Implementasi Machine Learning dalam Sistem Prediksi dan Rekomendasi Program Diet Terintegrasi LLM
DOI:
https://doi.org/10.25077/TEKNOSI.v11i2.2025.144-151Keywords:
Machine Learning, Algoritma Prediksi, Integrasi Sistem, Sistem InformasiAbstract
Malnutrition, both in the form of overweight and underweight, remains a global health challenge. Unhealthy urban lifestyles and limited access to appropriate nutritional interventions exacerbate this problem. Technology-based approaches such as machine learning and Large Language Models (LLM) offer opportunities to improve the effectiveness of dietary management. This study proposes the development of a machine learning-based and LLM-integrated diet program prediction and recommendation system applied to Cafe NUT Castle. The system was developed to digitize body composition data recording, predict diet programs (weight loss, weight gain, and body fat loss) using the Random Forest algorithm, and generate personalized initial diet recommendations through the integration of the Gemini Flash-Lite API. Based on the test results, the prediction model achieved an accuracy of 93% on the test data and 84% on 50 new datasets. Evaluation of the diet recommendations generated by LLM showed a feasibility level of 86.6% which was categorized as very feasible. These results indicate that the developed system is not only accurate in predicting diet programs but also effective in providing initial recommendations that can support decision-making in digital nutrition consultation services.References
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.
Downloads
Submitted
Accepted
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Nasional dan Sistem Informasi
This work is licensed under a Creative 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 