| dc.description.abstract | Pengembangan berbagai algoritme pembelajaran mesin pada model terbimbing mempercepat suatu proses analisis dan mampu menghasilkan model prediktif dengan akurasi yang sangat baik. Kemampuannya dalam menangkap pola tidak linier dapat memberikan informasi tambahan yang umumnya gagal ditangkap oleh pendekatan model linier klasik. Beberapa algoritme pembelajaran mesin yang memiliki kompleksitas yang tinggi, seperti random forest (RF), XGBoost (XGB), neural network (NN), dan support vector machine (SVM), akan dihadapkan pada interpretasi yang tidak mudah karena model bersifat black-box. Oleh karena itu diperlukan suatu teknik interpretasi pembelajaran mesin. Pendekatan feature importance menggunakan metode SHapley Additive exPlanations (SHAP) dapat mengubah black-box menjadi bersifat lebih transparan yang dapat ditafsirkan (white-box).
Pada pemodelan klasifikasi yang memiliki kelas pada peubah respon, masalah ketidakseimbangan kelas (data tidak seimbang) banyak ditemui pada kasus/data pada kehidupan dan menghadirkan tantangan yang unik dalam meningkatkan kinerja prediksi kelas minoritas. Salah satu teknik penanganan masalah tersebut dapat dilakukan dengan membangkitkan data sintetis, antara lain Synthetic Minority Oversampling Technique (SMOTE) dan Adaptive Synthetic (ADASYN). Pemilihan teknik penanganan data tidak seimbang yang tepat akan tergantung pada kompleksitas data, tingkat ketidakseimbangan kelas, ukuran data, dan algoritme klasifikasi yang digunakan.
Salah satu indikator penting yang menjadi perhatian pada Sustainable Development Goals adalah kerawanan pangan. Pemerintah mendorong untuk mengakhiri kelaparan dan menjamin akses makanan yang aman, bergizi, dan cukup sepanjang tahun. Tujuan tersebut (zero hunger) ditargetkan tercapai pada tahun 2030. Pemantauan atau monitoring terhadap beberapa indikator sangat diperlukan untuk mencapai tujuan dan menjadi bahan untuk evaluasi pemerintah, salah satunya adalah prevalensi penduduk dengan kerawanan pangan sedang/parah yang diukur menggunakan indikator Food Insecurity Experience Scale (FIES).
Kerawanan pangan masih menjadi masalah penting di Indonesia. International Food Policy Research Institute merilis Indeks Kelaparan Global pada tahun 2020 untuk negara Indonesia sebesar 19,10 (moderate) atau pada peringkat 55 dari 107 negara. Badan Pusat Statistik mencatat bahwa pada tahun 2020 terdapat 7,66 persen rumah tangga mengalami ketidakcukupan konsumsi pangan dan 5,32 persen rumah tangga mengalami kerawanan pangan sedang atau berat berdasarkan indikator FIES. Beberapa penelitian kerawanan pangan telah dilakukan di Indonesia yang menyimpulkan beberapa faktor yang memengaruhi/penciri kerawanan pangan antara lain tingkat pendidikan, transfer tunai, penerima program perlindungan sosial, bantuan beras miskin, dan penerima raskin.
Terkait berbagai permasalahan yang telah dipaparkan, maka penelitian ini berfokus pada pengaruh algoritme pembelajaran mesin dalam menghasilkan skor kepentingan peubah pada data yang kelasnya tidak seimbang. Pada penelitian ini juga akan dikaji pula dampak dari proses penyeimbangan kelas terhadap tingkat kesetujuan tersebut. Kajian ini akan menggunakan data empiris hasil Susenas Maret 2020 di Provinsi Jawa Barat untuk kejadian kerawanan pangan pada rumah tangga. Selain itu, juga dilakukan kajian simulasi untuk mendukung hasil yang diperoleh berdasarkan kajian data empiris.
Untuk menjawab tujuan penelitian, maka penelitian ini melakukan pemodelan klasifikasi mengguanakan berbagai algoritme pembelajaran mesin dalam hal ini terdapat 4 algoritme yang memiliki karakteristik unik satu sama lain pada proses pembentukan model klasifikasi, yaitu RF, XGB, NN, dan SVM. Pemilihan tersebut dimaksud untuk melihat pengaruh algoritme dalam menghasilkan tingkat kepentingan perubah. Keempat algoritme tersebut diterapkan pada tiga perlakuan penanganan data tidak seimbang, yaitu tanpa penanganan, penanganan SMOTE dan ADASYN, dengan maksud untuk mengetahui pengaruh perlakuan pada data tidak seimbang.
Hasil penelitian menyimpulkan bahwa penanganan data tidak seimbang menggunakan teknik SMOTE dan ADASYN masing-masing mampu meningkatkan kinerja model dalam melakukan prediksi kelas positif/minoritas (rawan pangan). Adanya pengaruh penanganan data tidak seimbang ditunjukkan oleh skor kepentingan peubah yang dihasilkan pada tanpa penanganan data tidak seimbang cenderung sangat berbeda bila dibandingkan dengan teknik SMOTE dan ADASYN. Sementara antar SMOTE dan ADASYN mampu menghasilkan skor kepentingan peubah yang cenderung lebih mirip satu sama lain. Pada data kerawanan pangan teknik SMOTE cenderung menghasilkan tingkat kesetujuan yang sedikit lebih baik dari teknik ADASYN. Namun, penggunaan algoritme pembelajaran mesin yang berbeda pada SMOTE masih menghasilkan perbedaan urutan skor kepentingan peubah. Tingkat kesetujuan skor kepentingan peubah penting pada lima peubah terpenting cenderung terdapat kemiripan. Pada salah satu algoritme pembelajaran mesin yang memiliki kinerja baik, yaitu random forest-SMOTE, menghasilkan peubah terpenting dalam memprediksi rumah tangga rawan pangan, yaitu rumah tangga tidak memiliki air minum layak, luas lantai rumah yang kecil, rendahnya tingkat pendidikan kepala rumah tangga, jumlah penabung sedikit, dan jenis lantai rumah yang berkualitas rendah. | id |
