Adrian, Irfing (2026) PENGEMBANGAN MACHINE LEARNING BERBASIS GRADIENT BOOSTED DECISION TREES DENGAN OPTIMASI KNAPSACK UNTUK SISTEM REKOMENDASI MAKANAN. S1 thesis, Universitas Mercu Buana Jakarta - Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
41522010039-Irfing Adrian-01-Cover - Irfing Adrian.pdf Download (619kB) |
|
Text (BAB 1)
41522010039-Irfing Adrian-02 Bab 1 - Irfing Adrian.pdf Restricted to Registered users only Download (56kB) |
|
Text (BAB 2)
41522010039-Irfing Adrian-03 Bab 2 - Irfing Adrian.pdf Restricted to Registered users only Download (154kB) |
|
Text (BAB 3)
41522010039-Irfing Adrian-04 Bab 3 - Irfing Adrian.pdf Restricted to Registered users only Download (549kB) |
|
Text (BAB 4)
41522010039-Irfing Adrian-05 Bab 4 - Irfing Adrian.pdf Restricted to Registered users only Download (957kB) |
|
Text (BAB 5)
41522010039-Irfing Adrian-06 Bab 5 - Irfing Adrian.pdf Restricted to Registered users only Download (54kB) |
|
Text (DAFTAR PUSTAKA)
41522010039-Irfing Adrian-08 Daftar Pustaka - Irfing Adrian.pdf Restricted to Registered users only Download (115kB) |
|
Text (LAMPIRAN)
41522010039-Irfing Adrian-09 Lampiran - Irfing Adrian.pdf Restricted to Registered users only Download (386kB) |
Abstract
Perkembangan machine learning telah mendorong pengembangan sistem rekomendasi makanan yang mampu memberikan saran menu secara personal berdasarkan kondisi dan kebutuhan pengguna. Namun, sebagian besar sistem yang ada masih bersifat statis dan belum mampu mengoptimalkan kombinasi makanan berdasarkan batasan kalori secara adaptif. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi makanan berbasis Gradient Boosted Decision trees (GBDT) dan optimasi Knapsack. GBDT digunakan untuk mempelajari hubungan antara kondisi pengguna seperti tujuan diet, jenis waktu makan, preferensi nutrisi, dan sisa kebutuhan kalori terhadap pola konsumsi makanan berdasarkan data historis. Model GBDT menghasilkan ranking kandidat makanan berdasarkan skor probabilitas pada kondisi tertentu. Selanjutnya, algoritma Knapsack digunakan untuk mengoptimalkan pemilihan kombinasi makanan dari kandidat tersebut agar total kalori yang dihasilkan mendekati batas kebutuhan kalori pengguna tanpa melebihi batas yang ditentukan. Sistem ini diimplementasikan menggunakan Next.js untuk web dan React Native untuk aplikasi mobile. Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan rekomendasi yang lebih relevan, personal, serta memberikan variasi menu yang lebih baik dibandingkan pendekatan statis. Kata Kunci: sistem rekomendasi makanan, Gradient Boosted Decision trees, Knapsack, machine learning, diet cerdas.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41522010039 |
| Uncontrolled Keywords: | sistem rekomendasi makanan, Gradient Boosted Decision trees, Knapsack, machine learning, diet cerdas. |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | NAJHWA LAILI SYAFAQOH |
| Date Deposited: | 27 Aug 2026 02:48 |
| Last Modified: | 27 Aug 2026 02:48 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103436 |
Actions (login required)
 |
View Item |
