Klasifikasi Komposisi Menu Makanan Olahan Terhadap Standar Gizi Balita Menggunakan Random Forest: Classification of Processed Food Menu Compositions Against Toddler Nutrition Standards Using Random Forest

Rahmi Rahmi; Diva Nabila Herisnan; Suandi Daulay; Rahmaddeni Rahmaddeni

doi:10.57152/malcom.v5i4.2280

Authors

Rahmi Rahmi Sekolah Tinggi Teknologi Pekanbaru
Diva Nabila Herisnan Universitas Sains dan Teknologi Indonesia
Suandi Daulay Sekolah Tinggi Teknologi Pekanbaru
Rahmaddeni Rahmaddeni Universitas Sains dan Teknologi Indonesia

DOI:

https://doi.org/10.57152/malcom.v5i4.2280

Keywords:

Klasifikasi Data Mining, Menu Makanan Olahan, Nutrisi, Random Forest, Standar Gizi Balita

Abstract

Peningkatan kesadaran masyarakat akan pentingnya asupan gizi seimbang, khususnya pada anak usia dini, menjadi aspek krusial dalam upaya pencegahan malnutrisi dan masalah kesehatan terkait. Penelitian ini bertujuan untuk mengklasifikasikan komposisi menu makanan olahan terhadap standar gizi balita menggunakan pendekatan data mining dengan algoritma Random Forest. Dataset yang digunakan memuat kandungan nutrisi menu yang divalidasi terhadap standar Angka Kecukupan Gizi (AKG) untuk anak usia 1–5 tahun. Klasifikasi dilakukan ke dalam tiga kategori: seimbang, tidak seimbang, dan berlebihan. Penelitian melibatkan tahapan preprocessing data, feature selection, normalisasi, serta pelatihan model menggunakan Random Forest. Evaluasi menggunakan akurasi, presisi, recall, serta f1-score. Hasil pengujian diperoleh algoritma bahwa Random Forest menghasilkan kinerja terbaik dengan akurasi 90%. Dari 136 menu, 9 diklasifikasikan sebagai seimbang, 59 tidak seimbang, dan 68 berlebihan. Penelitian ini membuktikan jika algoritma Random Forest bisa dijadikan alat yang efektif dalam pemantauan gizi balita

Downloads

Download data is not yet available.

References

P. S. Pribadi, N. E. Aristina, and K. Sianipar, “Faktor Yang Berhubungan Dengan Status Gizi Balita Menurut BB/U Puspita,” Ensiklopedia J., vol. 6, no. 2, pp. 76–82, 2024.

L. Lolita et al., “Upaya Pencegahan dan Penanganan Stunting, Wasting, Underweight pada Satuan Pendidikan Anak Usia Dini,” J. Surya Masy., vol. 6, no. 2, p. 167, 2024, doi: 10.26714/jsm.6.2.2024.167-173.

N. O. Syaqhasdy, Z. Martha, N. Amalita, and D. Fitria, “Classification of Nutrition Problems for Indonesian Toddler With Decision Tree Algorithm C4.5,” UNP J. Stat. Data Sci., vol. 1, no. 5, pp. 413–419, 2023, doi: 10.24036/ujsds/vol1-iss5/98.

M. Mujayanto and E. R. Pratiwi, “The Correlation between Macronutrient Intake and Physical Activity with Overnutrition among Fifth-Grade Students at Banjarbendo State Elementary,” Amerta Nutr., vol. 8, no. 2SP, pp. 31–40, 2024, doi: 10.20473/amnt.v8i2SP.2024.31-40.

M. H. A. Syahroni, N. Astuti, V. Indrawati, and R. Ismawati, “Faktor-Faktor yang Mempengaruhi Kebiasaaan Makan Anak Usia Pasekolah (4-6 Tahun) Ditinjau dari Capaian Gizi Seimbang,” J. Tata Boga, vol. 10, no. 1, pp. 12–22, 2021, [Online]. Available: https://ejournal.unesa.ac.id/index.php/jurnal-tata-boga/

M. Nur, I. Bahsur, S. Raodhah, S. Alam, and Z. Fadhilah, “Hubungan Kepatuhan Ibu Berkunjung Ke Posyandu Dengan Status Gizi Balita Di Kelurahan Mawang Kecamatan Somba Opu Kabupaten Gowa Tahun 2022,” vol. 10, no. 2277, pp. 16–17, 2022.

N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” J. Ilm. Inform. dan Ilmu Komput., vol. 3, no. 1, pp. 46–56, 2024, doi: 10.58602/jima-ilkom.v3i1.26.

