Sistem rekomendasi makanan pendamping air susu ibu (mpasi) dengan metode naïve bayes dan aturan mpasi M0509046 JURNAL
perpustakaan.uns.ac.id
digilib.uns.ac.id
SISTEM REKOMENDASI RESEP MAKANAN PENDAMPING AIR SUSU IBU (MPASI)
DENGAN METODE NAÏVE BAYES DAN ATURAN MPASI
Miftahful Purnanda Puspasari
Jurusan Informatika
Universitas Sebelas Maret
Jl. Ir. Sutami No 36 A Surakarta
[email protected]
Sari Widya Sihwi
Jurusan Informatika
Universitas Sebelas Maret
Jl. Ir. Sutami No 36 A Surakarta
[email protected]
ABSTRAK
Makanan pendamping ASI (MPASI) harus mulai diberikan
kepada bayi usia 6-24 bulan untuk memenuhi nutrisi yang
dibutuhkan oleh bayi. Dalam pemberian MPASI seharusnya bayi
selalu diperkenalkan bahan makanan baru sesuai usia bayi agar
makanannya bervariasi. Namun reaksi yang ditimbulkan dari
bahan makanan tersebut berbeda-beda pada setiap bayi, salah
satunya adalah alergi. Aturan tunggu empat hari (four days wait
rule) diterapkan karena reaksi terhadap beberapa jenis makanan
baru akan timbul dalam waktu 24 jam, sedangkan untuk masalah
pencernaan bisa lebih lama. Untuk itu pada penelitian ini
dibangun sebuah sistem rekomendasi yang dapat memberikan
masukan resep MPASI kepada ibu dengan memperhatikan konten
bahan makanan di dalamnya terkait bahan baru yang sesuai
dengan usia bayi dengan memperhatikan faktor alerginya.
Tahapan yang dilakukan dalam penelitian ini adalah
pengumpulan data, analisa penerapan metode Naïve Bayes dan
aturan four days wait rule dalam sistem rekomendasi contentbased, implementasi, dan evaluasi kepuasan user. Pada penelitian
ini berhasil dibangun sistem rekomendasi yang menghasilkan
menu dengan bahan baru dan metode Naïve Bayes.
Hasil yang diperoleh dari penelitian ini berupa pengujian
akurasi rekomendasi sebesar 80.36% dan rating tingkat kepuasan
dari 30 user dihitung dengan skala likert 1 sampai 5 yang
menghasilkan rating 4.37 untuk tampilan aplikasi, 3.8 untuk
informasi yang diberikan dan 4.13 untuk keberlanjutan
penggunaan.
Keywords: Content-Based, Four Days Wait Rule, MPASI, Naive
Bayes, Sistem Rekomendasi
1. PENDAHULUAN
Kebutuhan energi bayi meningkat seiring dengan
bertambahnya usia dan tingkat keaktifan bayi. Setelah berusia
enam bulan, ASI saja tidak cukup untuk memenuhi kebutuhan
nutrisi bayi. Oleh karena itu, untuk mengisi kesenjangan antara
total kebutuhan nutrisi bayi dengan jumlah nutrisi yang
didapatkan dari ASI, bayi perlu diberikan makanan pendamping
ASI (MPASI), yaitu yang mencakup seluruh makanan padat dan
cair selain air susu ibu atau susu formula [1].
Dalam pemberian MPASI harus memperhatikan bahan
makanan yang diberikan kepada bayi, karena efek yang
ditimbulkan dari masing-masing bahan makanan berbeda-beda
pada setiap bayi, salah satunya yaitu alergi. Alergi makanan
terjadi karena bayi memiliki organ pencernaan yang masih sangat
sensitif dan mudah terkena penyakit [2]. Aturan tunggu empat hari
(four days wait rule) dilakukan dengan mengenalkan satu jenis
bahan makanan selama empat hari untuk melihat bagaimana
reaksi bayi terhadap suatu jenis makanan. Aturan ini perlu
diterapkan karena reaksi terhadap beberapa jenis makanan baru
Umi Salamah
Jurusan Informatika
Universitas Sebelas Maret
Jl. Ir. Sutami No 36 A Surakarta
[email protected]
akan timbul dalam waktu 24 jam, sedangkan untuk masalah
pencernaan membutuhkan waktu yang lebih lama [3].
Adanya perbedaan reaksi terhadap suatu bahan makanan dan
kemungkinan alergi yang dialami bayi membuat ibu harus
memberikan perhatian lebih dalam memilih dan memberikan jenis
makanan baru. Oleh karena itu diperlukan sebuah sistem yang
dapat merekomendasikan resep MPASI secara personal yang
memperhatikan bahan-bahan yang sesuai usia bayi dan memuat
aturan tunggu empat hari sehingga ibu dengan mudah
mendapatkan resep MPASI sekaligus memantau reaksi bayi
terhadap berbagai jenis makanan. Sistem rekomendasi merupakan
perangkat lunak serta teknik menyediakan saran untuk item-item
yang akan digunakan seorang user, yang utamanya ditujukan bagi
individu yang kurang berpengalaman untuk mengevaluasi
banyaknya jumlah alternatif item yang ditawarkan [4].
Penelitian terkait masalah ini telah dilakukan oleh Freyne [5]
dengan membandingkan beberapa pendekatan yang digunakan
untuk menentukan resep makanan secara personal. Dari hasil
penelitian ditemukan bahwa metode content-based memiliki
keunggulan yang lebih dari metode lain pada sisi prediksi akurasi.
Penelitian lainnya oleh Mooney [6] dengan mengembangkan
sistem rekomendasi buku content-based menggunakan algoritma
Bayesian. Hasil dari prediksi digunakan untuk memberikan
rekomendasi kepada user dengan menggunakan top-scoring
recommendation. Penelitian mengenai food recommender system
secara content based telah dilakukan oleh Tatli [7] dengan cara
menghitung similarity menggunakan TF-IDF dan cosine
similarity. Similarity antar resep dihitung berdasarkan bahanbahan yang terdapat di dalam resep.
Dalam penelitian ini sistem rekomendasi content-based yang
bersifat personal dipilih karena adanya perbedaan bahan makanan
pada tiap usia bayi maupun bahan pemicu alergi pada bayi,
sehingga resep direkomendasikan menurut bahan yang sesuai
dengan profil bayi. Sedangkan metode Naïve Bayes dipilih karena
memiliki akurasi yang tinggi tanpa memerlukan data training
dalam jumlah besar. Selain itu hasil rekomendasi Naïve Bayes
tidak hanya merekomendasikan resep dengan bahan yang disukai
user, tetapi juga dapat memunculkan resep dengan bahan baru.
