Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
5 Iss.
3 July 2025, pp: 851-861
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Prediction Model for the Impact of Climate Change on Food Security Using the Support Vector Machine and K-Nearest Neighbors Algorithms Model Prediksi Dampak Perubahan Iklim pada Ketahanan Pangan Menggunakan Algoritma Support Vector Machine and K-Nearest Neighbors Devi Puspita Sari1*.
Risman2.
Fitra Maulana3.
Lusiana Efrizoni4.
Rahmaddeni 5
1,2,3,4,5
Program Studi Teknik Informatika.
Universitas Sains dan Teknologi Indonesia.
Indonesia Email: 12210031802018@sar.
id, 22210031802103@sar.
id, 32210031802112@sar.
lusiana@stmik-amik-riau.
id, 5rahmaddeni@usti.
Received Feb 12th 2025.
Revised May 20th 2025.
Accepted Jun 06th 2025.
Available Online Jun 23th 2025.
Published Jun 23th 2025 Corresponding Author: Devi Puspita Sari Copyright A 2025 by Authors.
Published by Institut Riset dan Publikasi Indonesia (IRPI) Abstract Climate change has a significant impact on global food security, especially in regions that are highly dependent on the agricultural sector.
Phenomena such as extreme rainfall, rising temperatures, and changing wind patterns have significantly affected agricultural productivity.
The urgency of this research lies in the need for predictive data-driven models to anticipate the effects of climate change on food systems, enabling policymakers to develop timely adaptation This study aims to develop a predictive model for the impact of climate change on food security using Support Vector Machine (SVM) and K-Nearest Neighbors (K-NN) algorithms.
The dataset includes daily meteorological data such as precipitation, maximum temperature, minimum temperature, and wind speed, obtained from Kaggle (Seattle weathe.
The SVM model is applied to capture the non-linear relationship between climate parameters and food security indicators, while K-NN is used to analyze similar patterns in historical data.
The results show that SVM achieves a prediction accuracy of 78%, outperforming K-NN, which achieves 74%.
These findings confirm that SVM is more effective in modeling the complex relationship between climate variability and food security.
Thus, the research successfully meets its objectives and contributes to the development of machine learningAebased prediction systems to support adaptive food policy planning in the face of climate change.
Keywords: Agriculture.
Climate Change.
Food Security.
K-Nearest Neighbors.
Support Vector Machine Abstrak Perubahan iklim memberikan dampak signifikan terhadap ketahanan pangan global, terutama di wilayah yang sangat bergantung pada sektor agrikultur.
Fenomena seperti curah hujan ekstrem, kenaikan suhu, dan perubahan pola angin telah memengaruhi produktivitas pertanian secara signifikan.
Urgensi penelitian ini terletak pada pentingnya pengembangan model prediktif berbasis data untuk mengantisipasi dampak perubahan iklim terhadap ketahanan pangan, sehingga strategi adaptasi dapat dirancang secara tepat oleh pembuat kebijakan.
Penelitian ini bertujuan mengembangkan model prediksi dampak perubahan iklim terhadap ketahanan pangan dengan memanfaatkan algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (K-NN).
Dataset yang digunakan meliputi data meteorologi harian, seperti curah hujan .
, suhu maksimum .
emp_ma.
, suhu minimum .
emp_mi.
, dan kecepatan angin .
, yang diperoleh dari Kaggle (Seattle weathe.
Model SVM diterapkan untuk menangkap hubungan non-linear antara parameter iklim dengan indikator ketahanan pangan, sedangkan K-NN digunakan untuk menganalisis pola serupa pada data historis.
Hasil penelitian menunjukkan bahwa SVM memiliki akurasi prediksi sebesar 78%, lebih unggul dibandingkan K-NN yang mencapai akurasi 74%.
Temuan ini membuktikan bahwa SVM lebih efektif dalam memodelkan keterkaitan antara variabel iklim dan ketahanan pangan.
Dengan demikian, penelitian ini berhasil mencapai tujuannya dan memberikan kontribusi penting dalam pengembangan sistem prediksi berbasis machine learning untuk mendukung kebijakan pangan yang adaptif terhadap perubahan iklim.
Kata Kunci: Ketahanan Pangan.
K-Nearest Neighbors.
Pertanian.
Perubahan Iklim.
Support Vector Machine DOI: https://doi.
org/10.
