View of KLASIFIKASI WILAYAH RAWAN PANGAN DI KABUPATEN ACEH UTARA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

(1)

824

KLASIFIKASI WILAYAH RAWAN PANGAN DI KAB ACEH UTARA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

Eva Darnila¹⁾, Maryana²⁾, Khairunnisa³⁾

1-3 Program Studi Teknik informatika, Fakultas Teknik, Universitas Malikussaleh

email: eva.darnila@unimal.ac.id, maryana@unimal.ac.id, khairunnisa.180170164@mhs.unimal.ac.id Abstract

Food insecurity is a condition where food security is not achieved, so food insecurity can be interpreted as a condition of not providing enough food for individuals or individuals to be able to live healthy, active, and productive lives sustainably The Department of Agriculture and Food of North Aceh Regency has compiled a map of the FSVA of North Aceh Regency but it is known that the process of collecting and summarizing FSVA data takes a long time thus resulting in slow handling. This study classifies regional data to classify food insecurity priorities quickly and efficiently using the K-Nearest Neighbor (KNN) algorithm. The data used in this study were 852 regional data. Then it is grouped into 6 priorities, namely Priority 1, Priority 2, Priority 3, Priority 4, Priority 5, Priority 6. The data is divided into 2, namely 70%

is used for training data and 30% is used as test data. The results of the classification of food insecure areas using the K-Nearest Neighbor algorithm are Priority 1 consisting of 7 villages (2.73%), Priority 2 consisting of 24 villages (9.37%), Priority 3 consisting of 4 villages (1.56%) with the Euclidean Distance approach, this study achieved an accuracy rate of 86%.

Keywords: FSVA, K-Nearest Neighbor, Klasifikasi

1. PENDAHULUAN

Pangan merupakan keperluan dasar manusia yang sangat krusial, dan hak ini dijamin oleh Undang-Undang Dasar Negara Republik Indonesia sebagai elemen pokok dalam usaha menciptakan manusia yang unggul [1]. Sesuai dengan Undang-Undang Pangan Nomor 18 tahun 2012, pangan melibatkan semua produk yang berasal dari sumber daya hewani dan hayati seperti pertanian, perkebunan, kehutanan, perikanan, peternakan, perairan, dan air. Definisi ini mencakup produk yang telah diolah maupun yang masih mentah, yang ditujukan untuk dikonsumsi oleh manusia, melibatkan bahan tambahan pangan, bahan baku pangan, dan komponen lainnya yang digunakan dalam tahap persiapan, pengolahan, atau pembuatan makanan dan minuman [2].

Ketahanan pangan adalah situasi di mana kebutuhan pangan bagi rumah tangga terpenuhi dengan cukup, baik dari segi kuantitas maupun kualitasnya, serta tersedia secara aman, merata, dan dapat dijangkau serta sesuai dengan nilai- nilai agama, keyakinan, dan budaya masyarakat, untuk mendukung hidup sehat, aktif, dan produktif secara berkelanjutan [3]. Jika suatu

wilayah, komunitas, atau rumah tangga menghadapi situasi di mana ketersediaan dan keamanan pangan tidak memadai untuk memenuhi kebutuhan dasar pertumbuhan dan kesehatan sebagian besar penduduknya, maka wilayah tersebut dapat dianggap sebagai wilayah rawan pangan [4]

Kerawanan pangan merujuk pada situasi di mana ketahanan pangan tidak tercapai [5]. Ini dapat didefinisikan sebagai keadaan di mana pasokan makanan yang mencukupi untuk mendukung kesehatan, aktivitas, dan produktivitas individu atau perorangan tidak tersedia secara berkelanjutan. Dalam konteks ini, kerawanan pangan juga dapat dipahami sebagai kondisi di mana rumah tangga atau anggota rumah tangga menghadapi risiko kekurangan gizi karena ketersediaan pangan yang tidak mencukupi atau ketidakmampuan untuk mengakses pangan yang cukup. Ini juga dapat terjadi jika asupan kalori dari makanan berada di bawah jumlah minimum yang diperlukan untuk menjaga kesehatan [6].

Badan Ketahanan Pangan (BKP) telah bermitra dengan Program Pangan Dunia (WFP) untuk mengembangkan peta Ketahanan dan

(2)

825

Kerentanan Pangan (FSVA). Peta ini awalnya disebut Food Security Atlas (FIA). ini mencakup 30 provinsi dan 265 provinsi federal, tetapi berganti nama menjadi peta Ketahanan dan Kerentanan Pangan (FSVA) pada tahun 2009 dan mencakup 346 kabupaten di 32 provinsi di Indonesia dan pertama kali diterbitkan pada tahun 2010. [7]

Peta FSVA bertujuan untuk menilai tingkat keberlanjutan ketahanan pangan suatu wilayah dan sekaligus menilai sejauh mana kemajuan yang telah dicapai dalam pembangunan ketahanan pangan dan gizi [6].

