Klasifikasi Risiko Ketahanan Pangan Menurut Kabupaten/Kota di Indonesia Menggunakan Algoritma Random ForestMFadelauthorIndonesia menghadapi tantangan serius dalam mewujudkan ketahanan pangan yang berkelanjutan. Permasalahan utama terletak pada kerentanan multidimensi yang dipicu oleh faktor struktural seperti ketimpangan sosial ekonomi, perubahan iklim, dan keterbatasan infrastruktur yang memperparah kerawanan pangan di wilayah dengan tingkat kemiskinan tinggi, rendahnya pendidikan, dan masalah kesehatan. Kompleksitas ini dipertegas oleh Indeks Ketahan Pangan antar provinsi dengan kinerja terbaik (Bali) dan terburuk (Papua). Rendahnya capaian pada wilayah tertentu mencerminkan keterbatasan akses terhadap pangan bergizi, infrastruktur dasar, dan permasalahan sosial ekonomi. Penelitian ini bertujuan untuk mengetahui hasil klasifikasi dan variabel indikator yang paling berkontribusi dalam menghadapi risiko ketahanan pangan di Indonesia. Penelitian ini menggunakan data sekunder tahun 2024 dari Badan Pangan Nasional dan Badan Pusat Statistik dengan tujuh variabel prediktor. Analisis dilakukan menggunakan algoritma Random Forest dengan penyeimbangan data melalui Synthetic Minority Oversampling Technique (SMOTE) pada data training. Data dibagi menjadi data training (70%) dan data testing (30%), lalu evaluasi model dilakukan menggunakan confusion matrix, sedangkan kontribusi variabel dianalisis menggunakan Variable Importance Measure (VIM) berdasarkan Mean Decrease Gini (MDG). Hasil penelitian menunjukkan bahwa SMOTE efektif meningkatkan pemerataan kelas dan kemampuan model dalam mengenali wilayah rentan pangan. Model Random Forest dengan SMOTE menghasilkan performa klasifikasi yang lebih baik, ditunjukkan oleh peningkatan nilai recall menjadi 68,42% dan F1-Score sebesar 60,47% dibandingkan model tanpa SMOTE. Selain itu, hasil MDG menunjukkan Pola Pangan Harapan dan Prevalensi Ketidakcukupan Konsumsi Pangan sebagai variabel paling berkontribusi. Temuan ini menjadi dasar penting bagi pemerintah dalam menyusun kebijakan ketahanan pangan yang lebih terarah dan tepat sasaran.HA Statistics2026-01Universitas Negeri Padang;Statistika FMIPA UNPThesis