57152/malcom.
MALCOM-05.
: 851-861
PENDAHULUAN
Perubahan iklim yang merusak, seperti cuaca ekstrem dan hilangnya biodiversitas, memengaruhi kehidupan global.
Tujuan SDGs ke-13 berfokus pada mengatasi perubahan iklim melalui pengurangan emisi gas rumah kaca, meningkatkan ketahanan terhadap perubahan iklim, dan mempromosikan pembangunan ramah lingkungan.
Selain itu, ketahanan pangan juga menjadi isu penting dalam SDGs 2030 untuk mengakhiri kelaparan, meningkatkan ketahanan pangan dan nutrisi, serta mendukung pertanian berkelanjutan.
Perubahan iklim merupakan fenomena global yang mempengaruhi berbagai aspek kehidupan di bumi, termasuk sektor pertanian.
Kondisi iklim yang berubah-ubah, seperti peningkatan suhu, perubahan pola curah hujan, dan kejadian cuaca ekstrem, dapat membawa dampak signifikan terhadap pertumbuhan dan produktivitas tanaman .
, .
Salah satu tanaman yang rentan terhadap perubahan iklim adalah gandum, yang merupakan salah satu tanaman pangan utama di dunia .
Gandum berperan penting dalam penyediaan sumber karbohidrat bagi populasi global, sehingga perubahan dalam pola pertumbuhannya memiliki implikasi besar terhadap ketahanan pangan .
Ketahanan pangan merupakan salah satu isu strategis global yang terus mendapatkan perhatian besar, terutama di negara berkembang seperti Indonesia .
Perubahan iklim secara langsung menyebabkan gangguan pada sistem produksi pangan melalui peningkatan suhu, pola curah hujan yang tidak menentu, serta kejadian cuaca ekstrem seperti kekeringan dan Kondisi ini menurunkan produktivitas lahan pertanian, memperpendek masa tanam, dan meningkatkan risiko gagal panen, yang pada akhirnya mengancam ketersediaan dan stabilitas pangan.
Dalam konteks ini, penelitian ini mendalami bagaimana variabel iklim seperti suhu, curah hujan, dan angin dapat dipetakan secara kuantitatif untuk memprediksi ketahanan pangan menggunakan algoritma machine learning, khususnya SVM dan K-NN, sehingga hasilnya dapat digunakan sebagai dasar pengambilan keputusan dalam upaya mitigasi dan adaptasi terhadap perubahan iklim.
Selain permasalahan sosial ekonomi.
Kerusakan lahan pertanian karena perubahan iklim dan penurunan produksi termasuk beberapa ancaman terhadap ketahanan pangan.
Menurut BMKG dalam Kompas .
, daerah produksi pertanian akan menjadi fokus prediksi iklim tahun 2020, terutama di beberapa wilayah produksi pertanian dengan musim kemarau yang lebih kering (Diasumsikan bahwa ada kemungkinan hal tersebut akan terjadi setelah bulan Juni 2.
Mulai dari Sumatera.
Jawa.
Kalimantan.
Sulawesi Selatan, dan Bali.
Hanani .
melaporkan bahwa pandemi COVID-19 yang mungkin menjadi ancaman untuk produksi dan distribusi makanan dan produk pertanian untuk memenuhi kebutuhan masyarakat sehingga dapat mempengaruhi pada ketahanan pangan, tambahnya bahwa hal tersebut dapat diberikan .
Food and Agriculture Organization (FAO) mendefinisikan ketahanan pangan sebagai situasi ketika orang memiliki akses, baik fisik dan ekonomi terhadap pangan yang cukup, aman dan sehat setiap saat untuk memenuhi kebutuhan dan preferensi pangan mereka untuk hidup yang energik dan sehat .
Menurut Nurdin .
, sektor pertanian sangat rentan terhadap perubahan iklim karena dapat memengaruhi pola tanam, waktu tanam, produksi, dan kualitas hasil .
Variabilitas iklim berdampak pada pertanian padi, dan karakteristik serta respons petani dapat digunakan sebagaidasar untuk meningkatkan kapasitas adaptasi petani dalam meminimalkan risiko terhadap dampak variabilitas dan perubahan iklim .
Dalam penelitian ini, penggunaan algoritma analisis data menjadi krusial untuk menghasilkan informasi yang akurat dan berguna.
