Electronic Theses and Dissertation

Ketahanan pangan di indonesia masih menjadi isu krusial akibat ketimpangan sosial ekonomi dan disparitas antarwilayah. indeks ketahanan pangan (ikp) berperan penting dalam menyusun kebijakan nasional, namun evaluasi dan klasifikasinya memerlukan pendekatan berbasis data. penelitian ini bertujuan untuk mengklasifikasikan ikp tahun 2023 di seluruh kabupaten/kota di indonesia menggunakan algoritma support vector machines (svm), dengan membandingkan performa tiga fungsi kernel: linier, polinomial, dan radial basis function (rbf). penelitian ini merupakan studi kuantitatif dengan pendekatan klasifikasi supervised machine learning, menggunakan data sekunder dari food security and vulnerability atlas (fsva) 2023 sebanyak 514 kabupaten/kota. variabel dependen adalah ikp dalam enam kategori, sedangkan sembilan variabel independen mewakili aspek ketersediaan, keterjangkauan, dan pemanfaatan pangan. standardisasi data dilakukan dengan robust scaler. pemodelan dilakukan dengan perbandingan tiga rasio data training dan data testing (90:10, 80:20, 70:30) dan dievaluasi berdasarkan akurasi, presisi, recall, dan f1-score. model svm dengan kernel linier dan rasio data 90:10 memberikan performa terbaik dengan akurasi 94%, presisi 0,90, recall 0,88, dan f1-score 0,89. model ini mampu memprediksi status ketahanan pangan secara akurat, terutama untuk kategori ekstrem seperti “sangat tahan” dan “sangat rentan”, sebagaimana ditunjukkan dalam confusion matrix. model svm dengan kernel linier terbukti andal dalam mengklasifikasikan tingkat ketahanan pangan di berbagai wilayah indonesia. temuan ini menunjukkan potensi besar penerapan svm untuk mendukung perencanaan kebijakan dan intervensi dini pada daerah rawan pangan. penelitian lanjutan disarankan untuk menambahkan variabel lain dan menerapkan model ini pada tingkat wilayah yang lebih kecil. kata kunci: indeks ketahanan pangan, support vector machines (svm), linier, polinomial, radial basis function (rbf).

Indonesia’s food security remains a critical issue due to socioeconomic disparities and regional imbalances. The Food Security Index (IKP) is pivotal in guiding national policy, yet its evaluation and classification require data-driven approaches. This study aims to classify the 2023 IKP for all Indonesian districts using the Support Vector Machines (SVM) algorithm, comparing the performance of three kernel functions—linear, polynomial, and radial basis function (RBF). This quantitative study employs a supervised machine learning classification approach using secondary data from the 2023 Food Security and Vulnerability Atlas (FSVA), encompassing 514 districts/cities. The dependent variable is the six-level IKP status, while nine independent variables span indicators from availability, accessibility, and food utilization dimensions. Data preprocessing included standardization using Robust Scaler. Models were trained and tested using three data splits (90:10, 80:20, and 70:30). Model performance was assessed using accuracy, precision, recall, and F1-score metrics. Among all tested models, the SVM with a linear kernel and a 90:10 data split yielded the highest performance, achieving 94% accuracy, 0.90 precision, 0.88 recall, and 0.89 F1-score. The model accurately predicted the IKP status for most districts, especially those in the extreme categories ("very food secure" and "very food insecure"), as evidenced by the confusion matrix. The linear SVM model demonstrated robust predictive ability in classifying food security levels across Indonesian regions. The findings suggest that SVM, particularly with a linear kernel, is a valuable tool for national policy planning and early intervention in food-insecure regions. Future studies are recommended to incorporate additional variables and apply the model at sub-regional levels. Keyword: Food Security Index, Support Vector Machines (SVM), Linear, Polynomial, Radial Basis Function (RBF).