and forecasted using the SARIMA method. Model performance is evaluated using the Mean Absolute Percentage Error (MAPE) metric. The research findings indicate that the hybrid STL-SARIMA model with the SARIMA(1,0,0) residual model achieves an overall MAPE of 22.78% on the test data for the 2024–2025 period (33.81% in 2024 and 11.76% in 2025). Furthermore, the forecasting projection for 2026 estimates a total of 3,146 pulmonary TB outpatient visits, with an average of 262 visits per month. This study can be utilized an analytical tool for hospital management to implement proactive strategies in controlling cross-infection risks and ensuring the efficiency of OAT logistics management.

• PREDIKSI JUMLAH KUNJUNGAN PASIEN RAWAT JALAN PENYAKIT MENULAR TBC PARU MENGGUNAKAN MODEL HIBRIDA STL-SARIMA (STUDI KASUS: RSU AISYIYAH SITI FATIMAH SIDOARJO)