<![CDATA[Penyakit Demam Berdarah Dengue (DBD) hingga saat ini masih menjadi tantangan dalam bidang kesehatan masyarakat di Indonesia, termasuk di Kota Bangko, Kabupaten Merangin. Kasus DBD menunjukkan pola musiman dan kadang meningkat secara tiba-tiba, sehingga prediksi dini sangat penting untuk langkah pencegahan. Penelitian ini bertujuan memprediksi jumlah kasus DBD bulanan menggunakan Long Short-Term Memory merupakan varian dari jaringan saraf berulang (Recurrent Neural Network) Data yang digunakan merupakan rekaman historis kasus DBD periode 2019–2022 serta faktor lingkungan seperti curah hujan dan suhu rata-rata. Setelah dilakukan normalisasi dan pembagian data menjadi set pelatihan dan pengujian, model LSTM dilatih untuk memprediksi tren kasus. Hasil penelitian menunjukkan bahwa LSTM mampu menangkap fluktuasi dan pola musiman dengan baik, terlihat dari nilai RMSE yang rendah. Temuan ini dapat dijadikan referensi oleh Dinas Kesehatan Kota Bangko dalam merancang strategi pencegahan dan identifikasi wilayah rawan DBD. Dengue Fever (DF) remains a significant public health challenge in Indonesia, including in Bangko City, Merangin Regency. DF cases exhibit seasonal patterns and sometimes increase abruptly, making early prediction crucial for preventive measures. This study aims to predict the monthly number of DF cases using Long Short-Term Memory (LSTM), a variant of recurrent neural networks (RNNs). The data used consist of historical DF case records from 2019–2022, along with environmental factors such as rainfall and average temperature. After normalization and splitting the data into training and testing sets, the LSTM model was trained to predict case trends. The results indicate that LSTM effectively captures fluctuations and seasonal patterns, as evidenced by the low RMSE values. These findings can serve as a reference for the Bangko City Health Office in designing preventive strategies and identifying DF-prone areas. ]]>