Arifin Yusuf Permana, Hari Noer Fazri, M.Fakhrizal Nur Athoilah, Mohammad Robi, and Ricky Firmansyah, “Penerapan Data Mining Dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest,” J. Ilm. Tek. Inform. dan Komun., vol. 3, no. 2, pp. 27–41, 2023, doi: 10.55606/juitik.v3i2.472.

Citra Nursihah, Zaehol Fatah, and Rizki Hidayaturrochman, “Penerapan Data Mining Untuk Penilaian Tes Hadrah Di Pesantren Salafiyah Syafi’Iyah Menggunakan Metode Random Forest,” J. Ris. Tek. Komput., vol. 2, no. 1, pp. 40–45, 2025, doi: 10.69714/jfe1c445.

S. N. Syafa Iswahyudi and R. Eka Putra, “Sistem Deteksi Stunting pada Balita Berbasis Web Menggunakan Metode Random Forest,” J. Informatics Comput. Sci., vol. 6, no. 03, pp. 755–764, 2025, doi: 10.26740/jinacs.v6n03.p755-764.

P. Handayani and A. Charis Fauzan, “Machine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest Putri,” Media Online), vol. 4, no. 6, pp. 3064–3072, 2024, doi: 10.30865/klik.v4i6.1909.

S. Larissa, Z. Lewoema, and P. T. Prasetyaningrum, “Implementasi Data Mining Pada Klasifikasi Status Gizi Bayi Dengan Metode Decision Tree CHAID ( Studi Kasus?: Puskesmas Godean 1 Yogyakarta ),” vol. 5, no. 1, pp. 61–74, 2024, doi: 10.51519/journalita.v5i1.538.

A. W. Septyanto, H. L. Hariyanto, and H. Permatasari, “Utilizing The SVM Approach For Toddler Nutrition Status Classification Based On Anthropometric Measurements,” vol. 10, no. 4, 2023.

I. Rahmadi, D. T. Mareta, and D. Fithriyani, “Tingkat Kecukupan Energi dan Zat Gizi Makro Mahasiswa Tahun ke-3 Program Studi Teknologi Pangan ITERA,” J. Sci. Technol. Virtual Sci., vol. 1, no. 1, pp. 44–50, 2021.

P. P. Allorerung, A. Erna, M. Bagussahrir, and S. Alam, “Analisis Performa Normalisasi Data untuk Klasifikasi K-Nearest Neighbor pada Dataset Penyakit,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 3, pp. 178–191, 2024, doi: 10.14421/jiska.2024.9.3.178-191.

A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.

R. Oktafiani, A. Hermawan, and D. Avianto, “Pengaruh Komposisi Split data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning,” J. Sains dan Inform., vol. 9, no. April, pp. 19–28, 2023, doi: 10.34128/jsi.v9i1.622.

R. Irfannandhy, L. B. Handoko, and N. Ariyanto, “Analisis Performa Model Random Forest dan CatBoost dengan Teknik SMOTE dalam Prediksi Risiko Diabetes,” Edumatic J. Pendidik. Inform., vol. 8, no. 2, pp. 714–723, 2024, doi: 10.29408/edumatic.v8i2.27990.

F. Widyawati et al., “Classification Of Toddler Nutritional Status Using Support Vector Machine And Random Forest Techniques With Optimal,” vol. 5, no. 6, pp. 1893–1904, 2024.

D. Lopez-Bernal, D. Balderas, P. Ponce, M. Rojas, and A. Molina, “Implications of Artificial Intelligence Algorithms in the Diagnosis and Treatment of Motor Neuron Diseases—A Review,” Life, vol. 13, no. 4, 2023, doi: 10.3390/life13041031.

H. N. Irmanda and Ria Astriratma, “Klasifikasi Jenis Pantun Dengan Metode Support Vector Machines (SVM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 5, pp. 915–922, 2020, doi: 10.29207/resti.v4i5.2313.

M. Fatmawati, B. A. Herlambang, and N. Q. Nada, “Random Forest Algorithm for Toddler Nutritional Status Classification Website,” J. Appl. Informatics Comput., vol. 8, no. 2, pp. 428–433, 2024, doi: 10.30871/jaic.v8i2.8463.

C. P. W. Kase and S. Y. J. Prasetyo, “Analisis Faktor Risiko Stunting pada Balita di Desa Kesetnana Menggunakan Metode Random Forest,” J. Indones. Manaj. Inform. dan Komun., vol. 6, no. 3, pp. 1556–1566, 2025, doi: 10.63447/jimik.v6i3.1449.