Implementasi Long Short-Term Memory (LSTM) untuk Prediksi Permintaan Darah di PMI Kabupaten Temanggung dengan Visualisasi Dashboard Tableau

Pengelolaan persediaan darah di Unit Donor Darah (UDD) Palang Merah Indonesia (PMI) Kabupaten Temanggung menghadapi tantangan berupa fluktuasi permintaan yang dinamis dan sulit diprediksi. Kondisi tersebut dapat menyebabkan kekurangan stok (shortage) yang berisiko terhadap ketersediaan darah bagi pasien serta kelebihan stok (spoilage) yang dapat meningkatkan jumlah darah kedaluwarsa. Penelitian ini bertujuan mengimplementasikan algoritma Long Short-Term Memory (LSTM) untuk memprediksi kebutuhan kantong darah berdasarkan data historis mingguan periode Juli 2021 hingga Desember 2025 pada empat golongan darah utama, yaitu A, B, AB, dan O, serta mengintegrasikan hasil prediksi ke dalam dashboard Tableau sebagai pendukung pengambilan keputusan. Tahapan penelitian meliputi pembersihan data, pengelompokan golongan darah, agregasi data secara mingguan (weekly resampling), penanganan data hilang, dan normalisasi menggunakan MinMaxScaler. Data kemudian dibagi menjadi data latih dan data uji dengan perbandingan 80:20. Penentuan parameter terbaik dilakukan menggunakan Grid Search terhadap 24 kombinasi hyperparameter, meliputi look back 4, 8, dan 12 minggu, learning rate 0,002 dan 0,005, epoch 150 dan 200, serta batch size 4 dan 8. Model dilatih menggunakan optimizer Adamax dan early stopping untuk mengurangi risiko overfitting. Hasil evaluasi menggunakan metrik Root Mean Squared Error (RMSE) menunjukkan nilai 6,1862 untuk golongan darah A, 7,3376 untuk B, 2,8593 untuk AB, dan 9,4806 untuk O. Model terbaik selanjutnya digunakan untuk memprediksi kebutuhan darah selama 12 minggu, yaitu Januari hingga Maret 2026, menggunakan metode Recursive Rolling Window Forecasting. Hasil prediksi divisualisasikan melalui dashboard Tableau untuk membantu UDD PMI Kabupaten Temanggung memantau tren kebutuhan darah, merencanakan persediaan, dan mendukung pengambilan keputusan secara lebih efektif.