Pembentukan FSVA kabupaten adalah usaha untuk merinci analisis hasil FSVA yang telah dilakukan pada tingkat nasional dan lokal sebelumnya. Secara spesifik, FSVA mampu menyajikan informasi dan hasil yang penting untuk membantu pengambilan keputusan dalam perencanaan program, penetapan target, dan perancangan kebijakan agar dapat mengurangi risiko ketidakamanan pangan dan masalah gizi [5].

Dinas Pertanian dan Pangan Provinsi Aceh Utara telah menyusun laporan peta FSVA Provinsi Aceh Utara. Telah diketahui bahwa proses pengumpulan dan rangkuman data FSVA memakan waktu yang cukup lama, bahkan mencapai tiga tahun. Lama waktu yang dibutuhkan untuk mengumpulkan data FSVA tersebut mengakibatkan penundaan dalam merespons daerah-daerah yang mengalami kerawanan pangan.[6]

Pangan saat ini menjadi kebutuhan pokok yang mendesak dan harus segera terpenuhi. Oleh Sebab itu, Penting untuk segera mengumpulkan data dengan cepat agar masalah di wilayah yang rentan terhadap ketahanan pangan dapat segera diatasi. Oleh karena itu, perlu adanya klasifikasi daerah rawan pangan di Kab. Aceh Utara.

Klasifikasi merupakan suatu cara pengelompokkan data secara teratur berdasarkan aturan dan norma yang telah ditentukan sebelumnya [8]. Proses klasifikasi juga dapat diartikan sebagai tindakan mengelompokkan data atau objek baru yang kelasnya masih belum diketahui[9].Klasifikasi adalah salah satu metode statistik untuk pengelompokkan atau pengkategorian data yang tersusun secara sistematis[10]. Dan klasifikasi wilayah rawan pangan dapat diartikan sebagai proses identifikasi

dan pengelompokan daerah atau wilayah berdasarkan tingkat risiko atau kerentanannya terhadap masalah-masalah yang dapat mengganggu ketersediaan, aksesibilitas, dan kestabilan pangan.

Terdapat beberapa algoritma umum yang digunakan untuk klasifikasi data, seperti K- Nearest Neighbor, Decision Tree, Naive Bayes, dan Neighbor Weighted K-Nearest Neighbor (NWKNN). Berdasarkan penelitian yang dilakukan oleh [11] tentang Klasifikasi Kebakaran Hutan Menggunakan Metode K- Nearest Neighbor, metode ini berhasil mengklasifikasikan kebakaran hutan di Provinsi Kalimantan Barat. Pengujian dilakukan dengan menggunakan data testing sebanyak 30% dari total 14.201 data, sementara data training sebanyak 70% dari total data tersebut. Hasil penelitian menunjukkan tingkat akurasi sebesar 92%, dengan nilai K = 18. Selanjutnya, penelitian yang dilakukan oleh [12] dengan judul

"Klasifikasi Daerah Tertinggal di Indonesia menggunakan Metode Naive Bayes Classifier"

mencatat bahwa pengukuran kinerja klasifikasi menggunakan Matriks Confusion menghasilkan nilai akurasi sebesar 90%. Demikian pula, penelitian yang dilakukan oleh [13] dengan judul

"Klasifikasi Status Desa/Kelurahan DIY (Yogyakarta) Menggunakan Model Decision Tree" mencapai hasil yang positif. Dari 438 desa/kelurahan yang dianalisis, model decision tree berhasil mengklasifikasikan dengan benar 392 desa/kelurahan sesuai dengan status sebelumnya. Model ini memiliki tingkat spesifikitas sebesar 90.32%, ketepatan presisi sebesar 87.5%, kepekaan recall sebesar 88.42%, dan F1 Score sebesar 87.95%.

Dalam penelitian yang dilakukan oleh [13]

berjudul "Klasifikasi Risiko Hipertensi menggunakan Metode Neighbor Weighted K- Nearest Neighbor (NWKNN)," ditemukan bahwa penggunaan 100 data sebagai data latih dan 25 data sebagai data uji, dengan nilai K-10 dan E = 4, mampu mencapai tingkat akurasi sebesar 88%.

Berdasarkan empat perbandingan tersebut, disimpulkan bahwa metode K-Nearest Neighbor (KNN) memberikan hasil yang lebih akurat jika dibandingkan dengan metode Decision Tree, Naive Bayes, dan Neighbor Weighted K-Nearest Neighbor (NWKNN). Oleh karena itu, peneliti

(3)

826

tertarik untuk mengimplementasikan metode K- Nearest Neighbor (KNN) dalam penelitian ini.

Metode K-Nearest Neighbor (KNN) merupakan suatu algoritma yang digunakan untuk mengelompokkan objek berdasarkan data latihan yang paling dekat dengan objek tersebut [14].

2. METODE PENELITIAN 2.1 Tahapan Penelitian

Gambar 1. Tahapan Penelitian

Dalam Penelitian ini sudah disusun berbagai langkah-langkah penelitian yang nantinya akan dilakukan secara sistematis.

Langkah penelitian yang di lakukan adalah : 1. Pengumpulan Data

Penelitian ini memanfaatkan data sekunder yang berasal dari pendataan wilayah yang rentan terhadap ketahanan pangan di Kabupaten Aceh Utara. Data diperoleh melalui Peta Ketahanan dan Kerentanan Pangan atau Food Security and Vulnerability Atlas (FSVA) Kabupaten Aceh Utara tahun 2022, yang disusun oleh Dinas Pertanian dan Pangan Kabupaten Aceh Utara. Jumlah unit analisis yang akan digunakan mencakup 852 desa yang tersebar di 27 kecamatan.

2. Pengolahan Data

Pengolahan data menggunakan berbagai metode statistik dasar mencari mean, modus, median dan persentase, hasil klasifikasi menggunakan berbagai software seperti Excel.

3. Perancangan Sistem

Perancangan sistem dilakukan menggunakan Diagram Konteks, UML. Perancangan ini akan membantu proses pengembangan

aplikasi yang menggunakan bahasa pemograman.

4. Implementasi Sistem

Implementasi sitem adalah proses pengembangan aplikasi menggunakan bahasa pemograman. Dalam hal ini akan digunakan bahasa pemograman python.

5. Pengujian Sistem

Pengujian sistem dilakukan dengan melakukan tahapan-tahapan testing dan debugging program untuk memastikan apakah dapat berjalan dengan baik sesuai dengan rancangan yang sudah di buat sebelumnya.

2.2 Skema Sistem

Berikut adalah skema sistem yang akan dibangun menggunakan algoritma Algoritma K- Nearest Neighbor (KNN) dapat dilihat pada gambar dibawah ini.

Gambar 2. Skema Sistem

Berikut proses alur sistem akan dijelaskan melalui point-point berikut:

1. Proses sistem dimulai.

2. Kemudian user menginput data variable.

3. Lalu pada tahap ke tiga proses menghitung nilai rasio.

4. Kemudian pengguna melakukan split data atau memisahkan data menjadi data latih dan data uji yang sebelumnya telah dihitung rasio

Pengumpulan Data

Pengolahan Data

Perancangan Sistem

Implementasi Sistem

Pengujian Sistem

S Menghitung Rasio

Indikator Mulai

Input Dataset

Split Data

Data Training Data Testing

Normalisasi Data

Tentukan Nilai K

Klasifikasi Data Testing ( KNN)

Evaluasi Confusion Matrix

Selesai

(4)

827

5. Kemudian user melakukan normalisasi data.

6. Setelah itu user menentukan nilai k.

7. Lalu user melakukan klasifikasi K-Nearest Neighbor.

8. Dan kemudian melakukan evaluasi hasil klasifikasi K-Nearest Neighbor dengan menggunakan Confusion Matrix.

9. Proses kerja sistem selesai.

2.4 Euclidean Distance

Euclidean distance mempunyai fungsi untuk menguji ukuran yang dapat digunakan sebagai interpretasi kedekatan jarak antara dua objek [15]. Euclidean distance juga sering digunakan untuk menghitung jarak [16].

Dalam penelitian ini, menggunakan metode pendekatan Euclidean Distance.

2.5 Confusion Matrix

Confusion matrix merupakan langkah dalam pengujian untuk mengevaluasi prediksi objek yang tepat atau tidak [17]. Pada confusion matrix, kelas yang diprediksi ditempatkan di bagian atas matriks, sementara kelas yang diamati ditempatkan di bagian kiri [18].

Table 1. Confusion Matrix

Nilai Nilai Aktual

Prediksi TP TN

FP FN

Keterangan :

TP = True positif yang diklasifikasikan positif.

TN =True negatif yang diklasifikasikan negatif.

FP = False positif yang diklasifikasikan positif.

FN = False negatif yang diklasifikasikan negatif.

3. HASIL DAN PEMBAHASAN 3.1. Hasil Penelitian

Pada penelitian ini, peneliti akan menguji algoritma K-Nearest Neighbor untuk mengklasifikasikan wilayah rawan pangan di Kab. Aceh Utara. Algoritma ini akan mengkasifikasikan wilayah rawan pangan berdasarkan 6 indikator yang dapat temukan pada table 5. Data tersebut penulis dapatkan dari Peta Ketahanan dan Kerentanan Pangan atau Food Security and Vulnerability Atlas (FSVA) Kab.

Aceh Utara 2022 yang disusun oleh Dinas

Pertanian dan Pangan Kabupaten Aceh Utara.

Jumlah unit analisis yang akan digunakan mencakup 852 desa yang tersebar di 27 kecamatan. Selanjutnya dari 6 indikator tersebut akan dimasukkan ke dalam perhitungan algoritma K-Nearest Neighbor untuk di kelompokan ke dalam 6 klasifikasi yang dapat ditemukan pada table 3. Dengan tingkat akurasi sebesar 86 %.

1.2 Analisa Kebutuhan Data

Analisa kebutuhan data merupakan peroses awal yang bertujuan untuk mengumpulkan data-data yang di perlukan . Kebutuhan data dalam penelitin ini terdiri dari data inputan, nilai rasio indikator, normalisasi data, dan pembagian data pelatihan dan data pengujian yang dapat dilihat di bawah ini:

1.2.1 Data Inputan

Data input yang digunakan dapat dilihat pada tabel 2.

Table 2. Data Inputan Variabel Keterangan Variabel

Input

Satuan Nilai V1 Luas lahan baku sawah 𝑚²

V2 Jumlah sarana dan

prasarana penyedia pangan

Nominal V3 Jumlah penduduk tingkat

kesejateraan terendah

Nominal V4 Desa yang tidak memiliki

akses penghubung memadai

Nominal

V5 Jumlah RT tanpa akses air bersih,

Nominal V6 Jumlah tenaga kesehatan Nominal

V7 Jumlah penduduk Nominal

V8 Jumlah rumah tangga. Nominal Selain data input, dalam proses pengklasifikasian wilayah rawan pangan menggunakan algoritma K-Nearest Neighbor.

target terhadap wilayah rawan pangan ini sebagai berikut :

Table 3. Target Rawan Pangan

Kelas Keterangan

Prioritas 1 Sangat Rentan Pangan Prioritas 2 Rentan Pangan Prioritas 3 Agak Rentan Pangan Prioritas 4 Agak Tahan Pangan Prioritas 5 Tahan Pangan Prioritas 6 Sangat Tahan Pangan

(5)

828

Berikut ini merupakan contoh dataset wilayah rawan pangan yang di gunakan dalam penelitian ini : Table 4. Contoh dataset wilayah rawan pangan Kab. Aceh Utara

Desa V1 V2 V3 V4 V5 V6 V7 V8 Kelas

Riseh Tunong 787400 62 988 1 354 1 3130 840 Prioritas 2

Gunci 962200 15 493 1 269 1 2570 711 Prioritas 2

Kubu 408700 4 55 1 101 2 655 199 Prioritas 5

… … … …

Gampog Teungoh 550900 15 79 1 90 3 1396 408 Prioritas 6 Paya Gaboh 312000 7 94 1 13 6 929 244 Prioritas 6

1.2.2 Analisa Data Indikator

Analisa data indikator adalah proses evaluasi dan interpretasi data yang berkaitan dengan faktor-faktor tertentu untuk mendapatkan pemahaman yang lebih baik tentang suatu fenomena atau keadaan. Indikator yang di gunakan dalam penelitian ini sebagai berikut :

Table 5. Data indikator No Indi-

kator

Deskripsi Indikator

Skala Pengukuran

1 Y Prioritas Kategori

2 X1 Rasio luas lahan pertanian terhadap jumlah penduduk

Rasio

3 X2 Rasio jumlah sarana dan prasarana penyedia pangan terhadap jumlah rumah tangga

Rasio

4 X3 Rasio jumlah

penduduk dengan tingkat

kesejahteraan terendah terhadap jumlah penduduk

Rasio

5 X4 Desa yang tidak memiliki akses penghubung

memadai melalui darat, air atau udara

Nominal

6 X5 Rasio jumlah rumah tangga tanpa akses air bersih terhadap jumlah rumah tangga

Rasio

7 X6 Rasio jumlah

penduduk desa per tenaga kesehatan terhadap kepadatan penduduk

Rasio

Berikut ini merupakan nilai indikator dari variabel yang di input kan dalam Tabel 4.

Table 6. Nilai Indikator

Desa X1 X2 X3 X4 X5 X6 Kelas

Riseh Tunong 251.565 0.074 0.316 1 0.421 0.0003 Prioritas 2

Gunci 374.397 0.021 0.192 1 0.378 0.0004 Prioritas 2

Kubu 623.969 0.02 0.084 1 0.508 0.0031 Prioritas 5

… … … … … … … …

Gampong Teungoh 394.628 0.037 0.057 1 0.221 0.0021 Prioritas 6 Paya Gaboh 335845 0.029 0.101 1 0.053 0.0065 Prioritas 6

1.2.3 Normalisasi

Normalisasi adalah teknik yang banyak digunakan dalam persiapan data. Dalam machine learning dan data mining, kita menggunakan normalisasi untuk memastikan konsistensi data dalam sebuah set, dengan mengubah nilai-nilai

numerik dalam set data ke dalam skala umum.