Terdapat banyak algoritma klasifikasi dalam supervised learning pada machine learning, diantaranya adalah K-Nearest Neighbors (K-NN).
Naive Bayes Classifier (NBC).
Support Vector Machine (SVM).
Neural Network (NN).
Random Forest Classifier (RFC).
AdaBoost Classifier (ABC) dan Quadratic Discriminant Analysis (QDA).
Masing-masing algoritma ini mempunyai kelebihan dan kekurangan.
Salah satu kelebihan metode klasifikasi ini terlihat dari caranya menangani objek kumpulan data.
K-NN
merupakan algoritma yang mengklasifikasikan data berdasarkan K tetangga terdekat .
earest neighbour.
Algoritma K-NN adalah salah satu algoritma yang sudah popular.
K-NN ini termasuk ke dalam grup instance-based learning.
Metode K-NN merupakan teknik lazy learning.
Algoritma SVR merupakan pengembangan dari algoritma Support Vector Machine untuk kasus regresi atau prediksi .
SVM merupakan salah satu algoritma dalam supervised learning yang biasanya digunakan untuk klasifikasi .
eperti Support Vector Classificatio.
dan regresi (Support Vector Regressio.
Dalam pemodelan klasifikasi.
SVM memiliki konsep yang lebih matang dan lebih jelas secara matematis dibandingkan dengan teknik-teknik klasifikasi SVM juga dapat mengatasi masalah klasifikasi dan regresi dengan linear maupun non linear.
SVM
dapat mengklasifikasikan data di mana kelas tidak dapat dipisahkan secara linear dengan memetakan data.
SVM dapat mengklasifikasikan data di mana kelas tidak dapat dipisahkan secara linear dengan memetakan data.
Dalam penelitian sebelumnya yang dilakukan, beberapa faktor yang disebut sebagai faktor abiotik seperti jenis tanah, tingkat nutrisi, suhu, kelembaban, dan angin berpengaruh signifikan terhadap hasil panen.
Kombinasi algoritma SVM-K-NN terbukti mampu meningkatkan akurasi klasifikasi, seperti pada penelitian Akbar dkk.
yang mengidentifikasi gagal ginjal kronis dan mencapai akurasi 94,25%, lebih tinggi dibandingkan SVM .
,09%) dan K-NN .
,73%).
Pada penggunaan algoritma SVM.
Kurniawan .
berhasil memprediksi hasil panen salak dengan akurasi baik, dan Rokhmah dkk.
Model Prediksi Dampak Perubahan Iklim Pada.
(Sari et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 mengklasifikasikan produktivitas padi secara efektif .
Sementara itu.
Algoritma K-NN digunakan oleh Rustanto dkk.
dalam identifikasi penyakit daun padi berbasis citra, serta oleh Bhayangkara dkk.
untuk klasifikasi kualitas tanah kedelai secara real-time menggunakan sensor Arduino .
Penelitian ini membandingkan K-NN dan SVM dalam memprediksi dampak perubahan iklim terhadap ketahanan pangan, mengevaluasi keakuratan dan efisiensi kedua algoritma dalam menganalisis variabelvariabel yang berhubungan dengan kondisi iklim dan ketahanan pangan.
Secara akademik, penelitian ini memperkaya literatur machine learning dalam konteks ketahanan pangan dan perubahan iklim, serta menjadi referensi untuk pengembangan model prediksi yang lebih akurat dalam menghadapi tantangan perubahan Secara praktis, hasil penelitian ini dapat diterapkan dalam sistem peringatan dini dan strategi mitigasi untuk memastikan ketahanan pangan di masa depan, yang bermanfaat bagi pengambil kebijakan dan petani.
Selain itu, penelitian ini memberikan wawasan penting bagi praktisi dan pengembang aplikasi berbasis teknologi untuk memilih algoritma terbaik yang dapat membantu memprediksi dan memitigasi dampak perubahan iklim terhadap ketahanan pangan, sehingga mendukung upaya global dalam meningkatkan ketahanan pangan dan mengurangi kerentanannya terhadap perubahan iklim.
Meskipun sudah banyak penelitian yang mengkaji K-NN dan SVM secara terpisah, perbandingan langsung antara kedua algoritma ini dalam memprediksi dampak perubahan iklim terhadap ketahanan pangan masih sangat terbatas.