Hal ini terkait dengan variasi makanan bayi agar MPASI yang
dikonsumsi menjadi lebih beragam. Sistem merekomendasikan
resep berdasarkan usia bayi, kemudian user melakukan feedback
berupa suka, tidak suka, atau alergi terhadap resep yang telah
dipilih. Hasil feedback dari user kemudian akan disimpan dan
digunakan
dalam
perhitungan
Naïve
Bayes
untuk
merekomendasikan resep.
2. TINJAUAN PUSTAKA
2.1 Makanan Pendamping Air Susu Ibu (MPASI)
MPASI adalah makanan atau minuman yang mengandung
zat gizi, diberikan kepada bayi atau anak usia 6-24 bulan guna
memenuhi kebutuhan gizi selain dari ASI. MPASI diperlukan
untuk mengisi kesenjangan antara total kebutuhan nutrisi bayi
1
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
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.
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 Xk | Y =
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.
i P(Y|X i)
……………………….(2.1)
Dimana, keadaan Posterior (Probabilitas Xk di dalam Y) dapat
dihitung dari keadaan prior (Probabilitas Y di dalam Xk 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:
P(v1|C = c) =
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.
P Y|X k
�
�
� �
( 1,
)
(
)
………(2.2)
Dimana v1 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:
P(v1|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
2.5 Algoritma Naïve Bayes
Naïve Bayes Classifier merupakan sebuah metode klasifikasi
dengan probabilitas sederhana yang mengaplikasikan Teorema
Studi Literatur
Pengumpulan Data
Analisa Penerapan Metode
Pembangunan Sistem
Pengujian dan Evaluasi
Sistem Rekomendasi
Gambar 1. Metodologi Penelitian
2
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
3.1 Pengumpulan Knowledge (Pengetahuan)
Penelitian ini dimulai dengan studi literatur untuk
mengumpulkan bahan referensi yang membahas mengenai sistem
rekomendasi, aturan-aturan pemberian MPASI, content-based
recommendation serta metode Naive Bayes guna memahami
bagaimana
proses
serta
cara
penerapannya
dalam
merekomendasikan resep. Studi literatur ini mengambil dari
buku, jurnal-jurnal penelitian terkait, maupun internet.
3.2 Pengumpulan Data
Penelitian ini menggunakan data sekunder resep MPASI
yang sudah diklasifikasikan berdasarkan usia. Data diambil dari
sumber cetak maupun elektronik, yaitu:
1) Buku 146 Resep MPASI untuk Superbaby
2) Web www.ayahbunda.co.id, www.carimakananbayi.com,
dan www.mpasirumahan.com
3.3 Analisa Penerapan Metode
Melakukan analisa fungsi-fungsi untuk pembangunan sistem
rekomendasi berdasarkan aturan yang diperoleh dari pengumpulan
knowledge.
3.4 Pembangunan Sistem
Penulisan kode program dalam penelitian ini menggunakan
bahasa pemograman PHP (Hypertext Preprocessor) dan MySQL
dan sebagai penyimpanan data.
3.5 Pengujian dan Evaluasi Sistem Rekomendasi
Sistem akan diujicobakan dan dievaluasi oleh user yang
merupakan 30 dengan bayi usia 6-24 bulan yang memasuki masa
pemberian MPASI.
Evaluasi dilakukan dengan memberikan kuisioner kepuasan
pengguna (user satisfaction). Daftar pertanyaan untuk evaluasi
kepuasan pengguna ditunjukkan pada Tabel 1. Kriteria penilaian
menggunakan skala 1 sampai dengan 5. Dengan nilai terendah 1
dan nilai tertinggi 5. Berikut adalah rinciannya:
1 = sangat tidak setuju
2 = tidak setuju
3 = cukup setuju
4 = setuju
5 = sangat setuju
No
1.
2.
3.
Tabel 1. Daftar pertanyaan untuk evaluasi kepuasan user
Pertanyaan
Tampilan sistem bersahabat / tidak membingungkan
Informasi yang diberikan sudah sesuai dengan yang
diharapkan
Keberlanjutan untuk menggunakan sistem di waktu
berikutnya
Dari hasil penilaian dari user kemudian dapat dihitung
perolehan rating dari sistem rekomendasi dengan rumus sebagai
berikut:
∗
( )
Rating =
…….(3.1)
dimana:
opsi(x) = pilihan skala sangat tidak setuju, tidak setuju,
cukup setuju, setuju, dan sangat setuju
nilai skala(x) = skala 1 sampai 5
4. PEMBAHASAN
4.1 Pengumpulan Knowledge (Pengetahuan)
Hasil dari studi pustaka diperoleh rule untuk pengenalan
bahan makanan baru selama empat hari dengan four days wait
rule [3]. Selain itu untuk meminimalisasi terjadinya alergi pada
bayi, maka bahan makanan alergen diberikan ketika bayi sudah
memasuki usia 12 bulan. Bahan alergen tersebut diantaranya:
putih telur, ikan laut, kacang tanah, kerang-kerangan dan buah
yang rasanya asam.
