Klasifikasi Tingkat Penerimaan Menu MBG Menggunakan Naïve Bayes dan Decision Tree: Classification of MBG Menu Acceptance Levels Using Naïve Bayes and Decision Tree

Ester Ayuk Puspita; Oktavianus Frika Tampang

doi:10.57152/malcom.v6i4.2926

Authors

Ester Ayuk Puspita STMIK Pesat Nabire
Oktavianus Frika Tampang STMIK Pesat Nabire

DOI:

https://doi.org/10.57152/malcom.v6i4.2926

Keywords:

Decision Tree, Klasifikasi, Naïve Bayes, Orange Data Mining, Program Makan Bergizi Gratis

Abstract

Program Makan Bergizi Gratis (MBG) merupakan upaya pemerintah untuk meningkatkan gizi siswa, terutama di wilayah yang memiliki keterbatasan akses terhadap makanan bergizi, seperti di Kabupaten Nabire. Namun, penerimaan siswa terhadap menu yang disajikan beragam karena dipengaruhi oleh nilai gizi dan preferensi makanan. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naïve Bayes dan Decision Tree dalam mengklasifikasikan tingkat penerimaan menu MBG. Penelitian ini menggunakan pendekatan kuantitatif dengan metode pembelajaran terawasi pada 3.840 data hasil survei lapangan. Pengolahan data dilakukan menggunakan perangkat lunak Orange Data Mining, sedangkan evaluasi model dilakukan menggunakan validasi 10-fold. Hasil pengujian menunjukkan bahwa Decision Tree memperoleh akurasi 26,0%, sedangkan Naïve Bayes mencapai 25,3%. Decision Tree juga menghasilkan nilai precision, recall, dan F1-score yang sedikit lebih tinggi dibandingkan dengan Naïve Bayes. Berdasarkan hasil tersebut, Decision Tree menunjukkan kinerja yang relatif lebih baik dalam mengklasifikasikan tingkat penerimaan menu pada dataset yang digunakan. Penelitian ini diharapkan dapat menjadi rujukan untuk mengevaluasi dan menyusun menu MBG yang lebih sesuai dengan kebiasaan dan preferensi siswa di Kabupaten Nabire. Selain itu, penelitian ini memberikan kontribusi melalui perbandingan kinerja kedua algoritma sebagai dasar bagi penelitian lanjutan dan pengembangan sistem pendukung keputusan di bidang gizi. Temuan ini juga menegaskan perlunya pengembangan model lanjutan untuk meningkatkan akurasi

Downloads

Download data is not yet available.

References

S. Hamzah and B. Hamzah, “Pemberdayaan Masyarakat melalui Gerakan Masyarakat Hidup Sehat (Germas) pada Mahasiswa di Kotamobagu,” Jurnal Pengabdi. Kesehat. Masy., vol. 2, no. 2, pp. 107–125, 2021.

R. Van Kesteren and A. Evans, “Cooking without thinking: How understanding cooking as a practice can shed new light on inequalities in healthy eating,” Appetite, vol. 147, p. 104503, 2020. doi: 10.1016/j.appet.2019.104503.

W. ABDULLAH, “Evaluasi Program Perbaikan Gizi Pondok Pesantren Di Provinsi Lampung,” UIN RADEN INTAN LAMPUNG, 2022,

T. F. Kardi and R. Kurniasari, “Efektivitas penggunaan media edukasi gizi terhadap pengetahuan overweight dan obesitas pada remaja sekolah: literature review,” Media Publik Promosi Kesehat. Indones., vol. 5, no. 5, pp. 482–486, 2022, doi: 10.56338/mppki.v5i5.2247.

H. A. Rahmah, A. Anggraini, Y. P. Nilasari, and E. P. Salsabilla, “Analisis efektivitas program makan bergizi gratis di sekolah dasar Indonesia tahun 2025,” Integr. Perspect. Soc. Sci. J., vol. 2, no. 2 Mei, pp. 2855–2866, 2025.

R. Ramadhani and T. Hidayat, “Metode machine learning untuk klasifikasi data gizi balita dengan algoritma Naïve Bayes, KNN, dan Decision Tree,” Jurnal SIMETRIS, vol. 15, no. 1, pp. 57–68, 2024.

S. Taufiq and W. Kurniawan, “Klasifikasi Status Gizi Balita Menggunakan Algoritma Naive Bayes Berdasarkan Pengukuran Antropometri,” Jurnal Ilmu Pengetauan. dan Teknologi., vol. 9, no. 1, pp. 1–5, 2025.