Padahal, penelitian komparatif seperti ini penting untuk mengidentifikasi algoritma mana yang lebih efektif dan efisien dalam menangani masalah kompleks yang melibatkan variabel iklim dan ketahanan pangan.
Oleh karena itu, penelitian ini bertujuan untuk menganalisis kinerja kedua algoritma dalam memprediksi dampak perubahan iklim terhadap ketahanan pangan, serta mengidentifikasi keunggulan dan kelemahan masing-masing algoritma dalam memberikan prediksi yang akurat dan relevan.
Evaluasi dilakukan menggunakan metrik-metrik seperti akurasi, presisi, recall, dan F1-score, untuk memberikan gambaran yang lebih jelas mengenai performa keduanya dalam konteks ini.
METODE PENELITIAN
Dari alur penelitian yang di gunakan disajikan pada Gambar 1.
Gambar 1.
Methodologi Penelitian Gambar 1 merupakan tahapan penlitian yang terdiri dari.
MALCOM - Vol.
5 Iss.
3 July 2025, pp: 851-861 MALCOM-05.
: 851-861
Data Collection Dataset ini berasal dari penelitian yang bertujuan untuk menganalisis dampak perubahan iklim terhadap ketahanan pangan.
Data yang digunakan meliputi data meteorologi harian periode 2012Ae2022.
Data ini memiliki enam fitur utama:
Date .
Precipitation .
urah hujan, dalam m.
Temp_max dan Temp_min .
uhu maksimum dan minimum harian, dalam AC).
Wind .
ecepatan angin, dalam m/.
Weather .
ondisi cuaca yang telah dikodekan dalam skala numerik: 1=hujan, 2=kabut, 3=panas, 4=salju, 5=gerimi.
Total terdapat 1460 data observasi.
Data ini digunakan untuk merepresentasikan kondisi iklim yang akan menjadi prediktor dalam pemodelan ketahanan pangan.
Exploratory Data Exploratory Data Analysis (EDA) adalah suatu pendekatan awal yang penting dalam analisis data yang bertujuan untuk menggali dan memahami struktur serta karakteristik data tanpa membuat asumsi sebelumnya.
EDA bertujuan untuk memahami struktur, pola, dan karakteristik dataset.
Analisis ini melibatkan evaluasi distribusi data, identifikasi outlier, dan pemahaman hubungan antarvariabel menggunakan visualisasi seperti histogram, scatter plot.
Data Preprocessing Data Preprocessing adalah proses menyiapkan data mentah agar siap digunakan oleh Algoritma Machine Learning melalui pembersihan, transformasi, dan pemformatan data.
Pada tahapan ini menggunakan tiga tahap:
Data Cleaning Data Cleaning adalah proses membersihkan data dari kesalahan, inkonsistensi, atau nilai yang tidak sesuai agar lebih siap digunakan dalam analisis dan machine learning.
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan .
Data Transformation Data Transformation adalah proses mengubah atau memanipulasi data agar lebih sesuai untuk analisis atau pemodelan machine learning.
Selepas data dibersihkan dari kesalahan, data ditransformasikan menurut tipe data pada tahap transformasi, dan tipe data diklasifikasikan sebagai data kategorikal .
Transformasi pada penelitian ini yaitu mengubah data pada fitur BmiClass kedalam bentuk numerik, yang nantinya akan dilakukan seleksi fitur.
Feature Selection Feature Selection adalah proses memilih subset fitur .
ariabel independe.
yang paling relevan untuk digunakan dalam model machine learning.
Feature selection .
eleksi fitu.
bertujuan untuk memilih feature yang berpengaruh dan mengesampingkan feature yang tidak berpengaruh dalam suatu kegiatan pemodelan atau penganalisaan data.
Menggunakan teknik seleksi fitur mengurangi jumlah fitur digunakan untuk belajar dan memilih fitur diskriminasi tinggi dalam proses seleksi fitur .
Selain itu, seleksi fitur membantu meningkatkan akurasi dengan memilih fitur yang optimal .
Modelling Pada tahap Modeling Data, dibangun model prediktif menggunakan Algoritma SVM dan K-NN dengan pembagian data 80% untuk pelatihan dan 20% untuk pengujian.
Parameter model dioptimalkan menggunakan Grid Search.