Tabel 2. Tabel Bahan Makanan Bayi Berdasarkan Usia [10]
Jenis
6 bulan
7 bulan
8-9 bulan
10-12
makanan
bulan
Serealia
beras
beras
beras
beras
dan pasta putih,
putih,
putih,
putih,
beras
beras
beras
beras
merah
merah,
merah,
merah, oat,
oat, ubi oat, ubi,
oat, ubi,
ubi,
kentang,
kentang
kentang,
gandum,
gandum,
biscuit,
biscuit,
pasta, mi
pasta, mi
yang tidak yang tidak
mengandu mengandu
ng telur,
ng telur
makaroni
Sayuran
Terong, Terong,
Terong,
Terong,
buncis,
buncis,
buncis,
buncis,
kemban kembang
kembang
kembang
g kol,
kol, labu, kol, labu,
kol, labu,
labu,
ketimun
ketimun,
ketimun,
bayam,
bayam,
kangkung, kangkung,
selada,
selada, bit,
bit,
wortel,
wortel,
radish,
radish,
brokoli,
brokoli,
lobak,
lobak,
sawi,
sawi,
asparagus,
asparagus Kacang
panjang,
kacang
kapri,
tomat,
jagung
Buah
Pisang,
Pisang,
Pisang,
Pisang, pir,
pir,
pir, apel,
pir, apel,
apel,
apel,
alpukat,
alpukat,
alpukat,
alpukat, papaya,
papaya,
papaya,
papaya, jeruk
jeruk
jeruk
jeruk
manis,
manis,
manis,
manis
melon,
melon,
melon,
blewah,
blewah,
blewah,
semangka semangka semangka,
, plum,
plum,
mangga,
mangga,
nanas,
nanas,
peach,
peach,
aprikot
apricot,
kiwi,
KacangKacang Kacang
Kacang
Kacang
3
commit to user
perpustakaan.uns.ac.id
kacangan
Protein
nabati
Protein
hewani
hijau
-
hijau,
kedelai,
kacang
polong,
kacang
merah
Tahu,
tempe
Daging
ayam,
daging
sapi, hati
ayam
digilib.uns.ac.id
hijau,
kedelai,
kacang
polong,
kacang
merah,
lentil
Tahu,
tempe
Daging
ayam,
daging
sapi, hati
ayam, ,
kuning
telur,
keju,
yoghurt
bayi
hijau,
kedelai,
kacang
polong,
kacang
merah,
lentil
Tahu,
tempe
Daging
ayam,
daging
sapi, hati
ayam,
kuning
telur, keju,
yoghurt
bayi
4). Data inputan yang harus diisi berupa username dan password
untuk user login, nama bayi dan tanggal lahir. Kolom input bahan
yang disukai diberi nilai 15 sebagai inisialisasi awal agar
menghasilkan rekomendasi yang optimal terkait bahan kesukaan
bayi. Kolom bahan yang sudah pernah dicoba dan bahan alergi
digunakan untuk mendapatkan initial user profile. Dari inputan
bahan yang sudah dicoba akan diketahui bahan apa saja yang
sudah dicoba oleh bayi, sehingga resep yang direkomendasikan
berupa resep dengan satu bahan baru atau resep kombinasi antara
satu bahan bahan baru dan bahan-bahan yang sudah pernah
dicoba. Sedangkan hasil dari input bahan alergi akan
memblacklist semua resep yang mengandung bahan alergen.
Alur kerja sistem untuk user yang sudah mempunyai profil
sebelumnya dapat dilihat di Gambar 3. Saat login, user diharuskan
untuk mengisi feedback dari resep yang didapat sebelumnya untuk
memperbarui user profile.
Mulai
Data bayi
(username, password,
nama, tanggal lahir, bahan
disuka, bahan yang pernah
dicoba, bahan yang alergi)
4.2 Pengumpulan Data
Data bahan dan resep yang berhasil dikumpulkan dalam
penelitian ini adalah sebagai berikut:
1) Data bahan makanan
: 127 records
2) Data resep
: 1349 records
4.3 Analisa Penerapan Metode
Sistem rekomendasi ini dibangun dengan fungsi-fungsi
berdasar aturan yang diperoleh dari pengumpulan knowledge,
yaitu:
1) Resep sudah dikelompokkan berdasarkan usia.
2) Bayi harus selalu dikenalkan dengan bahan makanan baru
agar makanannya bervariasi. Bahan yang dikenalkan
merupakan bahan-bahan yang terdapat di database dan
belum pernah dicoba oleh user.
3) Pengenalan bahan baru untuk bayi dilakukan dengan
memberikan satu per satu bahan yang akan dikenalkan atau
dengan mengkombinasikan bahan tersebut dengan yang
sudah dicoba sebelumnya. Fungsinya adalah agar jika terjadi
alergi, dapat langsung diketahui alergennya.
4) Selama pengenalan bahan baru, four days wait rule
dijalankan untuk mengetahui reaksi bayi terhadap bahan
yang dikenalkan.
5) Feedback yang diberikan oleh user
suka
: bernilai 1
tidak suka : bernilai 0
alergi
: sistem memfilter resep yang mengandung
bahan allergen agar tidak dimasukkan dalam
rekomendasi
6) Hasil keluaran berupa rekomendasi resep yang disesuaikan
dengan profil bayi.
4.4 Implementasi Sistem
Sistem ini akan bekerja sesuai dengan diagram alur kerja
sistem pada Gambar 2 dan Gambar 3. Gambar 2 merupakan alur
kerja sistem untuk user baru dimana user yang baru pertama kali
memakai sistem rekomendasi ini diharuskan melakukan
pendaftaran dengan mengisi beberapa kolom input (lihat Gambar
Mengecek usia dan
bahan yang sudah
pernah dicoba user
Rekomendasi
resep
User memilih resep
Selesai
Gambar 2. Alur kerja sistem untuk user baru
Mulai
User memberi
feedback resep
sebelumnya
Apakah four days
wait rule?
ya
Apakah alergi?
tidak
ya
tidak
Sistem menghitung
probabilitas dengan
naïve bayes
Sistem mencari resep
4 days wait rule
pada tabel komposisi
Rekomendasi
Naïve Bayes
Rekomendasi
four days
wait rule
User memilih
resep
User memilih
resep
Selesai
Selesai
Gambar 3. Alur kerja sistem untuk user lama
4
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
Pada halaman rekomendasi di Gambar 5, sistem menyajikan
sepuluh resep rekomendasi untuk user. Resep nasi tim ayam yang
berbahan ayam dan beras merah menempati urutan pertama dalam
rekomendasi. Hasil rekomendasi tersebut diperoleh dari
perhitungan Naïve Bayes sebagai berikut.
′
P(disukai) =
=
3
4
(
+15)+1
P(ayam) =
+
=
=
0+15 +1
16
6+4
10
P(beras merah) =
=
=
Gambar 4. Halaman Pendaftaran User Baru
Sebagai contoh penerapan metode Naïve Bayes dalam
penelitian ini pada user usia delapan bulan yang suka bahan ayam
dan sudah memilih dan memberi feedback pada beberapa resep
selama empat hari seperti pada Tabel 3 berikut.
Tabel 3. Resep yang sudah dicoba user
Hari
ke-
Nama resep
1
Puree
wortel
mangga
2
Bubur
kentang
mangga
3
4
Bahan
Mangga,
wortel
Feedback
jeruk,
Tidak
suka
Mangga, kentang
Suka
Bubur mangga apel
Mangga, apel
Suka
Bubur
kentang
Mangga, kentang
Suka
mangga
Sehingga pada hari ke-5 sistem akan merekomendasikan
resep seperti pada Gambar 5.
