Rekomendasi Makanan Pasien Hiperlipidiemia Berdasarkan Hasil Klasifikasi Menggunakan Metode Naïve Bayes dan Decision Tree

Wafirotul Laila, Wisnu Widiarto, Ardhi Wijayanto, Esti Suryani

Abstract


Makanan merupakan kebutuhan manusia untuk memenuhi nutrisi dalam keberlangsungan hidup. Namun setiap orang perlu memperhatikan makanan yang dikonsumsi karena akan memengaruhi kondisi tubuh. Salah satu zat dalam tubuh manusia yang perlu diperhatikan ketika mengonsumsi makanan adalah lemak. Penelitian terkait konsumsi makanan dengan kadar lemak dalam tubuh sudah banyak dilakukan. Terbukti terdapat jenis makanan yang dapat memengaruhi kesehatan tubuh karena menyebabkan zat lemak yang berlebihan. Penelitian yang dilakukan kali ini adalah klasifikasi data kebutuhan gizi dengan membandingkan algoritma naïve bayes dan decision tree. Hasil klasifikasi antara kedua algoritma tersebut digunakan untuk memberikan rekomendasi makanan yang sesuai untuk dikonsumsi oleh orang yang menderita hiperlipidemia, yakni kondisi di mana kadar lemak dalam tubuh berlebihan. Penelitian dimulai dari pengumpulan data, pra-proses data dengan normalisasi, klasifikasi dengan beberapa model naïve bayes dan algoritma decision tree, menganalisis hasil klasifikasi dengan confusion matrix, dan melakukan implementasi rekomendasi makanan berdasarkan hasil model klasifikasi yang paling optimal. Pada penelitian ini diperoleh hasil bahwa model ComplementNB memiliki akurasi tinggi dibanding model lain namun secara keseluruhan algoritma decision tree lebih stabil dibanding naïve bayes.


Keywords


Naïve Bayes; Classification; Decision Tree; Food Recommendation; Hyperlipid; Colesterol

Full Text:

PDF

References


C. Ardhilla and N. Oktaviani, Dokter Pribadi: Diaskol Jantroke (Diabetes Mellitus, Asam Urat, Kolesterol, Jantung, dan Stroke), 1st ed. Yogyakarta: IN Azna Book, 2013.

S. Nilawati, Care Yourself Kolesterol, 1st ed. Jakarta: Penebar Plus, 2008.

K. Harikumar, S. Abdul Althaf, B. Kishore kumar, M. Ramunaik, and C. Suvarna, “A Review on Hyperlipidemic,” Department of Pharmacology, Sri Venkateswara College of Pharmacy, R.V.S. Nagar, Chittoor, Andhra Pradesh, India, Oct. 2013.

D. Sulastri, R. S, and Puwantyastuti, “Pola Asupan Lemak, Antioksidan, serta Hubungannya dengan Profil Lipid pada Laki-Laki etnik Minangkabau,” Majalah Kedokteran Indonesia, p. 55, 2005.

E.-Y. Lin, D.-L. Yang, and M.-C. Hung, “System Design of an Intelligent Nutrition Consultation and Recommendation Model,” in 2012 9th International Conference on Ubiquitous Intelligence and Computing and 9th International Conference on Autonomic and Trusted Computing, Fukuoka, Japan, Sep. 2012, pp. 740–745. doi: 10.1109/UIC-ATC.2012.80.

D. Xhemali, C. J. Hinde, and R. G. Stone, “Naïve Bayes vs. Decision Trees vs. Neural Networks in the Classification of Training Web Pages,” p. 11, 2009.

A. Khan, S. Deshpande, and A. K. Tripathy, “Optimizing Nutrition using Machine Learning Algorithms-a Comparative Analysis,” in 2019 International Conference on Nascent Technologies in Engineering (ICNTE), Navi Mumbai, India, Jan. 2019, pp. 1–4. doi: 10.1109/ICNTE44896.2019.8946091.