Manfaat dari normalisasi data ini ialah menghilangkan repetisi data, serta menstandarkan sebuah informasi agar aliran data menjadi lebih baik [19]. Normalisasi data digunakan untuk menyekalakan indikator data

(6)

829

sehingga nilainya berada dalam rentang yang lebih kecil, misalnya -1 hingga 1 atau 0 hingga 1.

Normalisasi data bertujuan untuk membuat nilai dari tiap indikator menjadi dalam rasio nilai yang setara [20]. Proses ini dilakukan pada data indikator wilayah rawan pangan.

Keterangan:

X = Nilai asli dari data yang akan dinormalisasi

Xnormalized= Nilai yang dinormalisasi dari X Xmin = Nilai terendah dalam rentang data Xmax = Nilai tertinggi dalam rentang data Table 7. Normalisasi Data

Desa X1 X2 X3 X4 X5 X6 Kelas

Riseh Tunong 0.06 0.36 0.63 0.00 0.57 0.02 Prioritas 2 Gunci 0.10 0.05 0.35 0.00 0.51 0.02 Prioritas 2 Kubu 0.19 0.04 0.10 0.00 0.70 0.18 Prioritas 5

… … … …

Gampong Teungoh 0.11 0.14 0.04 0.00 0.27 0.13 Prioritas 6 Paya Gaboh 0.09 0.09 0.14 0.00 0.02 0.39 Prioritas 6 1.2.4 Perhitungan Algoritma K-Nearest Neighbor

Untuk melakukan penghitungan algoritma ini dilakukan berdasarkan data set yang sebelumnya sudah di dapatkan nilai indikatornya kemudian dilakukan normalisasi data yang terdiri dari 30 data training dan 1 data testing. Disini penulis membuat 30 contoh perhitungan. Pada tabel 8 merupakan data training dan data testing yang sudah di normalisasikan.

Table 8. Data Training

No Desa X1 X2 X3 X4 X5 X6 Kelas

1 Riseh Tunong 0.06 0.36 0.63 0.00 0.57 0.02 Prioritas 2 2 Gunci 0.10 0.05 0.35 0.00 0.51 0.02 Prioritas 2 3 Kubu 0.19 0.04 0.10 0.00 0.70 0.18 Prioritas 5

… … … …

29 Gampong Teungoh 0.11 0.14 0.04 0.00 0.27 0.13 Prioritas 6 30 Paya Gaboh 0.09 0.09 0.14 0.00 0.02 0.39 Prioritas 6

Table 9. Data Testing

1 Ulee Geudong 0.25 0.10 0.43 0.00 0.27 0.27 ?

Berdasarkan data pada tabel 8 dan 9 dilakukan perhitungan dengan langkah- langkahnya sebagai berikut:

a. Menentukan nilai K

Dalam penyelesaian ini diambil beberapa nilai K untuk menentukan parameter K yang akan digunakan dalam penelitian ini.

Berikut ini tabel pemilihan nilai K:

Table 10. Pemilihan Nilai K

Keterangan K = 1 K = 2 K = 3 K = 4 K = 5

Berhasil 215 221 213 214 210

Gagal 40 34 42 41 45

Berdasarkan tabel diatas penulis memilih nilai K = 2 dikarenakan lebih optimal dan tingkat kegagalan nya lebih rendah.

b. Kemudian menghitung kuadrat jarak Euclidean

Kuadrat jarak euclidean masing-masing objek terhadap data sampel yang diberikan, dapat dihitung dengan menggunakan persamaan (2.1). Berikut perhitungan jarak euclidean untuk 30 data masing-masing wilayah:

d1 = √0.04 + 0.07 + 0.04 + 0.00 + 0.09 + 0.06 d1 = 0.546

d1 = √(0.06 − 0.25)²+ (0.36 − 0.10)²+ (0.63 − 0.43)² +(0.00 − 0.00)²+ (0.57 − 0.27)²+ (0.02 − 0.27)²

d2 = √(0.10 − 0.25)²+ (0.05 − 0.10)²+ (0.35 − 0.43)² +(0.00 − 0.00)²+ (0.51 − 0.27)²+ (0.02 − 0.27)² d2 = √0.02 + 0.00 + 0.01 + 0.00 + 0.06 + 0.06

d2 = 0.385

d3 = √(0.19 − 0.25)²+ (0.04 − 0.10)²+ (0.10 − 0.43)² +(0.00 − 0.00)²+ (0.70 − 0.27)²+ (0.18 − 0.27)² d3 = √0.00 + 0.00 + 0.11 + 0.00 + 0.18 + 0.01

(7)

830

Hasil perhitungan d1 sampai d30 dapat dilihat pada tabel berikut:

Table 11. Hasil Perhitungan Euclidean Distance Data

ke -

Euclidean

Distance Rangking Kelas

1 0.546 21 Prioritas 2

… … … …

29 0.439 14 Prioritas 6

30 0.431 13 Prioritas 6

c. Mengumpulkan klasifikasi K-Nearest Neighbor, pada tahap ini kita hanya mengambil data sesuai jumlah k yang kita tentukan yaitu 2. Jadi penulis memilih 2 data terdekat saja. Hasil nya seperti tabel berikut:

Table 12. Jarak Terdekat K = 2 Data

ke -

Euclidean

Distance Rangking Kelas

1.2.5 Pengujian

Berikut adalah confussion matrix yang digunakan dalam pengujian untuk memperkirakan objek yang benar dan yang salah.

Table 13. Pengujian Confusion Matrix

Aktu al

Prediksi Priori

tas 1

Priorit as 2

Priorit as 3

Priorit as 4

Priorit as 5

Priorit as 6 Priori

tas 1 5 0 0 0 0 0

Priori

tas 2 1 16 0 2 2 2

Priori

tas 3 1 1 3 2 0 2

Priori

tas 4 0 3 0 23 2 0

Priori

tas 5 0 3 0 5 70 1

Priori

tas 6 0 1 1 0 6 104

Berdasarkan confusion matrix di atas maka tingkat presisi, recall dan akurasi dapat dihitung sebagai berikut:

Table 14. Hasil Precision, Recall, dan Akurasi

Kelas Precision Recall Akurasi Prioritas 1 0.714 1

0.86 Prioritas 2 0.666 0.695

Prioritas 3 0.75 0.333 Prioritas 4 0.718 0.821 Prioritas 5 0.875 0.886 Prioritas 6 0.954 0.928

Macro 0.779 0.777

Dari table diatas untuk algoritma K-Nearest Neighbor dengan pendekatan Eulidean Distance pada penelitian ini didapatkan persentase precision sebesar 77% recall sebesar 77% dan akurasi sebesar 86%.

1.3 Implementasi Sistem

Adapun hasil implementasi sitem yang telah dirancang terdapat beberapa tampilan sebagai berikut:

1. Tampilan Home page Kelas Precision Recall ^Akurasi

Prioritas 1 0.714 1

0.86 Prioritas 2 0.666 0.695

Prioritas 3 0.75 0.333 Prioritas 4 0.718 0.821 Prioritas 5 0.875 0.886 Prioritas 6 0.954 0.928

Macro 0.779 0.777

d3 = 0.551

d29 = √(0.11 − 0.25)²+ (0.14 − 0.10)²+ (0.04 − 0.43)² +(0.00 − 0.00)²+ (0.27 − 0.27)²+ (0.13 − 0.27)² d29 = √0.02 + 0.00 + 0.15 + 0.00 + 0.00 + 0.02

d29 = 0.439

d30 = √(0.09 − 0.25)²+ (0.09 − 0.10)²+ (0.14 − 0.43)² +(0.00 − 0.00)²+ (0.02 − 0.27)²+ (0.39 − 0.27)² d30 = √0.03 + 0.00 + 0.08 + 0.00 + 0.06 + 0.01

d30 = 0.431

(8)

831

Halaman Home Page memiliki tiga item menu, yaitu Home, Panduan, dan Klasifikasi, yang dapat diakses oleh kedua Admin dan User.

Pada halaman ini user tidak perlu melakukan login untuk dapat melakukan klasifikasi.

Terdapat button Login yang dapat digunakan oleh Admin untuk mengakses halaman dashboard.

Berikut tampilan nya seperti dibawah ini:

Gambar 3. Halaman Home Page

2. Tampilan Login

Selanjutnya halaman admin yaitu admin memasukkan password dan username agar dapat mengakses sistem tersebut. Dalam sistem ini username nya berupa “admin” dan password nya

“admin”. Kemudian setelah admin memasukkan username beserta passwordnya admin perlu menekan bagian masuk dan sistemnya otomatis menuju bagian dashboard. Berikut tampilan nya seperti dibawah ini:

Gambar 4. Halaman Login

3. Tampilan Dashboard

Setelah admin login, sistem akan ke halaman dashboard. Dalam bagian ini admin bisa melihat dan mmembaca petunjuk dalam menggunakan sistem tersebut. Tampilannya sebagai berikut:

Gambar 5. Halaman Dashboard

4. Halaman Dataset

Dalam bagian dataset, admin bisa mengimport dataset berupa excel yang ingin dipakai bagi data latihnya serta data ujinya.