Gambar 5. Hasil Rekomendasi Resep Dari Hitungan Naïve
Bayes
′
+1
+
0+1
6+4
1
10
P(Nasi tim ayam)
= P(disukai) x P(ayam)xP(beras merah)
3 16
1
= x x
4 10 10
= 0.12
4.5 Pengujian dan Evaluasi Kepuasan Sistem
Pengujian akurasi dan evaluasi kepuasan user pada penelitian
ini dilakukan oleh 30 responden yang merupakan ibu dengan bayi
usia 6-24 bulan yang familiar dengan gadget. Pengujian akurasi
didapatkan dari rata-rata jumlah resep yang disukai user
dibandingkan jumlah semua resep yang telah diberi feedback oleh
user. Hasil dari pengujian akurasi sistem rekomendasi dapat
dilihat pada Tabel 4
Tabel 4 Hasil Pengujian Akurasi Sistem pada Resep yang Dicoba
User
∑
∑
∑
Akurasi
Resep
User Resep
Resep
rekomendasi
yang
tidak
kedisukai
(dalam %)
dipilih
suka
1
15
12
3
80
2
15
11
4
73.3333
3
15
11
4
73.3333
4
12
11
1
91.6667
5
10
9
1
90
6
12
10
2
83.3333
7
11
8
3
72.7273
8
12
12
0
100
9
10
10
0
100
10
15
14
1
93.3333
11
18
14
4
77.7778
12
10
8
2
80
13
22
17
5
77.2727
14
10
9
1
90
15
12
9
3
75
16
20
15
5
75
17
11
6
5
54.5455
18
18
15
3
83.3333
19
13
9
4
69.2308
5
commit to user
perpustakaan.uns.ac.id
20
21
22
23
24
25
26
27
28
29
30
digilib.uns.ac.id
15
11
22
20
24
19
11
9
14
11
15
12
12
10
20
17
19
15
20
15
10
7
Rata-rata akurasi
4
2
5
2
3
3
2
3
4
5
3
5. PENUTUP
5.1 Kesimpulan
Pada penelitian ini telah dibangun sebuah sistem rekomendasi
MPASI dengan metode Naïve Bayes dan aturan MPASI yang
berupa aturan tunggu empat hari dan pemberian bahan baru untuk
bayi usia 6-24 bulan dengan memperhatikan riwayat alergi bayi.
Dari hasil percobaan diperoleh akurasi dari sistem rekomendasi
sebesar 80.36%. Evaluasi tingkat kepuasan user terhadap sistem
rekomendasi menghasilkan rating 4.37 untuk tampilan sistem, 3.8
untuk informasi resep yang direkomendasikan dan 4.13 untuk
keberlanjutan penggunaan sistem yang menandakan bahwa sistem
rekomendasi yang dibangun sudah berjalan dengan baik bagi user.
73.3333
90.9091
79.1667
81.8182
78.5714
80
83.3333
85
78.9474
75
70
80.3612
Dari tabel hasil pengujian akurasi sistem pada resep yang dicoba
user didapatkan nilai akurasi rekomendasi rata-rata dengan cara
Akurasi sistem
=
∗
= 80.36%
( )
Sedangkan untuk mengevaluasi kepuasan user, diberikan
kuisioner dengan tiga pertanyaan pada Tabel 1 dengan nilai
terendah 1 dan nilai tertinggi yaitu 5. Rating akhir dari hasil
evaluasi kepuasan user dapat dilihat pada Tabel 5.
Tabel 5. Hasil Kuisioner pada User
Jumlah pemilih
tidak
membingungkan
Informasi
yang
diberikan
sudah sesuai
dengan yang
diharapkan
Keberlanjutan
menggunakan
sistem di waktu
berikutnya
1
0
0
0
2
0
3
0
3
5
7
8
4
9
13
10
5
16
7
12
Nilai
Tampilan sistem
bersahabat/
Dari hasil kuisioner kepada user kemudian dilakukan
perhitungan rating sebagai berikut:
Rating untuk tampilan
1 0 + 2 0 + 3 5 + 4 9 + (5 16)
=
= 4.37
30
Rating untuk informasi yang diberikan
1 0 + 2 3 + 3 7 + 4 13 + (5 7)
=
= 3.8
30
Rating untuk keberlanjutan penggunaan sistem
1 0 + 2 0 + 3 8 + 4 10 + (5 12)
=
= 4.13
30
Dengan merujuk pada hasil kuisioner di
Tabel 4.3,
didapatkan rating kepuasan user untuk tampilan sistem 4.37 dari
skala 5. Rating untuk informasi yang diberikan sebesar 3.8.
Sedangkan tingkat kepuasan untuk keberlanjutan penggunaan
sistem rekomendasi adalah 4.13.
5.2 Saran
Untuk pengembangan penelitian ini selanjutnya dapat dilakukan
dengan memperbaiki user profile jika terjadi user ¬login setelah
beberapa waktu tidak menggunakan sistem rekomendasi, sehingga
sistem dapat merekomendasikan resep secara lebih akurat sesuai
dengan profil bayi user yang baru.
6. DAFTAR PUSTAKA
[1] United Nation Children’s Fund. 2010. Facts for Life 4th
Edition, New York
[2] Agostoni, C., Decsi, T., Fewtrell, M., Goulet, O., Kolacek,
S., Koletzko, B., et al. 2008. Complementary Feeding: A
Commentary by the ESPGHAN Committee on Nutrition.
dalam Journal of Pediatric Gastroenterology and Nutrition :
99-110.
[3] 4 day wait rule.
http://wholesomebabyfood.momtastic.com/4daywaitrule.ht
m diakses pada 18 September 2013
[4] Ricci, F., Rokach, L., Shapira, B., & Kantor, P. B. (2011).
Recommender Systems Handbook. New York : Springer
Science & Business Media.
[5] Freyne, J.; Berkovsky, S. 2010. Intelligent Food Planning:
Personalized Recipe. dalam Proceeding of The 15th
International Conference on Intelligent User Interfaces :
321-324.
[6] Mooney, Raymond J.; Roy, Loriene. 2000. Content-Based
Book Recommending Using Learning for Text
Categorization. Dalam Proceedings of the Fifth ACM
Conference on Digital Libraries : 195-240
[7] Tatli, Ipek. 2009. Food Recommendation System.
Knowlegde Engineering Project
[8] Departement of Nutrition for Health and Development.
2000. Complementary Feeding. New York : World Health
0rganization.
[9] PAN American Health Organization. 2001. Guding
Principles for Complementary Feeding of The Breastfeed
Child. Washington: World Health Organization.
[10] Aning, I. P. & Kristianto, Y. 2014. 146 Resep MPASI untuk
Superbaby. Surabaya : Genta Group Production.
[11] Jannach, Dietmar., Zanker, Markus., et al. 2011.
Recommender System an Introduction.
New York :
Cambridge University Press
[12] Pazzani, M.J.; Billsus, Daniel. 2007.
Content-Based
Recommendation Systems. dalam The Adaptive Web.
