Bilah Samping Artikel

Telah diserahkan
May 20, 2024
Diterima
Dec 4, 2024
Diterbitkan
Dec 4, 2024
Download
PDF
Statistic
Read Counter : 0 Download : 0

Isi Artikel Utama

Abstrak

Makanan cepat saji telah menjadi bagian penting dari gaya hidup modern yang sibuk, makanan cepat saji lebih digemari karena membuat makan menjadi mudah dan nyaman. Anak muda zaman sekarang sangat menyukai makanan instan. namun, konsumsi makanan instan yang berlebihan dapat memicu berbagai masalah kesehatan, termasuk pola makan yang obsesif. Hal ini menimbulkan kebutuhan untuk mengembangkan metode analisis yang lebih akurat untuk mengklasifikasikan data nutrisi makanan cepat saji, tujuan klasifikasi adalah untuk memperoleh model pohon keputusan yang dapat digunakan untuk mengantisipasi dan memperhatikan bagaimana variable pada data yang berhubungan satu sama lain. Dalam membandingkan kinerja Algoritma Decision Tree dan Random Forest dalam memproses data nutrisi makanan cepat saji ditemukan bahwa semua variabel memiliki korelasi. Hasil implementasi ditemukan bahwa kedua model memiliki kemampuan yang luar biasa. kinerja Algoritma Decision Tree dan Random Forest pada dataset yang sama, Random Forest mengungguli Decision Tree dengan nilai akurasi 66.67%, sedangkan Decision Tree hanya mencapai 55.56%, menunjukkan bahwa Random Forest mampu memberikan prediksi yang lebih akurat untuk kelas data uji. Selain itu, karakteristik kelompok Random Forest, di mana beberapa pohon keputusan digabungkan, memberikan keunggulan dalam menangani kompleksitas data dan meningkatkan generalisasi model. Hasil ini menunjukkan bahwa pembelajaran kelompok dapat meningkatkan kinerja dan keandalan prediksi dalam membangun model klasifikasi, terutama dalam kasus dataset yang kompleks.

Kata Kunci

Decision Tree Gaya Hidup Klasifikasi Makanan Random Forest

Rincian Artikel

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.

Cara Mengutip
[1]
N. I. Yaman, A. R. Juwita, S. A. P. Lestari, dan S. Faisal, “Perbandingan Kinerja Algoritma Decision Tree dan Random Forest untuk Klasifikasi Nutrisi pada Makanan Cepat Saji”, Jurnal Algoritma, vol. 21, no. 2, hlm. 184–196, Des 2024.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)

References

  1. Marini, H. S. Tambunan, Z. A. Siregar, A. P. Windarto, and F. Rizki, “Penerapan Data Mining Klasifikasi Gizi Bayi Dengan Algoritma Decision Tree C4.5,”ZAHRA Buletin Big Data, vol. 1, no. 2, pp. 88-96, 2022.
  2. A. P. Wahyu, H. Heryono, M. B. Chaniago, and D. Hamdani, “Smart Canteen”¯: Perilaku Mengatur Pola Makan Dengan Membaca Nilai Nutrisi (Conventional Deep Learning Neural Network),”Jurnal Ilmiah Teknologi Infomasi Terapan, vol. 6, no. 2, pp. 115-121, 2020, doi: 10.33197/jitter.vol6.iss2.2020.356.
  3. I. Pamelia, “Fast Food Consumption Behavior in Adolescent and ITS Impact for Health,” Jurnal IKESMA, vol. 14, no. 2, pp. 144-153, 2018.
  4. B. P. Statistik, “Rata-rata harian konsumsi protein,”2023.
  5. V. Cyrilla et al., “Artikel Penelitian Hubungan Kebiasaan Mengonsumsi Makanan Cepat Saji dengan Indeks Massa Tubuh pada Mahasiswa Fakultas Kedokteran Ukrida Angkatan 2016 Periode September 2017 Relationship Between Habit of Fast Food Consumption Against Body Mass Index in St,” no. September, 2017.
  6. I. Romli and A. T. Zy, “Penentuan Jadwal Overtime Dengan Klasifikasi Data Karyawan Menggunakan Algoritma C4.5,”Jurnal Sains Komputer & Informatika (J-SAKTI, vol. 4, no. 2, pp. 694-702, 2020.
  7. S. Alam, A. Siregar, and A. Juwita, “Penerapan Algoritme C4. 5 untuk Klasifikasi Kasus COVID-19,”¦ , Technology and ”¦, vol. III, 2022.
  8. A. W. Wardhana, E. Patimah, A. I. Shafarindu, Y. M. Siahaan, B. V. Haekal, and D. S. Prasvita, “Klasifikasi Data Penjualan pada Supermarket dengan Metode Decision Tree,” Senamika, vol. 2, no. 1, pp. 660-667, 2021.
  9. S. Supangat, A. R. Amna, and T. Rahmawati, “Implementasi Decision Tree C4.5 Untuk Menentukan Status Berat Badan dan Kebutuhan Energi Pada Anak Usia 7-12 Tahun,” Teknika, vol. 7, no. 2, pp. 73-78, 2018, doi: 10.34148/teknika.v7i2.90.
  10. M. Mia, A. F. N. Masruriyah, and A. R. Pratama, “The Utilization of Decision Tree Algorithm In Order to Predict Heart Disease,”Jurnal Sisfotek Global, vol. 12, no. 2, p. 138, 2022, doi: 10.38101/sisfotek.v12i2.551.
  11. R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,”E-Bisnis”¯: Jurnal Ilmiah Ekonomi dan Bisnis, vol. 13, no. 2, pp. 67-75, 2020, doi: 10.51903/e-bisnis.v13i2.247.
  12. H. Suryono, H. Kuswanto, and N. Iriawan, “Rice phenology classification based on random forest algorithm for data imbalance using Google Earth engine,” Procedia Computer Science, vol. 197, no. 2021, pp. 668-676, 2021, doi: 10.1016/j.procs.2021.12.201.
  13. A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris,”Jurnal Ilmiah Ilmu Komputer, vol. 7, no. 2, pp. 45-51, 2021, doi: 10.35329/jiik.v7i2.203.
  14. A. Hidayanti, A. M. Siregar, S. A. P. Lestari, and Y. C. Cahyana, “Model Analisis Kasus Covid-19 Di Indonesia Menggunakan Algoritma Regresi Linier Dan Random Forest,” Petir, vol. 15, no. 1, pp. 91-101, 2021, doi: 10.33322/petir.v15i1.1487.
  15. A. Samosir, M. S. Hasibuan, W. E. Justino, and T. Hariyono, “Komparasi Algoritma Random Forest, Naïve Bayes dan K- Nearest Neighbor Dalam klasifikasi Data Penyakit Jantung,”Prosiding Seminar Nasional Darmajaya, vol. 1, no. 0, pp. 214-222, 2021.
  16. H. Tantyoko, D. K. Sari, and A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,”IDEALIS”¯: InDonEsiA journaL Information System, vol. 6, no. 2, pp. 83-89, 2023, doi: 10.36080/idealis.v6i2.3036.