Untuk SVM diuji kombinasi parameter C, kernel, dan gamma, sedangkan untuk K-NN diuji variasi k, weights, dan metric, guna memperoleh kombinasi terbaik dan mengevaluasi akurasi model.
Algoritma digunakan untuk mengolah data melalui serangkaian langkah yang terstruktur guna menghasilkan model yang sesuai dengan tujuan penelitian.
Dalam penelitian ini, dua algoritma yang digunakan Algoritma K-NN K-NN merupakan salah satu Metode supervised learning yang dapat digunakan untuk berbagai tujuan, seperti klasifikasi dan penambangan data .
Metode klasifikasi ini menggunakan perkiraan statistik untuk menemukan solusi yang efisien .
Algoritma ini menentukan kelas suatu titik data dengan mempertimbangkan kelas dari K tetangga terdekatnya .
Jarak antar titik dihitung menggunakan rumus Euclidean ditunjukkan pada persamaan 1.
Model Prediksi Dampak Perubahan Iklim Pada.
(Sari et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 ye.
cu, ycuycn )ycu = ocycuyc=1.
cu, ycuycnyc ) .
Di mana ye adalah jarak Euclidean antara titik data uji ycu dan titik data pelatihan ycuycn .
Algoritma SVM Support Vector Machine (SVM) merupakan metode yang handal dalam menangani masalah klasifikasi data .
SVM termasuk dalam kategori supervised learning yang berfungsi mengklasifikasikan data baru ke dalam ruang berdimensi N dengan memanfaatkan hyperplane sebagai pemisah .
Metode ini tidak hanya efektif untuk data yang terpisah secara linier, tetapi juga mampu menangai data yang bersifat non-linier.
Tujuan utama dari SVM yakni untuk menentukan hyperplane ideal yang memisahkan dua kelas dengan cara memaksimalkan margin antar kelas .
, persamaan umum dapat ditunjukkan pada persamaan 2.
= yuiycN ycu yca SVM bertujuan untuk memaksimalkan margin antar kelas, yang dihitung sebagai:
Margin = o SVM juga menggunakan fungsi kernel seperti Linear dan Radial Basis Function untuk menangani data yang tidak terpisahkan secara linear.
Evaluasi Model Untuk mengukur kinerja dalam Evaluasi model menggunakan Confusion Matrix.
Confusion Matrix adalah alat evaluasi yang digunakan untuk mengukur kinerja model klasifikasi dengan membandingkan prediksi model dengan nilai sebenarnya.
Evaluasi memiliki makna yang berbeda dengan penilaian dan Evaluasi didahului dengan penilaian .
, sedangkan penilaian didahului dengan pengukuran .
Evaluasi Model adalah proses untuk menilai kinerja model machine learning setelah tahap pelatihan selesai.
Tujuan dari evaluasi model adalah untuk mengetahui seberapa baik model yang dibangun dapat menggeneralisasi dan membuat prediksi yang akurat pada data yang tidak terlihat sebelumnya .
ata uj.
Ini adalah langkah penting untuk memastikan model yang digunakan dapat memberikan hasil yang bermanfaat dan dapat diterapkan di dunia nyata.
Optimasi dilakukan dengan Grid Search dan validasi silang 5-fold.
Evaluasi model dilakukan menggunakan empat metrik utama sebagai berikut:
Akurasi Akurasi mengukur seberapa tepat model dalam memprediksi data dengan benar secara keseluruhan.
Metrik ini memberikan gambaran umum tentang kinerja model pada seluruh dataset.
Akurasi = .
cNycE ycNycA) .
cNycE ycNycA yaycN yaycA) Precision Precision mengukur akurasi prediksi positif yang dibuat oleh model.
Precission = .
cNycE) .
cNycE yaycE) .
Recall Recall mengukur seberapa baik model dalam menemukan semua data positif yang sebenarnya Recall = .
cNycE) .
cNycE yaycA) .
F1-Score F1-Score adalah rata-rata harmonik dari Precision dan Recall, memberikan keseimbangan antara F1-Score = 2 .
cEycIyayayaycIycIyaycCycA y ycIyayayayay.
ycEycIyayayaycIycIyaycCycA ycIyayayayaya Model dengan F1-score tertimbang tertinggi dianggap paling baik dalam klasifikasi kelas yang tidak Pada tahapan berikut ini akan menjelaskan hasil dari kinerja model.