Springer: 325-341
[13] Kusrini, Luthfi, Emha Taufiq. 2009. Algoritma Data
Mining. Yogyakarta: ANDI
6
commit to user
digilib.uns.ac.id
SISTEM REKOMENDASI RESEP MAKANAN PENDAMPING AIR SUSU IBU (MPASI)
DENGAN METODE NAÏVE BAYES DAN ATURAN MPASI
Miftahful Purnanda Puspasari
Jurusan Informatika
Universitas Sebelas Maret
Jl. Ir. Sutami No 36 A Surakarta
[email protected]
Sari Widya Sihwi
Jurusan Informatika
Universitas Sebelas Maret
Jl. Ir. Sutami No 36 A Surakarta
[email protected]
ABSTRAK
Makanan pendamping ASI (MPASI) harus mulai diberikan
kepada bayi usia 6-24 bulan untuk memenuhi nutrisi yang
dibutuhkan oleh bayi. Dalam pemberian MPASI seharusnya bayi
selalu diperkenalkan bahan makanan baru sesuai usia bayi agar
makanannya bervariasi. Namun reaksi yang ditimbulkan dari
bahan makanan tersebut berbeda-beda pada setiap bayi, salah
satunya adalah alergi. Aturan tunggu empat hari (four days wait
rule) diterapkan karena reaksi terhadap beberapa jenis makanan
baru akan timbul dalam waktu 24 jam, sedangkan untuk masalah
pencernaan bisa lebih lama. Untuk itu pada penelitian ini
dibangun sebuah sistem rekomendasi yang dapat memberikan
masukan resep MPASI kepada ibu dengan memperhatikan konten
bahan makanan di dalamnya terkait bahan baru yang sesuai
dengan usia bayi dengan memperhatikan faktor alerginya.
Tahapan yang dilakukan dalam penelitian ini adalah
pengumpulan data, analisa penerapan metode Naïve Bayes dan
aturan four days wait rule dalam sistem rekomendasi contentbased, implementasi, dan evaluasi kepuasan user. Pada penelitian
ini berhasil dibangun sistem rekomendasi yang menghasilkan
menu dengan bahan baru dan metode Naïve Bayes.
Hasil yang diperoleh dari penelitian ini berupa pengujian
akurasi rekomendasi sebesar 80.36% dan rating tingkat kepuasan
dari 30 user dihitung dengan skala likert 1 sampai 5 yang
menghasilkan rating 4.37 untuk tampilan aplikasi, 3.8 untuk
informasi yang diberikan dan 4.13 untuk keberlanjutan
penggunaan.
Keywords: Content-Based, Four Days Wait Rule, MPASI, Naive
Bayes, Sistem Rekomendasi
1. PENDAHULUAN
Kebutuhan energi bayi meningkat seiring dengan
bertambahnya usia dan tingkat keaktifan bayi. Setelah berusia
enam bulan, ASI saja tidak cukup untuk memenuhi kebutuhan
nutrisi bayi. Oleh karena itu, untuk mengisi kesenjangan antara
total kebutuhan nutrisi bayi dengan jumlah nutrisi yang
didapatkan dari ASI, bayi perlu diberikan makanan pendamping
ASI (MPASI), yaitu yang mencakup seluruh makanan padat dan
cair selain air susu ibu atau susu formula [1].
Dalam pemberian MPASI harus memperhatikan bahan
makanan yang diberikan kepada bayi, karena efek yang
ditimbulkan dari masing-masing bahan makanan berbeda-beda
pada setiap bayi, salah satunya yaitu alergi. Alergi makanan
terjadi karena bayi memiliki organ pencernaan yang masih sangat
sensitif dan mudah terkena penyakit [2]. Aturan tunggu empat hari
(four days wait rule) dilakukan dengan mengenalkan satu jenis
bahan makanan selama empat hari untuk melihat bagaimana
reaksi bayi terhadap suatu jenis makanan. Aturan ini perlu
diterapkan karena reaksi terhadap beberapa jenis makanan baru
Umi Salamah
Jurusan Informatika
Universitas Sebelas Maret
Jl. Ir. Sutami No 36 A Surakarta
[email protected]
akan timbul dalam waktu 24 jam, sedangkan untuk masalah
pencernaan membutuhkan waktu yang lebih lama [3].
Adanya perbedaan reaksi terhadap suatu bahan makanan dan
kemungkinan alergi yang dialami bayi membuat ibu harus
memberikan perhatian lebih dalam memilih dan memberikan jenis
makanan baru. Oleh karena itu diperlukan sebuah sistem yang
dapat merekomendasikan resep MPASI secara personal yang
memperhatikan bahan-bahan yang sesuai usia bayi dan memuat
aturan tunggu empat hari sehingga ibu dengan mudah
mendapatkan resep MPASI sekaligus memantau reaksi bayi
terhadap berbagai jenis makanan. Sistem rekomendasi merupakan
perangkat lunak serta teknik menyediakan saran untuk item-item
yang akan digunakan seorang user, yang utamanya ditujukan bagi
individu yang kurang berpengalaman untuk mengevaluasi
banyaknya jumlah alternatif item yang ditawarkan [4].
Penelitian terkait masalah ini telah dilakukan oleh Freyne [5]
dengan membandingkan beberapa pendekatan yang digunakan
untuk menentukan resep makanan secara personal. Dari hasil
penelitian ditemukan bahwa metode content-based memiliki
keunggulan yang lebih dari metode lain pada sisi prediksi akurasi.
Penelitian lainnya oleh Mooney [6] dengan mengembangkan
sistem rekomendasi buku content-based menggunakan algoritma
Bayesian. Hasil dari prediksi digunakan untuk memberikan
rekomendasi kepada user dengan menggunakan top-scoring
recommendation. Penelitian mengenai food recommender system
secara content based telah dilakukan oleh Tatli [7] dengan cara
menghitung similarity menggunakan TF-IDF dan cosine
similarity. Similarity antar resep dihitung berdasarkan bahanbahan yang terdapat di dalam resep.
Dalam penelitian ini sistem rekomendasi content-based yang
bersifat personal dipilih karena adanya perbedaan bahan makanan
pada tiap usia bayi maupun bahan pemicu alergi pada bayi,
sehingga resep direkomendasikan menurut bahan yang sesuai
dengan profil bayi. Sedangkan metode Naïve Bayes dipilih karena
memiliki akurasi yang tinggi tanpa memerlukan data training
dalam jumlah besar. Selain itu hasil rekomendasi Naïve Bayes
tidak hanya merekomendasikan resep dengan bahan yang disukai
user, tetapi juga dapat memunculkan resep dengan bahan baru.
