BUFNETSBUFNETS

Bulletin of Network Engineer and InformaticsBulletin of Network Engineer and Informatics

Evaluasi kualitas makanan dalam Program Makanan Gratis (MBG) memerlukan pendekatan objektif dan sistematis untuk memastikan standar nutrisi dan efektivitas pelayanan. Studi ini menerapkan teknik data mining menggunakan algoritma K-Means clustering untuk mengklasifikasikan kualitas makanan berdasarkan atribut multi, termasuk Kalori, Protein, Lemak, Karbohidrat, Segar, Kebersihan, Suhu Penyajian, dan Kelayakan. Penelitian ini menggunakan RapidMiner untuk melakukan pra-pemrosesan data, termasuk normalisasi data, clustering dengan K-Means, dan evaluasi kinerja menggunakan Indeks Davies-Bouldin (DBI) dan Rata-Rata Jarak Centroid Dalam. Dua skenario clustering, K=3 dan K=5, dievaluasi untuk menentukan jumlah klaster optimal. Hasil menunjukkan bahwa model K=3 mencapai nilai DBI yang lebih rendah (0,214) dibandingkan K=5 (0,224), menunjukkan pemisahan klaster yang lebih baik. Meskipun K=5 menghasilkan klaster yang lebih padat, tidak meningkatkan kualitas pengelompokan secara keseluruhan karena pemisahan yang lebih lemah. Oleh karena itu, konfigurasi K=3 diidentifikasi sebagai model optimal, karena memberikan keseimbangan yang lebih baik antara pemisahan klaster dan interpretasi. Temuan ini menunjukkan bahwa pendekatan pengelompokan multi-atribut dapat efektif mendukung pengambilan keputusan berbasis data dalam mengevaluasi dan meningkatkan kualitas makanan dalam program MBG.

Berdasarkan hasil studi ini, implementasi algoritma K-Means telah terbukti efektif dalam mengelompokkan kualitas makanan dalam Program Makanan Gratis (MBG) menggunakan semua atribut yang tersedia.Pendekatan data mining ini memberikan metode yang lebih objektif, sistematis, dan berbasis data untuk mengevaluasi kualitas makanan dibandingkan penilaian manual konvensional.Evaluasi pengelompokan menunjukkan bahwa dalam skenario K=3, distribusi data terdiri dari 160 item dalam klaster 0, 156 item dalam klaster 1, dan 184 item dalam klaster 2, dengan nilai Indeks Davies-Bouldin (DBI) sebesar 0,214 dan Rata-Rata Jarak Centroid Dalam sebesar 0,617.Sementara itu, dalam skenario K=5, data lebih terfragmentasi menjadi lima klaster (111, 91, 97, 116, dan 85 item), dengan nilai DBI sebesar 0,224 dan Rata-Rata Jarak Centroid Dalam yang lebih rendah sebesar 0,578, menunjukkan tingkat kompakness klaster yang lebih tinggi.Dari perspektif perbandingan, meskipun model K=5 menghasilkan klaster yang lebih padat (jarak centroid dalam lebih rendah), menghasilkan nilai DBI yang lebih tinggi, yang menunjukkan pemisahan klaster yang lebih lemah.Sebaliknya, model K=3 mencapai nilai DBI yang lebih rendah, menunjukkan pemisahan antar-klaster yang lebih baik dan perbedaan yang lebih jelas antar kelompok data.Ini menunjukkan bahwa konfigurasi K=3 menyediakan struktur pengelompokan yang lebih optimal, menghindari over-segmentasi sambil mempertahankan perbedaan kelompok yang bermakna.Oleh karena itu, dapat disimpulkan bahwa jumlah klaster optimal adalah K=3, karena memberikan keseimbangan terbaik antara pemisahan klaster dan interpretasi, meskipun K=5 menawarkan kompakness yang sedikit lebih baik.Model K=3 lebih cocok untuk implementasi praktis, karena mengklasifikasikan kualitas makanan MBG menjadi tiga kategori yang bermakna.tinggi, sedang, dan rendah, yang sejalan dengan kebutuhan pengambilan keputusan dalam evaluasi program.

Penelitian lanjutan dapat membandingkan algoritma K-Means dengan pendekatan pengelompokan lain seperti Hierarchical Clustering, DBSCAN, atau Fuzzy C-Means untuk melihat mana yang lebih efektif dalam evaluasi kualitas makanan. Selain itu, peneliti dapat memperluas dataset dengan mengumpulkan data dari lebih banyak lokasi atau periode waktu, serta menambahkan atribut baru seperti umpan balik pelanggan atau data nutrisi lebih detail untuk meningkatkan akurasi dan generalisasi model. Terakhir, penelitian juga bisa diterapkan pada program serupa di sektor lain, seperti evaluasi kualitas layanan pendidikan atau kesehatan, untuk melihat potensi adaptasi metode ini di bidang berbeda.

  1. Optimization Grouping Quality MBG Program Food Uses K-Means Algorithm Based on Davies-Bouldin Index Evaluation... bufnets.tech/index.php/bufnets/article/view/157Optimization Grouping Quality MBG Program Food Uses K Means Algorithm Based on Davies Bouldin Index Evaluation bufnets tech index php bufnets article view 157
Read online
File size362.51 KB
Pages7
DMCAReport

Related /

ads-block-test