Estimasi Biaya Penanganan Pneumonia di Indonesia Berbasis Pemodelan Data Kasus (Studi Kasus : Kasus Pneumonia Jakarta)

Abstract

Penelitian ini bertujuan mengestimasi kebutuhan biaya penanganan pneumonia di DKI Jakarta melalui pendekatan pemodelan data kasus berbasis Deep Learning. Data deret waktu yang mencakup jumlah kasus pneumonia, parameter iklim, dan polusi udara dari lima wilayah administrasi (2017–2025) dianalisis menggunakan metode Multi-Layer Perceptron (MLP) dan Long Short-Term Memory (LSTM). Tahap seleksi fitur membandingkan uji Kausalitas Granger dan Korelasi Spearman untuk menentukan lag variabel input yang signifikan. Hasil evaluasi model menunjukkan model LSTM dengan input Granger terbukti paling akurat untuk wilayah Jakarta Pusat, Jakarta Utara, dan Jakarta Timur. Sementara itu, model MLP dengan input Granger memberikan performa terbaik di Jakarta Barat, dan MLP dengan input Spearman unggul di Jakarta Selatan. Tingkat kesalahan relatif model (RMSE%) berkisar antara 16,67% hingga 22,01%. Berdasarkan hasil prediksi model terbaik, estimasi biaya kesehatan terbesar diproyeksikan berada di Jakarta Utara, mencapai Rp 44.80 miliar untuk Rumah Sakit Pemerintah dan Rp 79.80 miliar untuk Rumah Sakit Swasta. Temuan ini merekomendasikan pemerintah daerah untuk memprioritaskan alokasi dana kesehatan ke wilayah pesisir utara Jakarta guna mengantisipasi beban pembiayaan yang tinggi.