Permintaan alat kesehatan memiliki karakteristik spasio-temporal yang kompleks, di mana variasi permintaan dipengaruhi oleh dinamika waktu dan keterhubungan antarwilayah. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi model Hybrid Long Short-Term Memory–Graph Neural Network (Hybrid LSTM–GNN) dalam memprediksi permintaan alat kesehatan secara spasio-temporal, menganalisis pengaruh hubungan spasial terhadap variasi permintaan, serta mengidentifikasi kombinasi hyperparameter optimal untuk meningkatkan performa prediksi.
Data yang digunakan merupakan data penjualan alat kesehatan PT Parit Panjang periode Juli 2020 hingga Oktober 2025 dengan total 42.655 entri transaksi. Tahapan penelitian meliputi preprocessing data, pembentukan graf spasial berbasis kedekatan geografis antarwilayah, pemodelan temporal menggunakan LSTM, pemodelan spasial menggunakan GNN, integrasi kedua representasi melalui fusion layer, serta evaluasi kinerja model menggunakan metrik MAE, RMSE, MAPE, dan koefisien determinasi (R²).
Hasil penelitian menunjukkan bahwa model Hybrid LSTM–GNN Tuned menghasilkan performa terbaik dengan nilai RMSE sebesar 0,0881, MAE sebesar 0,0324, MAPE sebesar 8,219%, dan R² sebesar 0,8595. Dibandingkan model Hybrid tanpa tuning, optimasi hyperparameter mampu menurunkan MAE sebesar 74,56%, RMSE sebesar 29,64%, dan MAPE sebesar 58,72%, serta meningkatkan nilai R² sebesar 0,2143. Analisis residual menunjukkan distribusi kesalahan yang acak dan stabil, yang mengindikasikan kemampuan generalisasi model yang baik. Hasil ini menegaskan bahwa integrasi pemodelan spasial dan temporal melalui Hybrid LSTM–GNN serta optimasi hyperparameter berperan krusial dalam meningkatkan akurasi prediksi dan berpotensi diterapkan sebagai sistem pendukung keputusan dalam perencanaan dan distribusi alat kesehatan berbasis data spasio-temporal.
Kata kunci: Prediksi Spasio-Temporal, Deep Learning, LSTM, GNN, Model Hybrid, Alat Kesehatan.