IMANUEL, Rachel Maria (2026) Eksplorasi Pemodelan Stacking Ensemble Learner (SEL) untuk Klasifikasi Kerentanan Pangan Rumah Tangga Berdasarkan Data Survei Provinsi Nusa Tenggara Timur. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (225kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (3MB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (3MB)
	Text 5. KATA PENGANTAR.pdf Download (223kB)
	Text 6. ABSTRAK.pdf Download (198kB)
	Text 7. ABSTRACT.pdf Download (138kB)
	Text 8. DAFTAR ISI.pdf Download (218kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (260kB)
	Text DAFTAR PUSTAKA.pdf Download (208kB)

Abstract

Kerentanan pangan rumah tangga menjadi isu penting di Provinsi Nusa Tenggara Timur (NTT) yang memiliki tingkat kerentanan tinggi. Penelitian ini bertujuan mengklasifikasi status kerentanan pangan rumah tangga menggunakan
metode machine learning dengan membandingkan performa Regresi Logistik, Random Forest, XGBoost, dan Stacking Ensemble Learner (SEL). Model SEL dibangun dengan menggabungkan ketiga model sebagai base models dan Regresi Logistik sebagai meta model. Data yang digunakan berasal dari SUSENAS 2023 yang telah melalui proses pre-processing, dengan variabel dependen berupa status kerentanan pangan rumah tangga dan variabel independen berupa karakteristik
sosial ekonomi. Hasil penelitian menunjukkan bahwa Random Forest merupakan model tunggal terbaik dengan F1-score sebesar 66,3% pada data testing, diikuti XGBoost sebesar 65,2% dan Regresi Logistik sebesar 64,5%. Model SEL memberikan F1-score sedikit lebih tinggi, yaitu 66,4%, namun peningkatan
tersebut tidak signifikan. Optimalisasi melalui threshold tuning meningkatkan F1score hingga 71,1% dengan nilai recall hingga 90,4%, sehingga model menjadi lebih sensitif dalam klasifikasi rumah tangga rentan pangan meskipun precision menurun. Secara keseluruhan, SEL dengan threshold tuning merupakan model paling optimal untuk klasifikasi rumah tangga rentan dan berpotensi digunakan sebagai sistem pendukung keputusan dalam perencanaan intervensi kerentanan pangan di NTT.
Kata Kunci: Kerentanan Pangan NTT, eXtreme Gradient Boosting (XGBoost), Regresi Logistik, Random Forest, Stacking Ensemble Learner (SEL)

Actions (login required)

View Item