Hal ini terkait dengan variasi makanan bayi agar MPASI yang
dikonsumsi menjadi lebih beragam. Sistem merekomendasikan
resep berdasarkan usia bayi, kemudian user melakukan feedback
berupa suka, tidak suka, atau alergi terhadap resep yang telah
dipilih. Hasil feedback dari user kemudian akan disimpan dan
digunakan
dalam
perhitungan
Naïve
Bayes
untuk
merekomendasikan resep.
2. TINJAUAN PUSTAKA
2.1 Makanan Pendamping Air Susu Ibu (MPASI)
MPASI adalah makanan atau minuman yang mengandung
zat gizi, diberikan kepada bayi atau anak usia 6-24 bulan guna
memenuhi kebutuhan gizi selain dari ASI. MPASI diperlukan
untuk mengisi kesenjangan antara total kebutuhan nutrisi bayi
1
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
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.
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 Xk | Y =
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.
i P(Y|X i)
……………………….(2.1)
Dimana, keadaan Posterior (Probabilitas Xk di dalam Y) dapat
dihitung dari keadaan prior (Probabilitas Y di dalam Xk 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:
P(v1|C = c) =
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.
P Y|X k
�
�
� �
( 1,
)
(
)
………(2.2)
Dimana v1 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:
P(v1|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
2.5 Algoritma Naïve Bayes
Naïve Bayes Classifier merupakan sebuah metode klasifikasi
dengan probabilitas sederhana yang mengaplikasikan Teorema
Studi Literatur
Pengumpulan Data
Analisa Penerapan Metode
Pembangunan Sistem
Pengujian dan Evaluasi
Sistem Rekomendasi
Gambar 1. Metodologi Penelitian
2
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
3.1 Pengumpulan Knowledge (Pengetahuan)
Penelitian ini dimulai dengan studi literatur untuk
mengumpulkan bahan referensi yang membahas mengenai sistem
rekomendasi, aturan-aturan pemberian MPASI, content-based
recommendation serta metode Naive Bayes guna memahami
bagaimana
proses
serta
cara
penerapannya
dalam
merekomendasikan resep. Studi literatur ini mengambil dari
buku, jurnal-jurnal penelitian terkait, maupun internet.
3.2 Pengumpulan Data
Penelitian ini menggunakan data sekunder resep MPASI
yang sudah diklasifikasikan berdasarkan usia. Data diambil dari
sumber cetak maupun elektronik, yaitu:
1) Buku 146 Resep MPASI untuk Superbaby
2) Web www.ayahbunda.co.id, www.carimakananbayi.com,
dan www.mpasirumahan.com
3.3 Analisa Penerapan Metode
Melakukan analisa fungsi-fungsi untuk pembangunan sistem
rekomendasi berdasarkan aturan yang diperoleh dari pengumpulan
knowledge.
3.4 Pembangunan Sistem
Penulisan kode program dalam penelitian ini menggunakan
bahasa pemograman PHP (Hypertext Preprocessor) dan MySQL
dan sebagai penyimpanan data.
3.5 Pengujian dan Evaluasi Sistem Rekomendasi
Sistem akan diujicobakan dan dievaluasi oleh user yang
merupakan 30 dengan bayi usia 6-24 bulan yang memasuki masa
pemberian MPASI.
Evaluasi dilakukan dengan memberikan kuisioner kepuasan
pengguna (user satisfaction). Daftar pertanyaan untuk evaluasi
kepuasan pengguna ditunjukkan pada Tabel 1. Kriteria penilaian
menggunakan skala 1 sampai dengan 5. Dengan nilai terendah 1
dan nilai tertinggi 5. Berikut adalah rinciannya:
1 = sangat tidak setuju
2 = tidak setuju
3 = cukup setuju
4 = setuju
5 = sangat setuju
No
1.
2.
3.
Tabel 1. Daftar pertanyaan untuk evaluasi kepuasan user
Pertanyaan
Tampilan sistem bersahabat / tidak membingungkan
Informasi yang diberikan sudah sesuai dengan yang
diharapkan
Keberlanjutan untuk menggunakan sistem di waktu
berikutnya
Dari hasil penilaian dari user kemudian dapat dihitung
perolehan rating dari sistem rekomendasi dengan rumus sebagai
berikut:
∗
( )
Rating =
…….(3.1)
dimana:
opsi(x) = pilihan skala sangat tidak setuju, tidak setuju,
cukup setuju, setuju, dan sangat setuju
nilai skala(x) = skala 1 sampai 5
4. PEMBAHASAN
4.1 Pengumpulan Knowledge (Pengetahuan)
Hasil dari studi pustaka diperoleh rule untuk pengenalan
bahan makanan baru selama empat hari dengan four days wait
rule [3]. Selain itu untuk meminimalisasi terjadinya alergi pada
bayi, maka bahan makanan alergen diberikan ketika bayi sudah
memasuki usia 12 bulan. Bahan alergen tersebut diantaranya:
putih telur, ikan laut, kacang tanah, kerang-kerangan dan buah
yang rasanya asam.