P. Bobade, P. Kumar, K. Chandrasekaran, and D. Usha, “Optimized Diet Plan using Unbounded Knapsack Algorithm,” in 2020 IEEE International Conference on Computing, Power and Communication Technologies (GUCON), Greater Noida, India, Oct. 2020, pp. 639–643. doi: 10.1109/GUCON48875.2020. 9231213.

R. Kowalski, Terapi Hipertensi: Program 8 Minggu Menurunkan Tekanan Darah Tinggi. Bandung: Qanita Mizan Pustaka, 2010.

Anies, Kolesterol dan Penyakit Jantung Koroner. Yogyakarta: Ar-Ruzz Media, 2015.

A. Khomsan, Sehat dengan Makanan berkhasiat, 1st ed. Jakarta: Buku Kompas, 2006.

F. Isinkaye, Y. Folajimi, and B. Ojokoh, “Recommendation systems: Principles, methods and evaluation,” Egyptian Informatics Journal, vol. 16, Aug. 2015, doi: 10.1016/j.eij.2015.06. 005.

F. Ricci, L. Rokach, and B. Shapira, “Recommender Systems Handbook,” in Recommender Systems Handbook, vol. 1–35, 2010, pp. 1–35. doi: 10.1007/978-0-387-85820-3_1.

P. G, S. Deore, R. Jagtap, G. Jain, and C. Kalal, “Collaborative Approach based Restaurant Recommender System using Naive Bayes,” IJARCCE, vol. 6, pp. 6–13, Apr. 2017, doi: 10.17148/IJARCCE.2017.6402.

A. Saleh, “Penerapan Data Mining dengan Metode Klasifikasi Naive Bayes untuk Memprediksi Kelulusan Mahasiswa dalam Mengikuti English Proficiency Test (Studi Kasus : Universitas Potensi Utama),” Feb. 2015.

A. N. Fadhilah, “Sistem Rekomendasi MPASI dengan Pemodelan Ontologi dan Metode Naive Bayes,” Universitas Sebelas Maret, Surakarta, 2018.

J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham: Morgan Kaufmann Publishers, 2012.

Kusrini, Algoritma Data Mining. Penerbit ANDI, 2009.

B. R. Kumar and D. K. Latha, “DFRS: Diet Food Recommendation System for Diabetic Patients based on Ontology,” vol. 10, p. 7, 2015.

A. Veratamala, “Cara Menghitung BMR (Basal Metabolic Rate),” Hello Sehat, Mar. 12, 2021. https://hellosehat.com/nutrisi/cara-menghitung-bmr/ (accessed Apr. 17, 2021).

I. Suryani, N. Isdiany, and G. D. Kusumayanti, Bahan Ajar Gizi: Dietetik Penyakit Tidak Menular. Jakarta: Kementerian Kesehatan Republik Indonesia: Pusat Pendidikan SDM Kesehatan, 2018.

E. Novita Indra, “KONTRIBUSI LATIHAN PADA METABOLISME LEMAK,” j. medikora, no. 1, Jul. 2015, doi: 10.21831/medikora.v0i1.4718.

Kementerian Kesehatan RI, Profil Penyakit Tidak Menular Indonesia. Jakarta: Kementerian Kesehatan Republik Indonesia, 2016.

A. A. Sulistiono, “Prediksi Aktivitas Fisik Sehari-Hari, Umur, Tinggi, Berat Badan dan Jenis Kelamin terhadap Kebugaran Jasmani Siswa SMP di Banjarmasin,” JPNK, vol. 20, no. 3, p. 380, Dec. 2014, doi: 10.24832/jpnk.v20i3.152.

Z. Ulhaq and T. B. Adji, “Integrasi Synthetic Minority Over-Sampling Technique (SMOTE) dengan Correlated Naïve Bayes Classifier (C-NBC),” p. 5, 2017.




DOI: http://dx.doi.org/10.26418/jp.v8i2.56386

Refbacks

  • There are currently no refbacks.