Implementasi Random Forest untuk Klasifikasi Tingkat Ketahanan Pangan di Indonesia

Sari

Abstract: Food security is one of the important aspects in supporting national development and improving community welfare. Various issues, such as unequal food distribution and dependence on imports, indicate that food security conditions in Indonesia still face significant challenges. This study aims to implement the Random Forest algorithm for multiclass classification of food security levels at the district/city level in Indonesia, evaluate the model performance, and identify the most influential indicators affecting the classification results. The data used are secondary data from the Food Security and Vulnerability Atlas (FSVA) of the National Food Agency for the period 2019–2024, consisting of 3,084 observations and 9 food security indicators. The dataset was divided into training and testing data using ratios of 60:40, 70:30, and 80:20, with data imbalance handling performed using SMOTE. Evaluation using the Confusion Matrix showed that the best model was achieved with a 60:40 data split, producing an accuracy of 89%. Feature Importance analysis revealed that NCPR was the most dominant indicator, followed by poverty level and access to clean water.

Abstrak: Ketahanan pangan merupakan salah satu aspek penting dalam mendukung pembangunan nasional dan peningkatan kesejahteraan masyarakat. Berbagai permasalahan seperti ketidakmerataan distribusi pangan dan ketergantungan terhadap impor menunjukkan bahwa kondisi ketahanan pangan di Indonesia masih menghadapi tantangan. Penelitian ini bertujuan untuk menerapkan algoritma Random Forest dalam klasifikasi multikelas tingkat ketahanan pangan kabupaten/kota di Indonesia, mengevaluasi performa model, serta mengidentifikasi indikator yang paling berpengaruh terhadap hasil klasifikasi. Data yang digunakan berupa data sekunder Food Security and Vulnerability Atlas (FSVA) Badan Pangan Nasional tahun 2019–2024 dengan 3.084 observasi dan 9 indikator ketahanan pangan. Dataset dibagi menjadi data latih dan data uji dengan rasio 60:40, 70:30, dan 80:20, serta dilakukan penanganan ketidakseimbangan data menggunakan SMOTE. Evaluasi menggunakan Confusion Matrix menunjukkan model terbaik pada rasio 60:40 dengan akurasi 89%. Analisis Feature Importance menunjukkan NCPR sebagai indikator paling dominan, diikuti tingkat kemiskinan dan akses air bersih.