Implementasi Decision Tree dalam Mengelompokkan Makanan Berdasarkan Kandungan Gizi
DOI:
https://doi.org/10.35473/ikn.v3i1.4937Keywords:
Decision Tree, Kandungan Gizi, Klasifikasi Makanan, Nutrisi, Machine LearningAbstract
Choosing foods that meet nutritional needs remains a challenge, especially when nutritional information is not analyzed systematically. This study implements a Decision Tree algorithm to classify foods based on key nutritional content, namely calories, protein, fat, and carbohydrates. The model is built using a quantitative approach with the CART algorithm, and the evaluation process uses metrics such as accuracy, precision, recall, and F1-score. The results of the study show that the Decision Tree can produce a transparent and easily traceable decision structure, with good accuracy in classifying food categories such as high protein, high fat, low calorie, and high carbohydrate. These findings confirm that the Decision Tree is an effective method to support nutritional analysis and provide a foundation for a more informative food recommendation system.
ABSTRAK
Pemilihan makanan yang sesuai dengan kebutuhan nutrisi masih menjadi tantangan, terutama ketika informasi gizi tidak dianalisis secara sistematis. Penelitian ini mengimplementasikan algoritma Decision Tree untuk mengelompokkan makanan berdasarkan kandungan gizi utama, yaitu kalori, protein, lemak, dan karbohidrat. Model dibangun menggunakan pendekatan kuantitatif dengan algoritma CART dan proses evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Decision Tree mampu menghasilkan struktur keputusan yang transparan dan mudah ditelusuri, dengan tingkat akurasi yang baik dalam mengklasifikasikan kategori makanan seperti tinggi protein, tinggi lemak, rendah kalori, dan tinggi karbohidrat. Temuan ini menegaskan bahwa Decision Tree merupakan metode yang efektif untuk mendukung analisis nutrisi serta memberikan dasar bagi sistem rekomendasi makanan yang lebih informatif.
Downloads
References
Andriani, R., & Susanto, A. (2020). Klasifikasi kandungan gizi makanan menggunakan algoritma decision tree. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(3), 245–253.
Astuti, N., & Hidayat, T. (2021). Penerapan machine learning untuk klasifikasi makanan sehat dan tidak sehat berbasis kandungan gizi. Jurnal Informatika dan Sains, 8(2), 112–119.
Damanik, P. (2019). Pemanfaatan algoritma C4.5 dalam menentukan kategori makanan berdasarkan nilai gizi. Jurnal Sistem Cerdas, 5(1), 33–41.
Fadillah, M. R., & Pratama, D. (2022). Analisis decision tree untuk pengelompokan data makanan tradisional Indonesia berdasarkan zat gizi makro. Jurnal Sains Komputer dan Informatika, 10(1), 15–24.
Fitria, S. (2019). Metode klasifikasi untuk analisis pola konsumsi makanan bergizi pada masyarakat perkotaan. Jurnal Teknologi dan Sistem Informasi, 4(2), 58–67.
Hamdani, A., & Noor, S. (2020). Pengembangan sistem pendukung keputusan untuk pemilihan makanan sehat menggunakan decision tree. Jurnal Rekayasa Informasi, 9(4), 221–230.
Harahap, Y. M., & Wirawan, S. (2023). Evaluasi model decision tree untuk klasifikasi makanan cepat saji berdasarkan kandungan nutrisi. Jurnal Komputasi dan Data Sains, 2(1), 44–55.
Kartika, L. (2018). Analisis komposisi gizi makanan dalam pengembangan model klasifikasi diet sehat dengan algoritma C4.5. Jurnal Ilmu Pangan dan Kesehatan, 12(1), 67–75.
Kusuma, Y., & Setiabudi, A. (2022). Optimasi decision tree untuk kategorisasi makanan tinggi kalori menggunakan teknik pruning. Jurnal Intelligent Systems, 6(2), 101–110.
Lestari, D. (2020). Penerapan data mining untuk klasifikasi bahan pangan lokal berdasarkan nilai gizi makro. Jurnal Teknologi Pertanian, 19(3), 189–198.
Nurhayati, R., & Wibowo, S. (2021). Implementasi algoritma decision tree dalam pengelompokan jenis makanan untuk diet penderita diabetes. Jurnal Sains dan Kesehatan, 13(2), 130–139.
Prasetyo, H., & Arifin, M. (2019). Pengelompokan makanan berdasarkan kandungan nutrisi menggunakan pendekatan supervised learning. Jurnal Sains Komputer, 7(2), 92–101.
Putra, A. P., & Rifaldi, F. (2023). Model klasifikasi gizi makanan berbasis decision tree dengan dataset makanan Indonesia. Jurnal Informatika Terapan, 9(1), 55–66.
Rahmawati, F., & Oktaviani, D. (2021). Analisis nutrisi makanan menggunakan data mining untuk pengelompokan pola makan sehat. Jurnal Gizi & Teknologi Pangan, 15(1), 21–30.
Siregar, B. (2018). Penerapan klasifikasi decision tree untuk analisis kandungan gizi makanan olahan rumah. Jurnal Teknologi dan Komputer, 13(4), 249–257.
Supriyadi, E., & Ramadhan, D. (2022). Penggunaan C4.5 dalam pemilihan menu makanan sehat pada aplikasi mobile. Prosiding Seminar Nasional Informatika, 4(1), 177–184.
Wahyuni, S., & Darmadi, A. (2023). Comparison of C4.5 and Random Forest algorithms for nutritional classification of foods. Jurnal Sistem Informasi Nusantara, 8(2), 98–108.
Yusuf, M., & Anwar, R. (2020). Model klasifikasi makanan bergizi menggunakan pendekatan pohon keputusan. Jurnal Teknologi Informasi, 12(3), 145–153.
Badan Pengawas Obat dan Makanan (BPOM RI). (2021). Tabel komposisi pangan Indonesia. Jakarta: BPOM RI.
Kementerian Kesehatan Republik Indonesia. (2018). Pedoman gizi seimbang. Jakarta: Kemenkes RI.
Nugroho, A. (2018). Data Mining: Teori dan Aplikasi. Yogyakarta: Andi Publisher.
World Health Organization. (2020). Guideline: Healthy diet.
