Prediksi Komposisi Bahan Per 100 Gram Makanan Pendamping ASI (MPASI) Menggunakan Extreme Learning Machine (ELM)

Wiranto Widotomo, Kartika Ananda Putri, Izhar Yusuf Siregar, Didit Widyanto, Mayanda Mega Santoni

Abstract


Makanan pendamping ASI (MPASI) adalah asupan gizi bagi balita yang berusia 6 - 24 bulan selain dari ASI sebagai penunjang kebutuhan balita. Kekurangan gizi bagi balita dapat menyebabkan gangguan  pertumbuhan fisik maupun mental, menurunkan tingkat kecerdasan, bahkan dapat menyebabkan kematian. Solusi dari permasalahan tersebut dengan memprediksi jumlah komposisi bahan dalam suatu resep makanan pendamping (ASI) menggunakan Extreme Learning Machine, sehingga dapat menyesuaikan kebutuhan gizi balita pada resep bubur daging sapi. Penelitian ini juga mencari arsitektur terbaik seperti jumlah hidden neuron, fungsi aktivasi dan nilai bobot awal random. Sebelum melakukan training dan testing data dinormalisasi terlebih dahulu menggunakan min-max normalization.Arsitektur terbaik pada model ini menggunakan 900 neuron  di hidden layer, fungsi aktivasi Rectifier Linier Unit, dan nilai bobot awal random dengan range -1 sampai 1. Berdasarkan rancangan penelitian ini, hasil pengujian pada proses training memiliki nilai MAPE terkecil, yaitu sebesar 0,000000163147. Sedangkan pada proses testing memiliki nilai MAPE sebesar 0,768392942.


Keywords


MPASI, Prediksi, Extreme Learning Machine

References


Pusat Data dan Informasi Kementerian Kesehatan RI, “Data & Informasi 2015 ‘Profil Kesehatan Indonesia,’” 2015.

H. Pratiwi and K. Harianto, “Perbandingan Algoritma ELM Dan Backpropagation Terhadap Prestasi Akademik Mahasiswa,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 3, no. 2, p. 282, 2019, doi: 10.30645/j-sakti.v3i2.147.

E. Ridhawati and L. Julianti, “Pemilihan Makanan Pendamping ASI Pada Batita Dengan Menerapkan Metode TOPSIS,” 2018.

E. B. Prasetya and N. Amri, “Sistem Informasi Untuk Menentukan Menu Makanan Pendamping Asi (Mpasi) Bayi Berdasarkan Angka Kecukupan Gizi (Akg) Menggunakan Metode Forward Chaining,” Resist. (elektRonika kEndali Telekomun. tenaga List. kOmputeR), vol. 2, no. 1, p. 15, 2019, doi: 10.24853/resistor.2.1.15-22.

E. A. Dewi, “PERBANDINGAN METODE HOLT WINTER’S EXPONENTIAL SMOOTHING DAN EXTREME LEARNING MACHINE (ELM) PADA PERAMALAN PENJUALAN SEMEN,” Univ. Islam Indones., no. 21, pp. 1–9, 2018.

R. J. D. S, “PERAMALAN CURAH HUJAN MENGGUNAKAN METODE EXTREME LEARNING MACHINE,” 2020.

Jamaludin, C. Rozikin, and A. S. Y. Irawan, “Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation,” Techné J. Ilm. Elektrotek., vol. 20, no. 1, pp. 1–12, 2021, doi: 10.31358/techne.v20i1.231.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.