Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Maulana, Fitra
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Model Prediksi Dampak Perubahan Iklim pada Ketahanan Pangan Menggunakan Algoritma Support Vector Machine and K-Nearest Neighbors: Prediction Model for the Impact of Climate Change on Food Security Using the Support Vector Machine and K-Nearest Neighbors Algorithms Sari, Devi Puspita; Risman, Risman; Maulana, Fitra; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1975

Abstract

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 (KNN). Dataset yang digunakan meliputi data meteorologi harian, seperti curah hujan (precipitation), suhu maksimum (temp_max), suhu minimum (temp_min), dan kecepatan angin (wind), yang diperoleh dari Kaggle (Seattle weather). Model SVM diterapkan untuk menangkap hubungan non-linear antara parameter iklim dengan indikator ketahanan pangan, sedangkan KNN digunakan untuk menganalisis pola serupa pada data historis. Hasil penelitian menunjukkan bahwa SVM memiliki akurasi prediksi sebesar 78%, lebih unggul dibandingkan KNN 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.
Co-Authors Devi Puspita Sari, Devi Puspita Efrizoni, Lusiana Rahmaddeni Rahmaddeni Risman Risman