Dalam menu ini data yang sudah di import akan tersimpan dan tampil dengan berbentuk tabel. Di menu ini bisa tambah data, hapus data dan pencarian. Berikut tampilannya:

Gambar 6. Halaman Dataset

5. Halaman Rasio Data

Pada halaman rasio data, admin dapat menghitung rasio indikator yang digunakan pada penelitian ini. Berikut tampilan nya :

Gambar 7. Halaman Rasio Data

6. Halaman split Data

Di dalam halaman ini split data digunakan untuk meng split data training dan data uji dengan split data 70:30. Dimana tabel data training dan data testing terpisah. Berikut tampilannya :

(9)

832

Gambar 8. Tampilan data Training

Gambar 9. Tampilan Data Testing

7. Halaman Normalisasi Data

Di dalam halaman ini Normalisasi Data digunakan untuk menormalisasikan data data training dan data uji. Dimana tabel data training dan data testing terpisah. Berikut tampilannya :

Gambar 10. Halaman Normalisasi Data

8. Halaman Elbow Method

Di dalam halaman elbow method berupa grafik yang digunakan untuk mencari nilai k jarak terdekat. Berikut tampilannya:

Gambar 11. Halaman Elbow Method

9. Halaman Klasifikasi KNN

Di dalam halaman ini klasifikasi KNN digunakan untuk mengklasifikasi dari nilai rasio

sehingga dapat di klasifikasikan. Berikut tampilannya:

Gambar 12. Halaman Klasifikasi KNN

10. Halaman Evaluasi

Di dalam halaman ini evaluasi KNN terdapat tabel confusion matrix yang digunakan untuk pengujian dari metode K-Nearest Neighbor. Terdapat juga grafik performa hasil perbandingan dari akurasi, precision dan recall dari metode K-Nearest Neighbor. Berikut tampilannya:

Gambar 13. Halaman Evaluasi 11. Halaman Pengujian KNN

Di dalam halaman pengujian KNN disini admin bisa menginput nilai variable lalu admin bisa mengklik tombol proses untuk mengetahui wilayah terserebut di klasifikasi sebagai prioritas apa . Berikut tampilannya:

Gambar 14. Halaman Pengujian KNN

4. KESIMPULAN

Berdasarkan hasil penelitian dan pembahasan maka dapat diambil kesimpulan hasil klasifikasi wilayah rawan pangan menggunakan algoritma K-Nearest Neighbor yaitu Prioritas 1 (Sangat Rentan Pangan) terdiri dari 7 desa (2,73%), Prioritas 2 (Rentan Pangan)

(10)

833

terdiri dari 24 desa (9,37%) , Prioritas 3 (Agak Rentan Pangan) terdiri dari 4 desa (1,56%), Prioritas 4 (Agak Tahan Pangan) terdiri dari 32 desa (12,5%), Prioritas 5 (Tahan Pangan) terdiri dari 80 desa (31,25%), dan Prioritas 6 (Sangat Tahan Pangan) terdiri dari 109 desa (42,57%) . Dengan pendekatan Eulidean Distance pada penelitian ini didapatkan persentase precision sebesar 77%, recall sebesar 77% dan akurasi sebesar 86% yang memiliki arti bahwa algoritma K-Nearest Neighbor dinilai baik dalam mengklasifikasi wilayah rawan pangan di Kab.

Aceh Utara.

5. REFERENSI

[1] S. Andi, “Faktor-Faktor yang Mempengaruhi Pembangunan Sektor Pertanian dan Implikasinya terhadap Kesejahteraan Petani di Provinsi Lampung . Oleh : Andi Surya ( Alumni Doktor Ilmu Ekonomi Universitas Borobudur ),” J. Econ., pp. 89–141, 2013.

[2] Peraturan Pemerintah Republik Indonesia Nomor 86 Tahun 2019 Tentang Keamanan Pangan, “Peraturan Pemerintah Republik Indonesia Nomor 86 Tahun 2019 Tentang Keamanan Pangan,”

Peratur. Pemerintah Tentang Keamanan Pangan, vol. 2019, no. 86, pp. 1–102, 2019.

[3] W. Sulistyo, “Model Klasifikasi Ketahanan Dan Kerentanan Pangan Menggunakan Metode Spatial Path Analysis (Studi Kasus Provinsi Jawa Tengah),” p. 342363, 2019.

[4] Undang - Undang Pangan Nomor 18, “UU RI NO 18 TAHUN 2012 TENTANG PANGAN,” vol. 66, pp. 37–39, 2012.

[5] rahayu deny danar dan alvi furwanti Alwie, A. B. Prasetio, R. Andespa, P. N.

Lhokseumawe, and K. Pengantar, “Tugas Akhir Tugas Akhir,” J. Ekon. Vol. 18, Nomor 1 Maret201, vol. 2, no. 1, pp. 41–

49, 2020.

[6] BPN, “Peta Ketahanan Dan Kerentanan Pangan FSVA Kab. Aceh Utara,” no.

July, pp. 1–23, 2020.

