Text

ANALISIS KOMPARASI KINERJA ALGORITMA K-MEANS CLUSTERING DENGAN DAN TANPA REDUKSI DIMENSI PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK PEMETAAN KATEGORI GIZI PANGAN

---

Tingginya bias informasi akibat subjektivitas pelabelan pangan komersial (marketing gimmick) menjadi isu utama yang mendorong penelitian ini untuk memetakan kategori gizi secara objektif dan komputasional. Untuk mewujudkan hal tersebut sekaligus mengatasi masalah multikolinearitas pada data nutrisi, kinerja algoritma K-Means Clustering dikomparasikan dengan dan tanpa reduksi dimensi Principal Component Analysis (PCA) terhadap 1.651 data pangan berdasarkan enam makronutrisi utama. Hasil evaluasi Silhouette Coefficient membuktikan model PCA + K-Means lebih unggul dengan skor 0,5331 dibandingkan K-Means murni (0,4380). Model terbaik ini mempartisi data men-jadi empat klaster (k=4) yang divalidasi berdasarkan Peraturan BPOM No. 1 Ta-hun 2022: (0) Rendah Lemak dan Gula, (1) Tinggi Protein dan Rendah Gula Tetapi Tinggi Lemak, (2) Sumber Serat Pangan Tetapi Tinggi Gula, dan (3) Tinggi Protein dan Tinggi Serat Pangan Tetapi Tinggi Gula dan Lemak. Pemetaan ini kemudian diimplementasikan ke dalam sistem berbasis web untuk klasifikasi gizi yang tervalidasi secara statistik dan regulasi.

---

Availability

Detail Information

Call Number

Informatika 518.1 Put A

Language

Indonesia

NPM

223510788

Publisher

Teknik Informatika : Universitas Islam Riau., 2026

Keyword(s)

K-Means Clustering
Principal Component Analysis
Pemetaan Gizi

Other Information

Petugas

Budi Santoso

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment