2 dengan jumlah nutrisi yang didapatkan dari ASI saja, karena jika
kesenjangan tersebut tidak dipenuhi maka pertumbuhan bayi akan terhambat atau mungkin berhenti [8] .
Beberapa faktor yang harus diperhatikan dalam pemberian MPASI yaitu faktor usia, frekuensi, jumlah pemberian, tekstur,
keberagaman makanan, reaksi keaktifan bayi terhadap makanan dan kehigienisannya [9]. Faktor lain yang harus diperhatikan
dalam pemberian MPASI adalah alergi makanan. Pada bayi biasanya alergi makanan disertai dengan gangguan pencernaan,
seperti sakit perut, BAB yang tidak lancar, bahkan muntah [3]. Alergi makanan pada bayi ini cenderung lebih sering terjadi di
usia 0-12 bulan [10]. Untuk itu pemberian bahan makanan pada bayi harus disesuaikan usia dengan bahan yang dikenalkan.
2.2 Aturan Tunggu Empat Hari Four Days Wait Rule
Alergi terhadap beberapa jenis makanan pada bayi baru akan menimbulkan reaksi dalam waktu 24 jam, sedangkan untuk
masalah pencernaan bisa lebih lama. Four days wait rule mengharuskan bayi diberikan satu jenis bahan baru selama empat
hari berturut-turut untuk melihat kemungkinan alergi bayi terhadap jenis bahan makanan yang dikenalkan [3]. Reaksi alergi
yang ditimbulkan oleh makanan bermacam-macam, seperti gatal, kemerahan, mual, sesak napas dan diare.
2.3 Sistem Rekomendasi
Sistem rekomendasi adalah sebuah perangkat lunak yang memberikan saran mengenai item yang berguna bagi pengguna
aplikasi. Saran yang diberikan berhubungan dengan pengambilan
keputusan. Sistem rekomendasi utamanya ditujukan bagi individu yang
kurang berpengalaman
atau berkompeten
untuk mengevaluasi banyaknya jumlah alternatif item yang ditawarkan.
Dalam bentuk paling sederhana, rekomendasi disajikan dalam bentuk daftar ranking item [4].
Beberapa pendekatan yang digunakan untuk sistem rekomendasi [10], yaitu collaborative filtering, content-based ,
knowledge-based, dan pendekatan hybrid.
2.4 Content-Based Recommendation
Sistem rekomendasi content-based menganalisis deskripsi dari item untuk mengidentifikasi item lain apa yang menarik bagi user
[11]. Item yang direkomendasikan serupa dengan item yang disukai user di masa lalu. Kesamaan antar item dihitung
berdasarkan fitur yang ada pada item yang dibandingkan [4].
Proses rekomendasi pada content-based recommendation terdiri dari 3 tahap, yaitu: content analyzer, profile learner, dan
filtering component. Proses pertama dilakukan oleh content analyzer, yaitu ketika terdapat informasi tidak terstruktur seperti
teks, maka akan dilakukan preprocesing untuk mengekstraknya menjadi informasi yang terstruktur.
Proses kedua adalah pada profile learner, dimana pada tahap ini sistem akan mengumpulkan informasi dari item representation
dan user feedback untuk membangun user profile. Filtering component akan memprediksi apakah suatu item
akan menarik untuk user dengan melakukan pencocokan antara user profile dan item representation untuk mengenerate
rekomendasi yang akan diberikan kepada user.
2.5 Algoritma Naïve Bayes
Naïve Bayes Classifier merupakan sebuah metode klasifikasi dengan probabilitas sederhana yang mengaplikasikan Teorema
Bayes. Keuntungan penggunaan metode Naïve Bayes adalah metode ini hanya membutuhkan jumlah data pelatihan training
data yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian [13].
Metode Naive Bayes Classifier menempuh dua tahap dalam proses klasifikasi teks, yaitu tahap pelatihan dan tahap klasifikasi.
Pada tahap pelatihan dilakukan proses tehadap sampel data yang sedapat mungkin dapat menjadi representasi data tersebut.
Selanjutnya adalah penentuan probabilitas prior bagi tiap kategori berdasarkan sampel data. Pada tahap klasifikasi ditentukan nilai
kategori dari suatu data berdasarkan term yang muncul dalam data yang diklasifikasi. Teorema Naïve Bayes dapat dinyatakan dalam
persamaan 2.1.
P X
k
| Y =
P Y|X
k
PY|X
i i
……………………….2.1 Dimana, keadaan Posterior Probabilitas X
k
di dalam Y dapat dihitung dari keadaan prior Probabilitas Y di dalam X
k
dibagi dengan jumlah dari semua probabilitas Y di dalam semua X
i
. Untuk dapat mengklasifikasikan resep MP-ASI, dalam
penelitian ini penulis menggunakan metode Naive Bayes untuk klasifikasi teks, seperti yang dilakukan Manning [3] sebagai
berikut: Pv
1
|C = c =
� �
1 , � �
………2.2 Dimana v
1
dalam penelitian ini adalah satu jenis bahan makanan tertentu dalam resep, sedangkan
� �
1 , menunjuk pada jumlah kemunculan suatu bahan makanan yang
diberi feedback “suka” oleh user. � �
menunjuk pada jumlah semua bahan makanan yang ada pada database
resep. Untuk menghindari adanya nilai nol pada probabilitas, maka
diberlakukan Laplace add-one smoothing, sehingga: Pv
1
|C = c =
� �
1 , +1
� � +|�|
………2.3 Dimana
� menunjuk pada jumlah semua bahan makanan yang ada pada database resep. Rekomendasi resep dalam penelitian ini
didapatkan dengan top-10 recommendation.
3. METODOLOGI
