Implementasi Machine Learning dalam Sistem Prediksi dan Rekomendasi Program Diet Terintegrasi LLM - Jurnal Penelitian

Aug 4, 2026

Penelitian ini mengembangkan sistem prediksi dan rekomendasi program diet berbasis machine learning yang terintegrasi LLM untuk mendukung layanan konsultasi gizi digital. Sistem mendigitalisasi pencatatan data komposisi tubuh pelanggan, 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. Pengujian menunjukkan akurasi model prediksi 93% pada data uji dan 84% pada 50 data baru, dengan evaluasi rekomendasi LLM sebesar 86,6% (sangat layak).

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman8

Waktu Membaca12 mnt

AksesGratis untuk diunduh

Daftar Isi

Pendahuluan

Metode

Pengumpulan Data

Algoritma Random Forest

Terbit online pada laman : [http://teknosi.fti.unand.ac.id/](http://teknosi.fti.unand.ac.id/) Jurnal Nasional Teknologi dan Sistem Informasi | ISSN (Print) 2460-3465 | ISSN (Online) 2476-8812 | | Artikel Penelitian
Implementasi Machine Learning dalam Sistem Prediksi dan Rekomendasi Program Diet Terintegrasi LLM
Endah Septa Sintiya a,*, Sely Ruli Amanda b, Candra Bella Vista c, Agung Nugroho Pramudhita d
a Program Studi D2 Pengembangan Perangkat Lunak Situs, Jurusan Teknologi Informasi, Politeknik Negeri Malang, Jl. Soekarno Hatta No.9, Jatimulyo, Kota Malang, Indonesia
b,c,d Program Studi D4 Teknik Informatika, Jurusan Teknologi Informasi, Politeknik Negeri Malang, Jl. Soekarno Hatta No.9, Jatimulyo, Kota Malang, Indonesia | | | --- | --- | |
INFORMASI ARTIKEL | A B S T R A C T | Sejarah Artikel: Diterima Redaksi: 07 Juli 2025 Revisi Akhir: 02 September 2025 Diterbitkan Online: 07 September 2025 | KATA KUNCI | | --- | | Machine learning,
Prediksi diet,
Sistem Rekomendasi,
Program diet,
Integrasi LLM | | KORESPONDENSI | | E-mail: [e.septa@polinema.ac.id](e.septa@polinema.ac.id) * | Masalah malnutrisi, baik dalam bentuk kelebihan maupun kekurangan berat badan, masih menjadi tantangan kesehatan global. Gaya hidup urban yang tidak sehat dan keterbatasan aksesterhadap 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 danterintegrasi 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 dikategorikansebagai sangat layak. Hasil ini menunjukkan bahwa sistem yang dikembangkan tidak hanya akurat dalam memprediksi program diet, tetapi juga efektif dalam memberikan rekomendasiawal yang dapat mendukung pengambilan keputusan dalam layanan konsultasi gizi secara digital. 1. PENDAHULUAN Masalah malnutrisi, mencakup kondisi kelebihan berat badan maupun kekurangan berat badan merupakan tantangan kesehatan global yang signifikan. Data World Health Organization (WHO) pada tahun 2022 menunjukkan bahwa sebanyak 2,5 miliar orang dewasa mengalami kelebihan berat badan dan 390 juta lainnya mengalami kekurangan berat badan [1] . Masalah ini diperparaholeh gaya hidup urban yang cenderung tidak sehat, termasuk konsumsi makanan ultra proses yang tinggi [2] . Berbagai penelitian telah menunjukkan korelasi antara konsumsi makanan ultra proses dengan kualitas diet yang lebih rendah dan peningkatan risiko obesitas [3], [4]. Untuk mengatasi masalah ini, pemanfaatan teknologi seperti machine learning (ML) telah banyak dieksplorasi. Penelitian sebelumnya menunjukkanefektivitas algoritma seperti Random Forest dalam memprediksi obesitas dan penyakit terkait dengan akurasi yang tinggi [5], [6],[7] . Studi lain juga membuktikan bahwa ML dapat menjadi alat yang efektif untuk mengidentifikasi risiko malnutrisi [8] dan memprediksi kategori berat badan dengan akurasi mencapai 92% dan 98%[9], [10] . Namun, sebagian besar penelitian tersebutcenderung berhenti pada tahap prediksi atau klasifikasi tanpamelangkah lebih jauh untuk pemberian rekomendasi tindakanyang terpersonalisasi. Di sisi lain, studi kasus pada Cafe NUT Castle di Kota Malang menemukan beberapa tantangan operasional. Proses pencatatan data komposisi tubuh pel

Pertanyaan Umum

Apa tujuan utama penelitian ini?

Mengembangkan sistem prediksi dan rekomendasi program diet berbasis machine learning yang terintegrasi LLM, sekaligus mendigitalisasi pencatatan data komposisi tubuh.

Bagaimana sistem memprediksi program diet?

Sistem menggunakan algoritma Random Forest untuk memprediksi program diet berdasarkan dataset komposisi tubuh pelanggan.

Bagaimana rekomendasi diet awal dihasilkan?

Rekomendasi diet awal dipersonalisasi melalui integrasi Gemini Flash-Lite API yang memanfaatkan hasil prediksi.

Aug 4, 2026

Unggah oleh Evangeline