Informasi Lainnya
Abstraksi
Penyakit tidak menular seperti obesitas dan diabetes terus meningkat akibat perubahan pola konsumsi masyarakat ke arah makanan rendah gizi. Penelitian ini bertujuan membangun sistem klasifikasi otomatis untuk menentukan kategori makanan sehat dan tidak sehat berdasarkan kandungan nutrisi. Data penelitian menggunakan 1146 entri makanan dari Tabel Komposisi Pangan Indonesia (TKPI) 2020 yang dilabeli menggunakan algoritma <em>Modified Nutrient Rich Foods</em> (NRF) 6.3 Index. Metode klasifikasi yang dibandingkan adalah <em>K-Nearest Neighbors</em> (KNN) dan <em>Decision Tree</em> untuk mencari model dengan akurasi terbaik. Proses pelatihan menggunakan teknik <em>10-fold cross validation</em> dengan pembagian data 80:20. Hasil pengujian menunjukkan bahwa algoritma KNN dengan parameter <em>k=3</em> dan jarak <em>Manhattan</em> menghasilkan kinerja terbaik dengan akurasi 91,30%, mengungguli Decision Tree yang mencapai 88,70%. Selain unggul dalam akurasi global, KNN juga terbukti lebih stabil dalam mendeteksi kelas minoritas (makanan tidak sehat) dengan nilai Precision dan Recall yang seimbang (0,72), jauh lebih baik dibandingkan <em>Decision Tree</em> yang memiliki nilai <em>Recall</em> rendah (0,56). Berdasarkan hasil tersebut, model KNN dipilih dan diimplementasikan ke dalam aplikasi web yang dilengkapi fitur validasi ganda untuk membantu masyarakat menilai kualitas gizi makanan secara akurat.<br />
<b>Kata Kunci: </b><i>Decision Tree</i>, klasifikasi, <i>K-Nearest Neighbors</i>, makanan sehat, nilai gizi, <i>NRF 6.3 index</i>
- CAK3DAB3 - Kecerdasan Artifisial
- CAK3JAB3 - Pembelajaran Mesin
- CAK4XBB3 - Visualisasi Data
Koleksi & Sirkulasi
Tersedia 1 dari total 1 Koleksi
