<![CDATA[Perencanaan kebutuhan obat antiretroviral yang akurat diperlukan untuk menjaga kesinambungan terapi HIV, mencegah stock-out, dan meningkatkan efisiensi distribusi obat. Namun, peramalan masih terhambat oleh keterbatasan data historis, dominasi nilai nol, dan fluktuasi permintaan yang menyulitkan model mempelajari pola time series secara stabil. Penelitian ini mengevaluasi enam metode augmentasi data time series - Gaussian noise jittering, time warping, Fast Fourier Transform-based augmentation, MixUp time series, TimeGAN, dan Seasonal-Trend Decomposition using Loess — untuk meningkatkan akurasi peramalan berbasis Long Short-Term Memory. Dua skema diuji: penambahan data sintetis (25%, 50%, 75%, 100%) dan penggantian data asli (10%, 20%, 40%, 60%, 80%), dievaluasi menggunakan Mean Absolute Error non-zero. Hasil menunjukkan bahwa augmentasi moderat (25%–50%) meningkatkan akurasi, skema penambahan lebih stabil daripada penggantian, dan model terbaik menggunakan Seasonal-Trend Decomposition using Loess mencapai MAE non-zero sekitar 66.]]>
Copyrights © 2026
