Perbandingan Performa Metode Random Forest dan MARS Pada Pengklasifikasian Status Rawan Pangan di Provinsi Banten Tahun 2023

Abstract

Kerawanan pangan merupakan kondisi ketidakmampuan wilayah sampai dengan perseorangan yang tercermin dari tidak tersedianya pangan yang cukup. Salah satu upaya yang dapat dilakukan adalah dengan mengoptimalkan tindakan pencegahan dan intervensi berdasarkan status rawan pangan. Data BPS tahun 2023 menunjukkan angka prevalensi rawan pangan di Provinsi Banten mengalami peningkatan dari 4,86 persen pada tahun 2021 menjadi 5,76 persen pada tahun 2023. Penelitian ini bertujuan untuk memodelkan kejadian rawan pangan rumah tangga dengan menerapkan metode Multivariate Adaptive Regression Spline(MARS) sebagai pengklasifikasi tunggal dan random forest sebagai metode klasifikasi ensemble pada data rawan pangan di Provinsi Banten. Data yang digunakan merupakan data Survey Sosial Ekonomi Nasional tahun 2023, data berjumlah 7160 data dengan unit penelitiannya adalah rumah tangga. Hasil penelitian menunjukkan bahwa model Synthetic Minority Oversampling Technique (SMOTE) random forest dan SMOTE MARS memiliki perbedaan performa yang tidak berbeda nyata. Kedua model menghasilkan dua peubah terpenting yang sama yaitu tingkat pendidikan terakhir yang ditempuh oleh kepala rumah tangga dan besar pangsa pengeluaran pangan.

Food insecurity is a condition of regional to individual inability reflected in the unavailability of sufficient food. One of the ways that can be done is to optimize prevention and intervention measures based on food insecurity status. BPS data for 2023 shows that the prevalence rate of food insecurity in Banten Province has increased from 4.86 percent in 2021 to 5.76 percent in 2023. This study aims to model the incidence of household food insecurity by applying the Multivariate Adaptive Regression Spline (MARS) method as a single classifier and random forest as an ensemble classification method to food insecurity data in Banten Province. The data used is Survey Sosial Ekonomi Nasional data in 2023, 7160 data with the research unit is households. The results showed that the Synthetic Minority Oversampling Technique (SMOTE) random forest and SMOTE MARS models have statistically insignificant differences in performance. Both models produced the same two most important variables, namely the level of education attained by the household head and the share of food expenditure.