Implementasi Machine Learning dalam Sistem Prediksi dan Rekomendasi Program Diet Terintegrasi LLM
DOI:
https://doi.org/10.25077/TEKNOSI.v11i2.2025.144-151Kata Kunci:
Machine Learning, Algoritma Prediksi, Integrasi Sistem, Sistem InformasiAbstrak
Masalah malnutrisi, baik dalam bentuk kelebihan maupun kekurangan berat badan, masih menjadi tantangan kesehatan global. Gaya hidup urban yang tidak sehat dan keterbatasan akses terhadap intervensi gizi yang tepat turut memperparah permasalahan ini. Pendekatan berbasis teknologi seperti machine learning dan Large Language Models (LLM) menawarkan peluang untuk meningkatkan efektivitas pengelolaan pola makan. Penelitian ini mengusulkan pengembangan sistem prediksi dan rekomendasi program diet berbasis machine learning dan terintegrasi LLM yang diterapkan pada Cafe NUT Castle. Sistem dikembangkan untuk mendigitalisasi pencatatan data komposisi tubuh, memprediksi program diet (penurunan berat badan, peningkatan berat badan, dan penurunan lemak tubuh) menggunakan algoritma Random Forest, serta menghasilkan rekomendasi diet awal yang dipersonalisasi melalui integrasi Gemini Flash-Lite API. Berdasarkan hasil pengujian, model prediksi mencapai akurasi sebesar 93% pada data uji dan 84% pada 50 data baru. Evaluasi terhadap rekomendasi diet yang dihasilkan oleh LLM menunjukkan tingkat kelayakan sebesar 86,6% yang dikategorikan sebagai sangat layak. Hasil ini menunjukkan bahwa sistem yang dikembangkan tidak hanya akurat dalam memprediksi program diet, tetapi juga efektif dalam memberikan rekomendasi awal yang dapat mendukung pengambilan keputusan dalam layanan konsultasi gizi secara digital.Referensi
World Health Organization, “Malnutrition,” 2024. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/malnutrition?gad_source=1&gclid=CjwKCAiA6aW6BhBqEiwA6KzDcyRGe2D05CSMaJqYt-OMYtVZtAOrE8e04gwzGFUEt50hysgvK6bRERoCyxoQAvD_BwE#
R. Rosmiati, N. R. Haryana, H. Firmansyah, and R. Purba, “Pola Makan, Aktivitas Fisik, dan Obesitas pada Pekerja Urban di Indonesia,” Amerta Nutrition, vol. 7, pp. 164–170, Dec. 2023, doi: 10.20473/amnt.v7i2SP.2023.164-170.
J. S. Shim, S. Y. Shim, H. J. Cha, J. Kim, and H. C. Kim, “Association between Ultra-processed Food Consumption and Dietary Intake and Diet Quality in Korean Adults,” J Acad Nutr Diet, vol. 122, no. 3, pp. 583–594, Mar. 2022, doi: 10.1016/j.jand.2021.07.012.
A. Setyaningsih, I. Mulyasari, P. Afiatna, and H. R. Putri, “The Relationship between Ultra-Processed Food Consumption with Diet Quality and Overweight Status in Young Adults,” Amerta Nutrition, vol. 8, no. 1, pp. 124–129, 2024, doi: 10.20473/amnt.v8i1.2024.124-129.
N. C. Pereira, J. D’Souza, P. Rana, and S. Solaskar, “Obesity Related Disease Prediction from Healthcare Communities Using Machine Learning,” 2019 10th International Conference on Computing, Communication and Networking Technologies, ICCCNT 2019, pp. 1–7, 2019, doi: 10.1109/ICCCNT45670.2019.8944798.
E. Rodríguez, E. Rodríguez, L. Nascimento, A. da Silva, and F. Marins, “Machine learning techniques to predict overweight or obesity,” CEUR Workshop Proc, vol. 3038, pp. 190–204, 2021.
M. Dirik, “Application of machine learning techniques for obesity prediction: a comparative study,” Journal of Complexity in Health Sciences, vol. 6, no. 2, pp. 16–34, 2023, doi: 10.21595/chs.2023.23193.
V. Sharma et al., “Malnutrition, Health and the Role of Machine Learning in Clinical Setting,” Front Nutr, vol. 7, no. April, pp. 1–9, 2020, doi: 10.3389/fnut.2020.00044.
A. S. Iorhemen, “Random Forest Ensemble Machine Learning Model for Early Detection and Prediction of Weight Category,” Journal of Data Science and Intelligent Systems, vol. 2, no. May 2023, pp. 233–240, 2023, doi: 10.47852/bonviewjdsis32021149.
C. Suresh, B. V. Kiranmayee, M. Jahnavi, R. Pampari, S. R. Ambadipudi, and S. S. P. Hemadri, “Obesity Prediction Based on Daily Lifestyle Habits and Other Factors Using Different Machine Learning Algorithms,” Proceedings of Second International Conference on Advances in Computer Engineering and Communication Systems, pp. 397–407, 2022, doi: 10.1007/978-981-16-7389-4_39.
L. Breiman, “Random Forest,” Kluwer Academic Publishers, vol. 45, pp. 5–32, 2001.
J. Yang et al., “Mitigating machine learning bias between high income and low–middle income countries for enhanced model fairness and generalizability,” Sci Rep, vol. 14, no. 1, pp. 1–12, 2024, doi: 10.1038/s41598-024-64210-5.
Y. Rothacher and C. Strobl, Identifying Informative Predictor Variables With Random Forests, vol. 49, no. 4. 2024. doi: 10.3102/10769986231193327.
A. Szymanski, B. L. Wimer, O. Anuyah, H. A. Eicher-Miller, and R. A. Metoyer, “Integrating Expertise in LLMs: Crafing a Customized Nutrition Assistant with Refined Template Instructions,” Conference on Human Factors in Computing Systems - Proceedings, 2024, doi: 10.1145/3613904.3641924.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 