M. A. R. Sabima, B. C. Octariadi, and R. W. S. Insani, “Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest,” Jurnal Teknol. Dan Sist. Inf. Bisnis, vol. 8, no. 1, pp. 95–99, 2026. doi:10.47233/jteksis.v8i1.2415.

E. Najwa, T. S. Simanjuntak, M. G. Ramadhan, S. N. Rakhmah, F. A. Sariasih, and I. Sutoyo, “Penerapan machine learning untuk rekomendasi konsumsi makanan sehat berdasarkan data gizi pangan Indonesia,” JATI (Jurnal Mahasiwa Teknik Informatika, vol. 10, no. 1, pp. 341–348, 2026.

U. Agustini, “Efektivitas dan tantangan kebijakan program makan bergizi gratis sebagai intervensi pendidikan di Indonesia,” J. Kiprah Pendidik., vol. 4, no. 3, pp. 362–368, 2025.

M. R. Habib, L. G. Pratiwi, H. Hardiansyah, U. Rosidin, and H. Handoko, “Evaluasi implementasi program makan bergizi gratis (MBG) di Sekolah Dasar X Kota Bandar Lampung,” Didakt. Dwija Indria, vol. 13, no. 6, pp. 963–969.

R. Salleh, R. Rajikan, S. Shahar, M. R. Shahril, S. M. Elias, and N. A. Ahmad, “Nutrient profiling model towards recommendation of a healthy diet: A scoping review,” 2023. urnal Gizi dan Pangan, vol. 18, no. 3, pp. 197–208, 2023. doi: 10.25182/jgp.2023.18.3.197-208.

P. A. Sabrina, “Klasifikasi status gizi balita menggunakan metode Decision Tree dan K-Fold Cross Validation”.

B. Al Qohar, Y. M. P. Tanga, and A. Y. Darmawan, “Machine learning techniques for classifying Indonesian foods and drinks by nutritional profiles,” J. Inf. Syst. Explor. Res., vol. 3, no. 1, pp. 23–38, 2025. doi:10.52465/joiser.v3i1.528.

I. Febrianto and A. P. Sari, “Comparison of C4. 5 Decision Tree and Naive Bayes Algorithms for Classification of Nutritional Status in Stunting Toddlers,” IJCONSIST JOURNALS, vol. 5, no. 1, pp. 25–31, 2023. doi:10.33005/ijconsist.v5i1.122.

P. Handayani, A. C. Fauzan, and H. Harliana, “Machine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest,” KLIK Kajan. Ilmiah Informatika dan Komputer, vol. 4, no. 6, pp. 3064–3072, 2024. doi:10.30865/klik.v4i6.1807.

E. M. Barrett et al., “Criterion validation of nutrient profiling systems: a systematic review and meta-analysis,” Am. J. Clin. Nutr., vol. 119, no. 1, pp. 145–163, 2024. doi:10.1016/j.ajcnut.2023.09.020.

D. Kirk, E. Kok, M. Tufano, B. Tekinerdogan, E. J. M. Feskens, and G. Camps, “Machine learning in nutrition research,” Adv. Nutr., vol. 13, no. 6, pp. 2573–2589, 2022. doi:10.1093/advances/nmac103.

R. R. R. Arisandi, B. Warsito, and A. R. Hakim, “Aplikasi na{"i}ve bayes classifier (nbc) pada klasifikasi status gizi balita stunting dengan pengujian k-fold cross validation,” Jurnal Gaussian, vol. 11, no. 1, pp. 130–139, 2022. doi:10.14710/j.gauss.11.1.130-139.

S. Taufiq, “Indonesian klasifikasi Status Gizi Balita Menggunakan Algoritma Naive Bayes Berdasarkan Pengukuran Antropometri,” Jurnal Ilmu Pengetauan. dan Teknologi, vol. 9, no. 1, pp. 1–5, 2025.

F. M. Hidayat, A. Yaqin, and others, “Penerapan Algoritma Na{"i}ve Bayes Untuk Klasifikasi Status Gizi Stunting Pada Balita,” DIELEKTRIKA, vol. 11, no. 2, pp. 107–118, 2024. doi: 10.30649/dielektrika.v11i2.390.

S. K. Aydin, R. H. Ali, S. Faiz, and T. A. Khan, “An integrated ai framework for personalized nutrition using machine learning and natural language processing for dietary recommendations,” Appl. Sci., vol. 15, no. 17, p. 9283, 2025. doi:10.3390/app15179283.

