Identifikasi Faktor Penting dalam Klasifikasi Pengalaman Kerawanan Pangan di Pulau Papua dengan Ensemble Variable Importance Berbasis Algoritma Genetika

Abstract

Variable importance (VI) merupakan aspek penting dalam model machine learning (ML). Namun, algoritma ML yang berbeda sering kali menghasilkan peringkat VI yang berbeda, sehingga menyulitkan interpretasi. Penelitian ini mengkaji permasalahan tersebut dalam kasus klasifikasi kerawanan pangan di wilayah rentan Pulau Papua, di mana tingginya angka kemiskinan dan keterbatasan akses layanan dasar memerlukan intervensi yang tepat sasaran. Penelitian ini menggunakan data Survei Sosial Ekonomi Nasional Maret 2024 yang mencakup 11.016 rumah tangga. Penelitian ini melatih empat model ML, yaitu Random Forest, XGBoost, Multilayer Perceptron, dan Regresi Logistik, dengan strategi penanganan ketidakseimbangan kelas untuk mengklasifikasikan status kerawanan pangan berdasarkan Food Insecurity Experience Scale. Algoritma Genetika akan digunakan untuk menyusun ensemble variable importance (EVI) dengan memaksimalkan rata-rata terboboti dari korelasi Spearman setiap model ML dengan peringkat EVI. Pendekatan EVI berhasil mengintegrasikan berbagai VI model ML dengan rata-rata terboboti korelasi Spearman sebesar 0.912. Lima faktor utama yang teridentifikasi adalah provinsi, persentase pengeluaran rumah tangga untuk makan, proporsi kepemilikan tabungan dalam rumah tangga, status kelayakan bahan lantai, dan luas lantai bangunan per jiwa. Dominasi peubah provinsi mendorong analisis lebih lanjut dengan pendekatan clustering, yang mengungkapkan bahwa relevansi faktor ekonomi bervariasi antar wilayah. Hasil penelitian ini menunjukkan kemampuan EVI dalam menghasilkan suatu peringkat kepentingan peubah yang representatif ketika terdapat variasi VI antarmetode ML. Hasil EVI yang didapat juga menunjukkan perlunya strategi intervensi berbasis wilayah guna mengatasi kerawanan pangan di wilayah rentan Pulau Papua.