UMIUMI

TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi AkuntansiTAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi

Pengetahuan masyarakat mengenai kandungan gizi makanan masih rendah karena terbatasnya media edukasi yang mudah dipahami. Penelitian ini bertujuan mengembangkan sistem segmentasi makanan berbasis web yang mampu mengelompokkan makanan berdasarkan karakteristik gizinya menggunakan algoritma K-Means. Data yang digunakan merupakan Food Composition Dataset dengan atribut utama Nitrogen Factor, Fat Factor, dan Specific Gravity. Proses penelitian meliputi pra-pemrosesan data, penentuan jumlah klaster optimal melalui Elbow Method, dan visualisasi hasil menggunakan Principal Component Analysis (PCA). Hasil penelitian menunjukkan bahwa jumlah klaster optimal adalah K = 3, dengan pemisahan klaster yang jelas melalui visualisasi PCA yang memiliki explained variance sebesar 82%. Klaster yang terbentuk merepresentasikan kelompok makanan dengan karakteristik gizi serupa, seperti kandungan protein tinggi, lemak tinggi, atau densitas makanan yang lebih besar. Hasil klasterisasi kemudian diimplementasikan ke dalam aplikasi web ber-basis Streamlit, sehingga pengguna dapat melihat dan memahami segmentasi makanan secara interaktif. Penelitian ini menyimpulkan bahwa algoritma K-Means efektif dalam mengelompokkan makanan berdasarkan atribut gizinya, dan sistem yang dikembangkan dapat dimanfaatkan sebagai media edukasi gizi dan analisis pola makan.

Penelitian ini berhasil mengembangkan sistem segmentasi makanan berbasis web menggunakan algoritma K-Means yang mampu mengelompokkan makanan berdasarkan kandungan gizinya.Hasil penelitian menunjukkan bahwa klaster optimal adalah K = 3 dengan pemisahan yang jelas melalui PCA.Sistem ini dapat menjadi alat bantu edukasi gizi yang efektif dan memudahkan pemahaman masyarakat tentang variasi nutrisi makanan.Namun, penelitian ini masih memiliki keterbatasan dalam penggunaan atribut gizi terbatas dan dataset yang bersifat umum.

1. Penelitian lanjutan dapat mengkaji pengaruh penambahan variabel nutrisi seperti karbohidrat, serat, dan vitamin untuk meningkatkan akurasi segmentasi. 2. Perbandingan kinerja algoritma K-Means dengan metode lain seperti DBSCAN atau Hierarchical Clustering dapat dilakukan untuk memperbaiki interpretasi hasil. 3. Pengembangan fitur aplikasi berbasis Streamlit dengan tambahan fitur interaktif seperti rekomendasi makanan berdasarkan profil nutrisi pengguna dapat meningkatkan manfaat sistem bagi masyarakat dan tenaga kesehatan.

  1. Penerapan Algoritma K-Means dalam Mengelompokkan Balita yang Mengalami Gizi Buruk Menurut Provinsi |... doi.org/10.37148/bios.v2i1.19Penerapan Algoritma K Means dalam Mengelompokkan Balita yang Mengalami Gizi Buruk Menurut Provinsi doi 10 37148 bios v2i1 19
  2. Hubungan Pola Makan, Sedentary Lifestyle, dan Durasi Tidur dengan Kejadian Gizi Lebih Pada Remaja (Studi... journal.unnes.ac.id/sju/index.php/IJPHN/article/view/52044Hubungan Pola Makan Sedentary Lifestyle dan Durasi Tidur dengan Kejadian Gizi Lebih Pada Remaja Studi journal unnes ac sju index php IJPHN article view 52044
  3. Aplikasi Segmentasi Jenis Makanan Berdasarkan Kandungan Gizi Menggunakan Algoritma K-Means | TAMIKA:... ejurnal.methodist.ac.id/index.php/tamika/article/view/5034Aplikasi Segmentasi Jenis Makanan Berdasarkan Kandungan Gizi Menggunakan Algoritma K Means TAMIKA ejurnal methodist ac index php tamika article view 5034
  4. Hubungan Aktifitas Fisik, Kebiasaan Konsumsi Fast Food, Konsumsi Buah dan Sayur terhadap Obesitas pada... doi.org/10.36565/jab.v13i2.817Hubungan Aktifitas Fisik Kebiasaan Konsumsi Fast Food Konsumsi Buah dan Sayur terhadap Obesitas pada doi 10 36565 jab v13i2 817
Read online
File size482.61 KB
Pages7
DMCAReport

Related /

ads-block-test