Electronic Theses and Dissertation

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.

Classification is one of the data mining techniques performed by predicting the class of an object whose label is unknown based on data whose label is known by building a training model. Classification has two main tasks, namely building a model to be stored as memory and classifying other data objects to determine the group of objects based on the stored model. In data mining, there are many classification methods, including Decision Tree, Random Forest, K-Nearest Neighbor, CART, and many others. Among the many classification methods available, this study uses the Decision Tree and Adaboost methods because they have different characteristics in machine learning applications. Decision Tree excels in handling missing values and model interpretability, while Adaboost generally produces higher accuracy for datasets. The data used in this study is from the 2022 National Socioeconomic Survey (Susenas) in Aceh Province. The analysis was conducted on three different partition combinations with ratios of 90:10, 80:20, and 70:30. The results of this study show that the Decision Tree method with hyperparameter tuning produces the best values. In combination 1, it produces an accuracy value of 78.12%, precision of 78%, recall of 99%, and an F1-score of 88%. In combination 2, it produces an accuracy value of 79.26%, precision of 79%, recall of 100%, and an F1-score of 88%. Combination 3 produced an accuracy value of 79.28%, precision of 79%, recall of 100%, and an F1-score of 88%. It can be concluded that in this study, the Decision Tree method with hyperparameter tuning in combination 3, using a training data ratio of 70% and a testing data ratio of 30%, yields the best performance in classifying the food-insecure household status in Aceh Province in 2022.