Electronic Theses and Dissertation

Ketahanan pangan merupakan isu penting yang berpengaruh langsung terhadap kesejahteraan masyarakat, terutama di wilayah-wilayah dengan tingkat kerentanan pangan yang tinggi seperti Pulau Sumatra. Untuk memahami kondisi ketahanan pangan tersebut, diperlukan analisis yang mampu mengklasifikasikan status ketahanan pangan dengan akurat berdasarkan indikator-indikator yang relevan. Oleh karena itu, penelitian ini bertujuan untuk mengetahui dan membandingkan performa metode terbaik antara Naïve Bayes dan Naïve Bayes Adaboost dalam
mengklasifikasikan indeks ketahanan pangan. Data yang digunakan dalam penelitian ini adalah data yang bersumber dari Food Security and Vulnerability Atlas (FSVA) yang mencakup 1.917 data ketahanan pangan pada setiap kecamatan di Pulau Sumatra tahun 2022. Data ketahanan pangan ini dilakukan proses klasifikasi pada indeks ketahanan pangan untuk melihat performa metode berdasarkan nilai akurasi. Hasil penelitian ini menunjukkan bahwa metode Naïve Bayes mampu memberikan gambaran awal tentang kondisi ketahanan pangan, namun akurasinya masih terbatas yaitu 47.57% pada splitting data 70% training dan 30% testing. Setelah ditingkatkan dengan Adaboost, akurasi klasifikasi mengalami peningkatan yang signifikan menjadi 60,42%. Peningkatan performa ini menunjukkan bahwa Adaboost efektif dalam memperbaiki kemampuan klasifikasi.
Kata kunci: Ketahanan Pangan, Naïve Bayes, Adaboost, Klasifikasi

Food security is an important issue that directly affects people's welfare, especially in areas with high levels of food vulnerability such as Sumatra Island. To understand the condition of food security, an analysis is needed that is able to classify food security status accurately based on relevant indicators. Therefore, this study aims to determine and compare the performance of the best method between Naïve Bayes and Naïve Bayes Adaboost in classifying the food security index. The data used in this study is data sourced from the Food Security and Vulnerability Atlas (FSVA) which includes 1,917 food security data on each sub-district on the island of Sumatra in 2022. This food security data is classified on the food security index to see the performance of the method based on the accuracy value. The results of this study show that the Naïve Bayes method is able to provide an initial picture of the condition of food security, but the accuracy is still limited at 47.57% on splitting data 70% training and 30% testing. After being enhanced with Adaboost, the classification accuracy has increased significantly to 60.42%. This performance improvement shows that Adaboost is effective in improving classification capabilities. Keywords: Food Security Status, Naïve Bayes, Adaboost, Classification