Implementasi Unsupervised Learning untuk Analisis Ketahanan Pangan Nasional Menggunakan Metode Density-Based Spatial Clustering of Applications with Noise

Abstract

Indonesia sebagai negara agraris menghadapi tantangan serius dalam sektor pertanian akibat konversi lahan pertanian menjadi kawasan pemukiman dan infrastruktur, yang berdampak negatif terhadap ketahanan pangan nasional. Beras sebagai komoditas pangan utama berperan penting terhadap kesejahteraan masyarakat dan sulit digantikan oleh pangan lain. Penelitian ini bertujuan untuk menganalisis tingkat ketahanan pangan antarprovinsi di Indonesia dengan pendekatan unsupervised learning menggunakan metode Density-Based Spatial Clustering of Applications with Noise (DBSCAN). Dataset yang digunakan mencakup data luas panen, produktivitas, dan produksi padi dari tahun 2018 hingga 2023. Hasil klasterisasi menghasilkan dua klaster utama, yaitu klaster “Tahan” dan klaster “Rentan”. Klaster “Tahan” terdiri dari tiga provinsi di Pulau Jawa, sedangkan klaster “Rentan” mencakup sebagian besar provinsi lainnya. Nilai indeks Silhouette menunjukkan stabilitas hasil klasterisasi dengan rata-rata 75–78% per tahun. Hasil pengujian black box menunjukkan tingkat keberhasilan sistem sebesar 87,5%.