<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="170183">
 <titleInfo>
  <title>ANALISIS KLASIFIKASI DECISION TREE DAN ADABOOST PADA RUMAH TANGGA RAWAN PANGAN DI PROVINSI ACEH</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Sahda Afifah</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA (S1)</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Klasifikasi merupakan salah satu teknik data mining yang dilakukan dengan memprediksi kelas suatu objek yang labelnya belum diketahui berdasarkan data yang labelnya telah diketahui dengan membangun model pelatihan. Klasifikasi memiliki dua tugas utama yang dilakukan, yaitu membangun model untuk disimpan sebagai memori dan klasifikasi pada objek data lain untuk mengetahui kelompok objek tersebut berdasarkan model yang telah disimpan. Pada data mining terdapat banyak metode klasifikasi diantaranya, Decision Tree, Random Forest, K-Nearest Neighbor, CART, dan banyak lainnya. Dari banyaknya metode klasifikasi yang ada, penelitian ini menggunakan metode Decision Tree dan Adaboost karena memiliki karakteristik yang berbeda dalam penerapan machine learning. Decision Tree unggul dalam penanganan missing value dan interpretabilitas model, sedangkan Adaboost umumnya menghasilkan akurasi lebih tinggi untuk dataset. Data yang digunakan dalam penelitian ini adalah data Survei Sosial Ekonomi Nasional (Susenas) di Provinsi Aceh tahun 2022. Analisis ini dilakukan pada tiga kombinasi partisi yang berbeda dengan rasio 90:10, 80:20, dan 70:30. Hasil dari penelitian ini menunjukkan metode Decision Tree dengan tuning hyperparameter menghasilkan nilai terbaik, pada kombinasi 1 menghasilkan nilai accuracy sebesar 78,12%, precision sebesar 78%, recall sebesar 99%, dan f1-score sebesar 88%. Pada kombinasi 2 menghasilkan nilai accuracy sebesar 79,26%, precision sebesar 79%, recall sebesar 100%, dan f1-score sebesar 88%. Pada kombinasi 3 menghasilkan nilai accuracy sebesar 79,28%, precision sebesar 79%, recall sebesar 100%, dan f1-score sebesar 88%. Dapat disimpulkan pada penelitian ini metode Decision Tree dengan tuning hyperparameter pada kombinasi 3 dengan rasio data training 70% dan data testing 30% memiliki hasil performa yang paling baik dalam mengklasifikasikan status rumah tangga rawan pangan di Provinsi Aceh tahun 2022.</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>DATA MINING</topic>
 </subject>
 <classification>006.312</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>170183</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-09-08 18:33:05</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-09-09 15:00:27</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>