Klasterisasi Makanan Khas Daerah Indonesia Menggunakan Algoritma Machine Learning Berdasarkan Kandungan Nutrisi

Jumail Ilham Sahupala

Sari


Indonesia dikenal kaya akan keanekaragaman kuliner tradisionalnya, yang didukung oleh melimpahnya rempah-rempah sebagai daya tarik global. Meskipun cita rasa makanan Indonesia sangat nikmat, konsumsi berlebihan dapat berdampak negatif bagi kesehatan. Sejalan dengan permasalahan ini, penelitian ini bertujuan untuk menganalisis dan mengelompokkan makanan khas daerah berdasarkan kandungan nutrisinya. Dataset yang digunakan mencakup informasi kandungan calories, proteins, fat, dan carbohydrate per 100 gram untuk berbagai jenis makanan. Algoritma K-Medoids diterapkan untuk mengelompokkan jenis makanan berdasarkan kandungan nutrisinya, yaitu klaster kategori rendah dan tinggi. Hasil penelitian ini berhasil mengidentifikasi dua klaster: Klaster 0 berisi 1095 item dan Klaster 1 berisi 251 item. Diharapkan hasil klasterisasi ini dapat menjadi panduan bagi individu dalam mengatur pola makan dan asupan nutrisi secara mandiri, serta memberikan kontribusi dalam perencanaan kebijakan gizi di masa mendatang.

Kata Kunci— Data mining, K-Medoids, Kuliner, Nutrisi.

Teks Lengkap:

PDF

Referensi


S. Utami, “Kuliner Sebagai Identitas Budaya: Perspektif Komunikasi Lintas Budaya,” Cover. J. Strateg. Commun., vol. 8, no. 2, pp. 36–44, 2018, doi: 10.35814/coverage.v8i2.588.

C. Indonesia, “Rendang & Nasi Goreng Dipilih Jadi Makanan Terenak di Dunia,” cnnindonesia.com. Accessed: Jul. 07, 2025. [Online]. Available: https://www.cnnindonesia.com/gaya- hidup/20170715172743-307-228130/rendang- nasi-goreng-dipilih-jadi-makanan-terenak-di- dunia

G. Weichart, “Identitas Minahasa: Sebuah Praktik Kuliner,” Antropol. Indones., vol. 0, no. 74, pp. 59–80, 2014, doi: 10.7454/ai.v0i74.3510.

M. Aprilia, “Dunia Melayu Dibawah Kekuasaan Kolonial,” Hadharah J. Keislam. dan Perad., vol. 18, no. 1, pp. 15–25, 2024, doi: 10.15548/h.v18i1.9499.

I. M. Ayu et al., “Edukasi tentang Pengaruh Kebiasaan Mengkonsumsi Makanan dan Minuman Manis secara Berlebih bagi Kesehatan,” J. Abdimas Kesehat., vol. 5, no. 3, p. 454, 2023, doi: 10.36565/jak.v5i3.421.

dr. R. Fadli, “Berapa Banyak Kalori yang Dibutuhkan Tubuh? Cek Faktanya!,”

.halodoc.com. Accessed: Jul. 07, 2025. [Online]. Available: https://www.halodoc.com/artikel/berapa-banyak- kalori-yang-dibutuhkan-tubuh-cek-faktanya

M. S. Ramdhan, N. H. P. Anwar, Tsabitah. Adinda Wira Zahra, and A. S. Fitri, “Desain Aplikasi Mobile Pesan Antar MakananDengan Fitur Inovatif Perhitungan Nutrisi Dan Rekomendasi MenuBerbasis UML,” Innov. J. Soc. Sci. Res., vol. 4, no. 3, pp. 11731–11743,

S. R. Ningsih, I. S. Damanik, A. P. Windarto, H.

S. Tambunan, J. Jalaluddin, and A. Wanto, “Analisis K-Medoids Dalam Pengelompokkan Penduduk Buta Huruf Menurut Provinsi,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September,

p. 721, 2019, doi: 10.30645/senaris.v1i0.78.

D. S. M. Simanjuntak, I. Gunawan, S. Sumarno,

P. Poningsih, and I. P. Sari, “Penerapan Algoritma K-Medoids Untuk Pengelompokkan Pengangguran Umur 25 tahun Keatas Di Sumatera Utara,” J. Krisnadana, vol. 2, no. 2, 2023, doi: 10.58982/krisnadana.v2i2.264.

E. T. Ena Tasia and M. Afdal, “Perbandingan Algoritma K-Means Dan K-Medoids Untuk Klastering Daerah Rawan Banjir Di Kabupaten Rokan Hilir,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 1, pp. 65–73, 2023, doi: 10.57152/ijirse.v3i1.523.

H. Galih, “Memahami Peran Dataset dalam Penelitian Kecerdasan Buatan,” no. October, 2024, doi: 10.13140/RG.2.2.34468.49288.

R. K. Dinata, S. Retno, and N. Hasdyna, “Minimization of the Number of Iterations in K- Medoids Klastering with Purity Algorithm,” Rev. d’Intelligence Artif., vol. 35, no. 3, pp. 193–199,

, doi: 10.18280/ria.350302.

A. A. Panji Bintoro, Ratnasari, Edy Wihardjo, Indah Pratiwi Putri, Pengantar Machine Learning, vol. 3, no. 1. 2024. [Online]. Available: http://dx.doi.org/10.1016/j.bpj.2015.06.056%0A https://academic.oup.com/bioinformatics/article- abstract/34/13/2201/4852827%0Ainternal- pdf://semisupervised- 3254828305/semisupervised.ppt%0Ahttp://dx.do i.org/10.1016/j.str.2013.02.005%0Ahttp://dx.doi. org/10.10

P. Kumar and D. Sirohi, “Comparative analysis of FCM and HCM algorithm on Iris data set,” Int. J. Comput. Appl., vol. 5, no. 2, pp. 33–37, 2010, doi: 10.5120/888-1261.

Z. Widarto Rachbini, DATA SCIENCE untuk Pemula dengan RapidMiner. CV. AA. Rizky, 2025, 2025.

S. Petrovic, “A Comparison Between the

Silhouette Index and the Davies-Bouldin Index

in Labelling IDS Klasters,” 11th Nord. Work. Secur. IT-systems, pp. 53–64, 2006, [Online]. Available: https://xp- dev.com/svn/b_frydrych.../silhuetteIndexRegula Stopu.pdf


Refbacks

  • Saat ini tidak ada refbacks.


EJECTS: Jurnal Computer, Technology, and Informations System

Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

View My Stats