D. M. Thomas et al., “AI and machine learning in nutrition: the promise, the challenge, and recommendations,” Am. J. Clin. Nutr., 2025. doi:10.1016/j.ajcnut.2025.05.023.

D. Tsolakidis, L. P. Gymnopoulos, and K. Dimitropoulos, “Artificial intelligence and machine learning technologies for personalized nutrition: a review,” in Informatics, 2024, p. 62. doi:10.3390/informatics11030062.

X. Wang, Z. Sun, H. Xue, and R. An, “Artificial intelligence applications to personalized dietary recommendations: a systematic review,” in Healthcare, 2025, p. 1417. doi:10.3390/healthcare13091417.

R. F. Syamsu, R. A. Putry, and N. M. Widyadhana, “Tinjauan nilai gizi dari program makan bergizi gratis (MBG) Presiden RI,” J. Gizi Nas., vol. 6, pp. 14843–14853, 2025. doi: 10.31004/jkt.v6i4.51554

I. FEBRIANTO, “Komparasi Algoritma Decision Tree C4. 5 Dan Naive Bayes Pada Klasifikasi Status Gizi Balita Stunting,” UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR, 2023.

A. Cascarano et al., “Machine and deep learning for longitudinal biomedical data: a review of methods and applications,” Artif. Intell. Rev., vol. 56, no. Suppl 2, pp. 1711–1771, 2023. doi: 10.31004/jkt.v6i4.51554

C. Burgaz et al., “The effectiveness of food system policies to improve nutrition, nutrition-related inequalities and environmental sustainability: a scoping review: Celia et al.,” Food Secur., vol. 15, no. 5, pp. 1313–1344, 2023.doi: 10.1007/s12571-023-01385-1

K. E. Sembiring, Z. Indra, and D. Y. Niska, “Penerapan Algoritma Naive Bayes Untuk Mengklasifikasikan Stunting Pada Anak Balita Berbasis Web Di Puskesmas Mayor Umar Damanik Kota Tanjungbalai,” JATI (Jurnal Mahasiswa Teknik Informatika., vol. 8, no. 6, pp. 12438–12445, 2024. doi: 10.36040/jati.v8i6.11953

T. P. Theodore Armand, K. A. Nfor, J.-I. Kim, and H.-C. Kim, “Applications of artificial intelligence, machine learning, and deep learning in nutrition: a systematic review,” Nutrients, vol. 16, no. 7, p. 1073, 2024. doi: 10.3390/nu16071073

J. F. Nisa and S. Sumarmi, “Evaluation of The Implementation of The Stunting Prevention Program: Literature Review,” Media Gizi Kesmas, vol. 13, no. 2, pp. 853–862, 2024. doi: 10.20473/mgk.v13i2.2024.860-868

S. A. Putri and R. A. Purnama, “Klasifikasi status gizi balita menggunakan metode Decision Tree dan K-Fold Cross Validation,” J. Inform., vol. 11, no. 1, pp. 1–8, 2024. doi: 10.26555/jifo.v11i1.100

W. Quan, J. Zhou, J. Wang, J. Huang, and L. Du, “Machine Learning-Driven Precision Nutrition: A Paradigm Evolution in Dietary Assessment and Intervention,” Nutrients, vol. 18, no. 1, p. 45, 2025. doi: 10.3390/nu18010045

R. Ratra and P. Gulia, “Experimental evaluation of open source data mining tools (WEKA and Orange),” Int. J. Eng. Trends Technol., vol. 68, no. 8, pp. 30–35, 2020. doi: 10.14445/22315381/IJETT-V68I8P206S

L. M. Bodnar, S. I. Kirkpatrick, and A. I. Naimi, “Machine learning can improve the development of evidence-based dietary guidelines,” Public Health Nutr., vol. 25, no. 9, pp. 2566–2569, 2022. doi: 10.1017/S1368980022001392

S. M. Donovan et al., “Personalized nutrition: perspectives on challenges, opportunities, and guiding principles for data use and fusion,” Crit. Rev. Food Sci. Nutr., vol. 65, no. 30, pp. 7151–7169, 2025. doi: 10.1080/10408398.2025.2461237

E. K. Nurnawati, M. Sholeh, R. Y. Ariyana, and E. Almuntaha, “Comparison of Decision Tree and Na{"i}ve Bayes algorithms in classification models to determine lecturer performance using K Fold Cross Validation,” J. TAM (Technology Accept. Model., vol. 14, no. 2, pp. 152–157, 2023. doi: 10.5281/zenodo.10234567