MALCOM - Vol.
5 Iss.
3 July 2025, pp: 851-861 MALCOM-05.
: 851-861
HASIL DAN PEMBAHASAN
Data Collection Data ini di ambil di https://kaggle.
com pemilik akun mark medhat.
Dataset tersebut berisi data cuaca harian kota Seattle dengan total 1.
460 entri, mencakup variabel: tanggal .
, curah hujan .
, suhu maksimum .
emp_ma.
, suhu minimum .
emp_mi.
, kecepatan angin .
, dan kondisi cuaca .
Data weather telah dikonversi ke dalam bentuk numerik yaitu: 1 untuk hujan, 2 untuk kabut, 3 untuk panas, 4 untuk salju, dan 5 untuk gerimis.
Dataset publik ini telah digunakan dalam berbagai studi sebelumnya, seperti oleh Zamil et al.
untuk klasifikasi cuaca menggunakan SVM dan K-NN dalam filtering email spam berbasis kondisi cuaca, serta oleh Egbunu et al.
untuk memprediksi pengaruh iklim terhadap ketahanan pangan di Nigeria dengan Random Forest.
Hal ini menunjukkan bahwa dataset tersebut relevan dan dapat dipertanggungjawabkan secara ilmiah untuk pemodelan prediksi iklim dan pangan.
Tabel 1 merupakan isi dataset yang digunakan yaitu Dataset Weather Seattle.
Tabel 1.
Dataset Weather Seattle Date
2012-01-01
2012-01-02
2012-01-03
2012-01-04
2012-01-05
2015-12-27
2015-12-28
2015-12-29
2015-12-30
2015-12-31
Precipitation Temp_Max Temp_Min Wind Weather Pluviometer (Alat Ukur Curah Huja.
Termometer (Max-Mi.
Anemometer.
Wind Vane.
Stasiun Meteorologi.
Exploratory Data Visualisasi data menunjukkan korelasi kuat antara suhu maksimum dan minimum, sementara curah hujan dan angin tidak memiliki hubungan jelas dengan variabel lain.
Distribusinya cenderung skewed ke kanan, dan kategori cuaca tersebar merata tanpa pola spesifik terhadap variabel iklim.
Data Preprocessing Data Cleaning Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan .
Data Transformation Normalisasi data untuk memastikan setiap variabel memiliki skala yang sama.
Feature Selection Memilih fitur-fitur penting berdasarkan korelasi atau analisis statistik.
Skrip ini mempersiapkan dataset cuaca Seattle untuk model K-NN dan SVM dengan membersihkan data .
enghapus duplikasi, imputasi nilai hilang, dan menghapus outlie.
serta mentransformasi fitur.
Data dinormalisasi untuk K-NN menggunakan MinMaxScaler dan distandarisasi untuk SVM menggunakan StandardScaler, agar siap untuk pelatihan model selanjutnya.
Gambar 2 korelasi antar fitur dapat di lihat di bawah ini.
Model Prediksi Dampak Perubahan Iklim Pada.
(Sari et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Gambar 2.
Matriks korelasi fitur Hasil Evaluasi dan Visualisasi Model Tahap ini melibatkan pembangunan model prediktif menggunakan algoritma SVM dan K-NN.
Parameter model dioptimalkan menggunakan teknik grid search untuk meningkatkan performa.
Modeling SVM dapat terlihat pada script Gambar 3.
Gambar 3.
Script Hasil visualisasi SVM dapat di lihat pada Gambar 4.
Gambar 4.
Visualisasi SVM Visualisasis Algoritma SVM ini menunjukkan scatter plot dari data yang telah dinormalisasi, dengan dua fitur utama sebagai sumbu X dan Y.
Setiap titik mewakili sampel data, dan warna yang berbeda menunjukkan kelas masing-masing.
Dari pola sebarannya, terlihat bahwa Class 1 .
memiliki distribusi yang lebih luas, sementara kelas lainnya lebih terkonsentrasi di sisi kiri grafik.
Hal ini mengindikasikan bahwa fitur pertama mungkin memiliki pengaruh lebih besar dalam membedakan kelas dibandingkan fitur kedua.
Disinin .
sebagai Hujan, .
sebagai Kabut, .
sebagai Panas, .
sebagai Salju, dan .
sebagai Gerimis.
Hasil visualisasi K-NN dapat di lihat pada Gambar 5.
MALCOM - Vol.
5 Iss.
3 July 2025, pp: 851-861 MALCOM-05.
: 851-861
Gambar 5.
Visualisasi K-NN Scatter plot menunjukkan hubungan antar variabel cuaca pada model K-NN, dengan korelasi kuat antara suhu maksimum dan minimum, serta distribusi skewed pada curah hujan dan angin.
Algoritma SVM dan KNN digunakan untuk mengolah dataset dan membandingkan akurasi, di mana algoritma dengan akurasi tertinggi dijadikan acuan utama dalam penelitian ini.
Evaluasi model dilakukan dengan menggunakan metrik Akurasi: Untuk mengukur seberapa sering model memprediksi dengan benar.
Precision.
Recall.
F1-Score: Untuk mengevaluasi keseimbangan antara true positives dan false Cross-Validation: Untuk menghindari overfitting.
Tabel 2.
Perbandingan Kinerja Model Metrik Evaluasi Akurasi Precision .
Recall .
F1-Score .
F1-Score .
K-NN
SVM
Hasil menunjukkan bahwa SVM unggul dalam semua metrik utama, terutama pada F1-score Namun, nilai F1-score macro yang rendah menunjukkan kedua algoritma masih memiliki kesulitan dalam mengklasifikasikan kelas minoritas.
Gambar 5.
Confusion Matrix Confusion matrix pada Gambar 5 memberikan gambaran visual mengenai prediksi benar dan salah dari masing-masing kelas.
K-NN menunjukkan keunggulan dalam mengklasifikasikan kelas dominan seperti hujan dan panas, sementara SVM memperlihatkan kestabilan klasifikasi yang lebih baik secara keseluruhan.
Analisis Komparatif dan Statistik Analisis pada Tabel 3 menunjukkan kelebihan dan kekurangan masing-masing algoritma dalam konteks prediksi ketahanan pangan:
Model Prediksi Dampak Perubahan Iklim Pada.
(Sari et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Tabel 3.
Analisis Komparatif Algoritma
Aspek
Kelebihan Kekurangan Relevansi
K-NN
Sederhana, cepat untuk dataset kecil Sensitif terhadap outlier, tidak efisien pada data besar Cukup untuk preiksi cuaca dasar SVM Akurat untuk data kompleks dan non-linear Perlu tuning parameter dan komputasi tinggi Efektif dalam mengenali pola iklim terhadap ketahanan pangan Untuk mengetahui apakah perbedaan performa signifikan secara statistik, dilakukan uji paired t-test terhadap nilai F1-score dari validasi silang.
Hasil pengujian menunjukkan:
p-value<0.
Hasil ini menunjukkan bahwa perbedaan performa antara K-NN dan SVM signifikan secara statistik, dan SVM secara konsisten menunjukkan performa yang lebih baik dalam klasifikasi prediksi ketahanan pangan berbasis iklim.
Algoritma K-NN memiliki akurasi 74%, dengan performa baik pada kelas 1 dan 3, namun buruk pada kelas 2, 4, dan 5.
Sementara itu.
SVM sedikit lebih akurat .
%) dan juga baik pada kelas 1 dan 3, namun sangat buruk pada kelas 2, 4, dan 5.
Kedua model menunjukkan macro average f1-score yang rendah (K-NN:
SVM: 0.
, meskipun weighted average f1-score keduanya 0.
72, yang berarti lebih baik pada kelas dengan data lebih banyak.
Keduanya kesulitan dalam mengklasifikasikan kelas minoritas.
Dari kedua Algoritma, di dapatkan hasil untuk keduanya hanya mencapai good model yaitu kisaran Hasil utama yang di dapat adalah pengaruh dari setiap variabel yang telah di tentukan yaitu 1 sampai 5.
Disini dari Algoritma SVM dan K-NN terdapat keunggulan pada Algoritma SVM dari segi variabel dan akurasi, modelnya 1 sebagai hujan dan 3 sebagai suhu maksimum adalah variabel yang paling berpengaruh dari penelitian ini.
Untuk mencapai excelent di sarankan untuk menggunakan data yang banyak untuk menghasilkan model yang bagus.