Tabel 2. Tabel Bahan Makanan Bayi Berdasarkan Usia [10]
Jenis
6 bulan
7 bulan
8-9 bulan
10-12
makanan
bulan
Serealia
beras
beras
beras
beras
dan pasta putih,
putih,
putih,
putih,
beras
beras
beras
beras
merah
merah,
merah,
merah, oat,
oat, ubi oat, ubi,
oat, ubi,
ubi,
kentang,
kentang
kentang,
gandum,
gandum,
biscuit,
biscuit,
pasta, mi
pasta, mi
yang tidak yang tidak
mengandu mengandu
ng telur,
ng telur
makaroni
Sayuran
Terong, Terong,
Terong,
Terong,
buncis,
buncis,
buncis,
buncis,
kemban kembang
kembang
kembang
g kol,
kol, labu, kol, labu,
kol, labu,
labu,
ketimun
ketimun,
ketimun,
bayam,
bayam,
kangkung, kangkung,
selada,
selada, bit,
bit,
wortel,
wortel,
radish,
radish,
brokoli,
brokoli,
lobak,
lobak,
sawi,
sawi,
asparagus,
asparagus Kacang
panjang,
kacang
kapri,
tomat,
jagung
Buah
Pisang,
Pisang,
Pisang,
Pisang, pir,
pir,
pir, apel,
pir, apel,
apel,
apel,
alpukat,
alpukat,
alpukat,
alpukat, papaya,
papaya,
papaya,
papaya, jeruk
jeruk
jeruk
jeruk
manis,
manis,
manis,
manis
melon,
melon,
melon,
blewah,
blewah,
blewah,
semangka semangka semangka,
, plum,
plum,
mangga,
mangga,
nanas,
nanas,
peach,
peach,
aprikot
apricot,
kiwi,
KacangKacang Kacang
Kacang
Kacang
3
commit to user
perpustakaan.uns.ac.id
kacangan
Protein
nabati
Protein
hewani
hijau
-
hijau,
kedelai,
kacang
polong,
kacang
merah
Tahu,
tempe
Daging
ayam,
daging
sapi, hati
ayam
digilib.uns.ac.id
hijau,
kedelai,
kacang
polong,
kacang
merah,
lentil
Tahu,
tempe
Daging
ayam,
daging
sapi, hati
ayam, ,
kuning
telur,
keju,
yoghurt
bayi
hijau,
kedelai,
kacang
polong,
kacang
merah,
lentil
Tahu,
tempe
Daging
ayam,
daging
sapi, hati
ayam,
kuning
telur, keju,
yoghurt
bayi
4). Data inputan yang harus diisi berupa username dan password
untuk user login, nama bayi dan tanggal lahir. Kolom input bahan
yang disukai diberi nilai 15 sebagai inisialisasi awal agar
menghasilkan rekomendasi yang optimal terkait bahan kesukaan
bayi. Kolom bahan yang sudah pernah dicoba dan bahan alergi
digunakan untuk mendapatkan initial user profile. Dari inputan
bahan yang sudah dicoba akan diketahui bahan apa saja yang
sudah dicoba oleh bayi, sehingga resep yang direkomendasikan
berupa resep dengan satu bahan baru atau resep kombinasi antara
satu bahan bahan baru dan bahan-bahan yang sudah pernah
dicoba. Sedangkan hasil dari input bahan alergi akan
memblacklist semua resep yang mengandung bahan alergen.
Alur kerja sistem untuk user yang sudah mempunyai profil
sebelumnya dapat dilihat di Gambar 3. Saat login, user diharuskan
untuk mengisi feedback dari resep yang didapat sebelumnya untuk
memperbarui user profile.
Mulai
Data bayi
(username, password,
nama, tanggal lahir, bahan
disuka, bahan yang pernah
dicoba, bahan yang alergi)
4.2 Pengumpulan Data
Data bahan dan resep yang berhasil dikumpulkan dalam
penelitian ini adalah sebagai berikut:
1) Data bahan makanan
: 127 records
2) Data resep
: 1349 records
4.3 Analisa Penerapan Metode
Sistem rekomendasi ini dibangun dengan fungsi-fungsi
berdasar aturan yang diperoleh dari pengumpulan knowledge,
yaitu:
1) Resep sudah dikelompokkan berdasarkan usia.
2) Bayi harus selalu dikenalkan dengan bahan makanan baru
agar makanannya bervariasi. Bahan yang dikenalkan
merupakan bahan-bahan yang terdapat di database dan
belum pernah dicoba oleh user.
3) Pengenalan bahan baru untuk bayi dilakukan dengan
memberikan satu per satu bahan yang akan dikenalkan atau
dengan mengkombinasikan bahan tersebut dengan yang
sudah dicoba sebelumnya. Fungsinya adalah agar jika terjadi
alergi, dapat langsung diketahui alergennya.
4) Selama pengenalan bahan baru, four days wait rule
dijalankan untuk mengetahui reaksi bayi terhadap bahan
yang dikenalkan.
5) Feedback yang diberikan oleh user
suka
: bernilai 1
tidak suka : bernilai 0
alergi
: sistem memfilter resep yang mengandung
bahan allergen agar tidak dimasukkan dalam
rekomendasi
6) Hasil keluaran berupa rekomendasi resep yang disesuaikan
dengan profil bayi.
4.4 Implementasi Sistem
Sistem ini akan bekerja sesuai dengan diagram alur kerja
sistem pada Gambar 2 dan Gambar 3. Gambar 2 merupakan alur
kerja sistem untuk user baru dimana user yang baru pertama kali
memakai sistem rekomendasi ini diharuskan melakukan
pendaftaran dengan mengisi beberapa kolom input (lihat Gambar
Mengecek usia dan
bahan yang sudah
pernah dicoba user
Rekomendasi
resep
User memilih resep
Selesai
Gambar 2. Alur kerja sistem untuk user baru
Mulai
User memberi
feedback resep
sebelumnya
Apakah four days
wait rule?
ya
Apakah alergi?
tidak
ya
tidak
Sistem menghitung
probabilitas dengan
naïve bayes
Sistem mencari resep
4 days wait rule
pada tabel komposisi
Rekomendasi
Naïve Bayes
Rekomendasi
four days
wait rule
User memilih
resep
User memilih
resep
Selesai
Selesai
Gambar 3. Alur kerja sistem untuk user lama
4
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
Pada halaman rekomendasi di Gambar 5, sistem menyajikan
sepuluh resep rekomendasi untuk user. Resep nasi tim ayam yang
berbahan ayam dan beras merah menempati urutan pertama dalam
rekomendasi. Hasil rekomendasi tersebut diperoleh dari
perhitungan Naïve Bayes sebagai berikut.
′
P(disukai) =
=
3
4
(
+15)+1
P(ayam) =
+
=
=
0+15 +1
16
6+4
10
P(beras merah) =
=
=
Gambar 4. Halaman Pendaftaran User Baru
Sebagai contoh penerapan metode Naïve Bayes dalam
penelitian ini pada user usia delapan bulan yang suka bahan ayam
dan sudah memilih dan memberi feedback pada beberapa resep
selama empat hari seperti pada Tabel 3 berikut.
Tabel 3. Resep yang sudah dicoba user
Hari
ke-
Nama resep
1
Puree
wortel
mangga
2
Bubur
kentang
mangga
3
4
Bahan
Mangga,
wortel
Feedback
jeruk,
Tidak
suka
Mangga, kentang
Suka
Bubur mangga apel
Mangga, apel
Suka
Bubur
kentang
Mangga, kentang
Suka
mangga
Sehingga pada hari ke-5 sistem akan merekomendasikan
resep seperti pada Gambar 5.
