Putri Rianti Wulandari Primary Author mixed material bibliography Banda Aceh Fakultas mipa 2025

Skripsi

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). 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 164773 2025-07-22 11:42:06 2025-07-22 11:57:34 machine generated