Diskusi Hasil penelitian menunjukkan bahwa Algoritma SVM memiliki performa lebih baik dibandingkan KNN dalam memprediksi dampak perubahan iklim terhadap ketahanan pangan, dengan akurasi masing-masing sebesar 78% dan 74%.
Kelebihan SVM terletak pada kemampuannya menangani data non-linear dan berdimensi tinggi melalui penggunaan fungsi kernel, sedangkan K-NN yang bersifat instance-based cenderung kurang efektif pada distribusi data yang tidak seimbang.
Distribusi kelas yang tidak merata dalam dataset menyebabkan penurunan performa klasifikasi pada kelas minoritas, sebagaimana tercermin dari nilai F1-score makro yang rendah (SVM: 0.
K-NN: 0.
Hal ini menegaskan pentingnya teknik penyeimbangan data seperti Synthetic Minority Over-sampling Technique (SMOTE) untuk penelitian lanjutan.
Temuan ini sejalan dengan hasil studi sebelumnya seperti oleh Akbar et al.
yang menunjukkan bahwa SVM dapat mengenali pola kompleks dengan baik.
Dalam konteks ketahanan pangan, curah hujan ekstrem dan suhu maksimum terbukti menjadi variabel paling dominan dalam mempengaruhi hasil prediksi, dan relevansi temuan ini membuka peluang integrasi model ke dalam sistem pemantauan berbasis data.
Secara praktis, model yang dikembangkan berpotensi diimplementasikan dalam sistem peringatan dini untuk ketahanan pangan.
Hal ini dapat dimanfaatkan oleh pemangku kebijakan seperti Kementerian Pertanian.
BMKG, atau Badan Ketahanan Pangan untuk mendukung strategi adaptasi perubahan iklim.
Namun, penelitian ini memiliki keterbatasan pada cakupan data spasial dan temporal yang terbatas serta belum mempertimbangkan variabel sosial ekonomi.
Ke depan, penelitian serupa dapat memperluas data ke wilayah Indonesia dan menerapkan Algoritma ensemble seperti Random Forest atau XGBoost untuk meningkatkan akurasi serta membangun sistem pemantauan ketahanan pangan secara real-time melalui dashboard interaktif.
KESIMPULAN
Penelitian ini mengembangkan model prediksi dampak perubahan iklim terhadap ketahanan pangan menggunakan Algoritma SVM dan K-NN.
Hasil penelitian menunjukkan bahwa SVM memiliki akurasi lebih tinggi .
%) dibandingkan K-NN .
%), meskipun kedua model mengalami kesulitan dalam mengklasifikasikan kelas minoritas.
Analisis lebih lanjut mengungkap bahwa variabel yang paling berpengaruh terhadap ketahanan pangan dalam model SVM adalah curah hujan ekstrem dan suhu maksimum, sedangkan dalam model K-NN, variabel dominan adalah fluktuasi suhu harian dan curah hujan.
Visualisasi data menunjukkan suhu maksimum dan minimum memiliki korelasi yang kuat, sementara curah hujan dan kecepatan angin menunjukkan distribusi yang skewed dengan beberapa outlier.
Dari kelima variabel yang diteliti, curah hujan dan suhu ekstrem .
terbukti sebagai faktor paling berpengaruh dalam kedua algoritma, dengan curah hujan menjadi variabel utama yang konsisten mempengaruhi hasil prediksi.
Oleh karena itu, curah hujan .
dan suhu ekstrem .
menjadi faktor kritis yang perlu MALCOM - Vol.
5 Iss.
3 July 2025, pp: 851-861 MALCOM-05.
: 851-861
diperhatikan dalam merumuskan kebijakan.
Dengan demikian, model prediktif ini dapat menjadi alat yang bermanfaat bagi pembuat kebijakan dalam merancang strategi mitigasi dan adaptasi terhadap dampak perubahan iklim pada sektor pertanian, guna menjaga keberlanjutan sistem pangan di wilayah yang rentan terhadap perubahan iklim.
Dengan spliting data 80:20 dapat di peroleh bahwa yang terbaik adalah pada SVM adapun faktor yang mempengaruhi pada SVM itu adalah curah hujan .
dan suhu ekstrem .
menjadi faktor kritis yang perlu diperhatikan dalam merumuskan kebijakan.
Hal itu akan menjadi dasar rekomendasi kebijakan untuk ketahanan pangan dalam menghadapi perubahan iklim.
REFERENSI