Gambar 5. Hasil Rekomendasi Resep Dari Hitungan Naïve
Bayes
′
+1
+
0+1
6+4
1
10
P(Nasi tim ayam)
= P(disukai) x P(ayam)xP(beras merah)
3 16
1
= x x
4 10 10
= 0.12
4.5 Pengujian dan Evaluasi Kepuasan Sistem
Pengujian akurasi dan evaluasi kepuasan user pada penelitian
ini dilakukan oleh 30 responden yang merupakan ibu dengan bayi
usia 6-24 bulan yang familiar dengan gadget. Pengujian akurasi
didapatkan dari rata-rata jumlah resep yang disukai user
dibandingkan jumlah semua resep yang telah diberi feedback oleh
user. Hasil dari pengujian akurasi sistem rekomendasi dapat
dilihat pada Tabel 4
Tabel 4 Hasil Pengujian Akurasi Sistem pada Resep yang Dicoba
User
∑
∑
∑
Akurasi
Resep
User Resep
Resep
rekomendasi
yang
tidak
kedisukai
(dalam %)
dipilih
suka
1
15
12
3
80
2
15
11
4
73.3333
3
15
11
4
73.3333
4
12
11
1
91.6667
5
10
9
1
90
6
12
10
2
83.3333
7
11
8
3
72.7273
8
12
12
0
100
9
10
10
0
100
10
15
14
1
93.3333
11
18
14
4
77.7778
12
10
8
2
80
13
22
17
5
77.2727
14
10
9
1
90
15
12
9
3
75
16
20
15
5
75
17
11
6
5
54.5455
18
18
15
3
83.3333
19
13
9
4
69.2308
5
commit to user
perpustakaan.uns.ac.id
20
21
22
23
24
25
26
27
28
29
30
digilib.uns.ac.id
15
11
22
20
24
19
11
9
14
11
15
12
12
10
20
17
19
15
20
15
10
7
Rata-rata akurasi
4
2
5
2
3
3
2
3
4
5
3
5. PENUTUP
5.1 Kesimpulan
Pada penelitian ini telah dibangun sebuah sistem rekomendasi
MPASI dengan metode Naïve Bayes dan aturan MPASI yang
berupa aturan tunggu empat hari dan pemberian bahan baru untuk
bayi usia 6-24 bulan dengan memperhatikan riwayat alergi bayi.
Dari hasil percobaan diperoleh akurasi dari sistem rekomendasi
sebesar 80.36%. Evaluasi tingkat kepuasan user terhadap sistem
rekomendasi menghasilkan rating 4.37 untuk tampilan sistem, 3.8
untuk informasi resep yang direkomendasikan dan 4.13 untuk
keberlanjutan penggunaan sistem yang menandakan bahwa sistem
rekomendasi yang dibangun sudah berjalan dengan baik bagi user.
73.3333
90.9091
79.1667
81.8182
78.5714
80
83.3333
85
78.9474
75
70
80.3612
Dari tabel hasil pengujian akurasi sistem pada resep yang dicoba
user didapatkan nilai akurasi rekomendasi rata-rata dengan cara
Akurasi sistem
=
∗
= 80.36%
( )
Sedangkan untuk mengevaluasi kepuasan user, diberikan
kuisioner dengan tiga pertanyaan pada Tabel 1 dengan nilai
terendah 1 dan nilai tertinggi yaitu 5. Rating akhir dari hasil
evaluasi kepuasan user dapat dilihat pada Tabel 5.
Tabel 5. Hasil Kuisioner pada User
Jumlah pemilih
tidak
membingungkan
Informasi
yang
diberikan
sudah sesuai
dengan yang
diharapkan
Keberlanjutan
menggunakan
sistem di waktu
berikutnya
1
0
0
0
2
0
3
0
3
5
7
8
4
9
13
10
5
16
7
12
Nilai
Tampilan sistem
bersahabat/
Dari hasil kuisioner kepada user kemudian dilakukan
perhitungan rating sebagai berikut:
Rating untuk tampilan
1 0 + 2 0 + 3 5 + 4 9 + (5 16)
=
= 4.37
30
Rating untuk informasi yang diberikan
1 0 + 2 3 + 3 7 + 4 13 + (5 7)
=
= 3.8
30
Rating untuk keberlanjutan penggunaan sistem
1 0 + 2 0 + 3 8 + 4 10 + (5 12)
=
= 4.13
30
Dengan merujuk pada hasil kuisioner di
Tabel 4.3,
didapatkan rating kepuasan user untuk tampilan sistem 4.37 dari
skala 5. Rating untuk informasi yang diberikan sebesar 3.8.
Sedangkan tingkat kepuasan untuk keberlanjutan penggunaan
sistem rekomendasi adalah 4.13.
5.2 Saran
Untuk pengembangan penelitian ini selanjutnya dapat dilakukan
dengan memperbaiki user profile jika terjadi user ¬login setelah
beberapa waktu tidak menggunakan sistem rekomendasi, sehingga
sistem dapat merekomendasikan resep secara lebih akurat sesuai
dengan profil bayi user yang baru.
6. DAFTAR PUSTAKA
[1] United Nation Children’s Fund. 2010. Facts for Life 4th
Edition, New York
[2] Agostoni, C., Decsi, T., Fewtrell, M., Goulet, O., Kolacek,
S., Koletzko, B., et al. 2008. Complementary Feeding: A
Commentary by the ESPGHAN Committee on Nutrition.
dalam Journal of Pediatric Gastroenterology and Nutrition :
99-110.
[3] 4 day wait rule.
http://wholesomebabyfood.momtastic.com/4daywaitrule.ht
m diakses pada 18 September 2013
[4] Ricci, F., Rokach, L., Shapira, B., & Kantor, P. B. (2011).
Recommender Systems Handbook. New York : Springer
Science & Business Media.
[5] Freyne, J.; Berkovsky, S. 2010. Intelligent Food Planning:
Personalized Recipe. dalam Proceeding of The 15th
International Conference on Intelligent User Interfaces :
321-324.
[6] Mooney, Raymond J.; Roy, Loriene. 2000. Content-Based
Book Recommending Using Learning for Text
Categorization. Dalam Proceedings of the Fifth ACM
Conference on Digital Libraries : 195-240
[7] Tatli, Ipek. 2009. Food Recommendation System.
Knowlegde Engineering Project
[8] Departement of Nutrition for Health and Development.
2000. Complementary Feeding. New York : World Health
0rganization.
[9] PAN American Health Organization. 2001. Guding
Principles for Complementary Feeding of The Breastfeed
Child. Washington: World Health Organization.
[10] Aning, I. P. & Kristianto, Y. 2014. 146 Resep MPASI untuk
Superbaby. Surabaya : Genta Group Production.
[11] Jannach, Dietmar., Zanker, Markus., et al. 2011.
Recommender System an Introduction.
New York :
Cambridge University Press
[12] Pazzani, M.J.; Billsus, Daniel. 2007.
Content-Based
Recommendation Systems. dalam The Adaptive Web.
Springer: 325-341
[13] Kusrini, Luthfi, Emha Taufiq. 2009. Algoritma Data
Mining. Yogyakarta: ANDI
6
commit to user