[7] Badan Ketahanan Pangan, “Panduan Penyusunan Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas/2020) Kabupaten 2020,” vol. 2020, pp. 1–78, 2020, [8] F. Istighfarizky, N. A. Sanjaya ER, I. M.

Widiartha, L. G. Astuti, I. G. N. A. C.

Putra, and I. K. G. Suhartana, “Klasifikasi Jurnal menggunakan Metode KNN dengan Mengimplementasikan Perbandingan Seleksi Fitur,” JELIKU (Jurnal Elektron. Ilmu Komput.

Udayana), vol. 11, no. 1, p. 167, 2022, doi: 10.24843/jlk.2022.v11.i01.p18.

[9] I. M. Karo Karo and H. Hendriyana,

“Klasifikasi Penderita Diabetes menggunakan Algoritma Machine Learning dan Z-Score,” J. Teknol.

Terpadu, vol. 8, no. 2, pp. 94–99, 2022, doi: 10.54914/jtt.v8i2.564.

[10] C. F. A. Ilham Sahputra , Bustami2, “The Nutritional Classification of Pregnant WomenUsing Support Vector Machine (SVM),” vol. 6, no. January, pp. 403–413, 2023.

[11] A. Rudiyan, A. E. Dzulkifli, and K.

Munazar, “Klasifikasi Kebakaran Hutan Menggunakan Metode K-Nearest Neighbor : Studi Kasus Hutan Provinsi Kalimantan Barat,” JTIM J. Teknol. Inf.

dan Multimed., vol. 3, no. 4, pp. 195–202, 2022, doi: 10.35746/jtim.v3i4.177.

[12] W. LIDYA, H. YOZZA, and F.

YANUAR, “Klasifikasi Daerah Tertinggal Di Indonesia Menggunakan Metode Naive Bayea Classifier,” J. Mat.

UNAND, vol. 9, no. 1, p. 23, 2020, doi:

10.25077/jmu.9.1.23-29.2020.

[13] A. Mahmud, A. Pangestika, A. P.

Ramadhanty, G. M. Putra, G. S. N. D. S.

Putri, and R. Nooraeni, “Klasifikasi Status Desa/Kelurahan DIY (Yogyakarta) Menggunakan Model Decision Tree (Studi Kasus Data Praktik Kerja Lapangan Politeknik Statistika STIS Tahun 2020),” Eng. Math. Comput. Sci.

J., vol. 3, no. 1, pp. 33–41, 2021, doi:

10.21512/emacsjournal.v3i1.6787.

(11)

834

[14] Y. Yahya and W. Puspita Hidayanti,

“Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Efektivitas Penjualan Vape (Rokok Elektrik) pada

‘Lombok Vape On,’” Infotek J. Inform.

dan Teknol., vol. 3, no. 2, pp. 104–114, 2020, doi: 10.29408/jit.v3i2.2279.

[15] P. Putra, A. M. H Pardede, and S.

Syahputra, “Analisis Metode K-Nearest Neighbour (Knn) Dalam Klasifikasi Data Iris Bunga,” J. Tek. Inform. Kaputama, vol. 6, no. 1, pp. 297–305, 2022.

[16] P. T. J. Putera, W. Ode, N. Kadir, and B.

Pramono, “PENERAPAN DATA MINING DENGAN METODE K- NEAREST NEIGHBOR (KNN) UNTUK

MENGELOMPOKAN MINAT

KONSUMEN ASURANSI,” vol. 5, no. 1, pp. 97–104, 2019.

[17] J. T. Informatika and P. A. K. Dan,

“PERBANDINGAN ALGORITMA K- MEANS DAN NAÏVE BAYES UNTUK

MEMPREDIKSI PRIORITAS

PEMBAYARAN TAGIHAN RUMAH SAKIT BERDASARKAN TINGKAT

KEPENTINGAN PADA PT.

PERTAMINA (PERSERO),” vol. 13, no.

2, pp. 1–8, 2021.

[18] R. K. Dinata and N. Hasdyna,

“WILAYAH BIREUEN

MENGGUNAKAN ALGORITMA K- NEAREST NEIGHBORS BERBASIS WEB,” vol. 5, no. 1, pp. 33–37, 2020.

[19] D. A. Nasution, H. H. Khotimah, and N.

Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,”

Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p.

78, 2019, doi: 10.24114/cess.v4i1.11458.

[20] A. Karim, F. Nurhadi, I. K. O. Setiawan, I. A. Rizky, and R. Br. Manurung,

“Pengaruh Normalisasi Data pada Klasifikasi Harga Ponsel Berdasarkan Spesifikasi Menggunakan Klasifikasi Naive Bayes dan Multinomial Logistic Regression,” J. Rekayasa Elektro Sriwij., vol. 4, no. 1, pp. 8–16, 2023, doi:

10.36706/jres.v4i1.59.