PREDIKSI KALORI MAKANAN INDONESIA MENGGUNAKAN ALGORITMA LSTM

Fitraih, Ahita Hanazah (2025) PREDIKSI KALORI MAKANAN INDONESIA MENGGUNAKAN ALGORITMA LSTM. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (1MB)
[img] Text (BAB I)
BAB I.pdf
Download (178kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (1MB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (489kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (717kB)
[img] Text (BAB V)
BAB V.pdf
Download (45kB)
[img] Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf
Restricted to Registered users only
Download (243kB)
[img] Archive (SOURCE CODE)
Sourcecode - 21.11.4106.zip
Restricted to Repository staff only
Download (101kB)
[img] Text (PUBLIKASI)
Publikasi.pdf
Restricted to Repository staff only
Download (663kB)

Abstract

Makanan merupakan kebutuhan utama manusia yang berperan penting dalam menjaga kesehatan dan keseimbangan energi. Namun, banyak orang lebih memilih makanan berdasarkan rasa daripada kandungan nutrisinya, yang dapat menyebabkan ketidakseimbangan asupan kalori. Oleh karena itu, diperlukan suatu metode yang dapat membantu masyarakat dalam memperkirakan jumlah kalori yang dikonsumsi. Penelitian ini bertujuan untuk membangun model prediksi kalori makanan Indonesia dengan menggunakan algoritma Long Short-Term Memory (LSTM). Data yang digunakan dalam penelitian ini diperoleh dari dataset makanan Indonesia yang tersedia di platform Kaggle. Tahapan penelitian mencakup pengumpulan data, proses cleaning, analisis korelasi, normalisasi fitur, pemilihan fitur utama (karbohidrat, lemak, dan protein), pembagian data, serta pelatihan model menggunakan arsitektur LSTM. Model dilatih untuk mempelajari hubungan antara kandungan nutrisi makanan dan jumlah kalorinya. Hasil penelitian menunjukkan bahwa model prediksi kalori yang dikembangkan dengan LSTM mampu mencapai akurasi sebesar 70,05%, yang menunjukkan performa cukup baik dalam mengestimasi jumlah kalori. Namun, terdapat beberapa tantangan dalam penelitian ini, terutama terkait dengan variasi data dan kompleksitas makanan Indonesia yang dapat mempengaruhi tingkat akurasi model.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Sasongko, Theopilus Bayu
Uncontrolled Keywords: Prediksi Kalori, LSTM (Long Short-Term Memory), Makanan Indonesia, Deep Learning
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 05 May 2025 04:11
Last Modified: 05 May 2025 07:15
URI: http://eprints.amikom.ac.id/id/eprint/29853

Actions (login required)

View Item View Item