Model Rekomendasi Jenis Susu Formula Pada Bayi Menggunakan Metode Random Forest Dan Boosting

Kinari, Safira Adine (2023) Model Rekomendasi Jenis Susu Formula Pada Bayi Menggunakan Metode Random Forest Dan Boosting. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000013-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (5MB) | Request a copy

Abstract

ASI atau air susu ibu merupakan jenis susu yang diproduksi oleh ibu setelah melahirkan, yang mengandung nutrisi penting dan spesifik yang dibutuhkan untuk pertumbuhan dan perkembangan bayi. ASI ini secara eksklusif wajib diberikan untuk bayi hingga usianya adalah 2 tahun atau 24 bulan. Akan tetapi, dibeberapa kondisi ibu bayi tidak dapat memberikan ASI secara eksklusif oleh karena ibu yang sedang sakit, telah meninggal, menjalani perawatan medis yang membatasi akses ASI, dan sebagainya. Selain itu, pada bayi juga memiliki keterbatasan sebab produksi ASI secara alami disesuaikan dengan pertumbuhan dan perkembangan bayi, dan kandungannya dapat berubah seiring dengan kebutuhan yang berbeda-beda pada setiap tahap perkembangan bayi, sehingga tidak dapat mengkonsumsi ASI dari ibu lain. Untuk menjawab kurangnya pemenuhan ASI eksklusif ini, diproduksi banyak sekali susu formula di pasaran. Oleh karena itu, dalam tugas akhir ini dikembangkan model pengambilan keputusan atau rekomendasi untuk memberi preferensi susu formula yang sesuai dengan kebutuhan bayi. Dengan menggunakan metode machine learning seperti Random Forest, CatBoost, XGBoost, dan LightGBM, diharapkan dapat membandingkan dan menemukan model rekomendasi terbaik. Terdapat dua macam pembagian dataset yang digunakan, dengan dan tidak dengan penyeleksian NIK. Kemudian terdapat pula tiga macam penelitian yang dievaluasi untuk setiap modelnya, yaitu dengan cara membandingkan hasil prediksi, mendapatkan skor akurasi ketika data training yang digunakan hanya diambil beberapa persen saja, serta mencari feature importance. Dari percobaan-percobaan ini didapatkan bahwa dari model yang dihasilkan dapat memberikan rekomendasi jenis susu dengan XGBoost sebagai metode yang memiliki hasil akurasi prediksi paling baik karena mencapai ≥99%. Sedangkan untuk perbandingan dari dua dataset yang berbeda tersebut, pada Boosting terdapat peningkatan sebesar 0.18% XGBoost dan LightGBM, serta 0.54% CatBoost, pada Random Forest sebaliknya terdapat penurunan sebesar 1.01%. Terakhir untuk feature importance paling berpengaruh adalah fitur yang berhubungan BB/PB, dimana menghasilkan penurunan akurasi prediksi paling tinggi.
===============================================================================================================================
Breast milk, is a type of milk produced by mothers after childbirth, containing essential and specific nutrients necessary for the growth and development of the baby. It is recommended to exclusively feed infants with breast milk until the age of 2 years or 24 months. However, there are circumstances where exclusive breastfeeding may not be possible, such as when the mother currently ill, deceased, undergoing medical treatment that restricts access to breast milk, and other similar situations. Additionally, infants have unique needs as breast milk production naturally adapts to their growth and development, making it unsuitable for them to consume milk from other mothers. To address the lack of exclusive breastfeeding, a significant amount of infant formula is produced and available in the market. Hence, this final project aims to develop a decision-making or recommendation model that prioritizes suitable infant formula based on the baby’s requirements. Machine learning techniques such as Random Forest, CatBoost, XGBoost, and LightGBM are utilized to compare and identify the optimal recommendation model. The research involves dividing the dataset into two categories, with and without Indonesian ID number (NIK) selection, and evaluating three aspects for each model: comparing prediction results, assessing accuracy scores with limited training data, and determining feature importance. The experiments reveal that the developed model, particularly using XGBoost, achieves a prediction accuracy of ≥99% for recommending formula types. When comparing the two datasets, Boosting methods show an increase of 0.18% for XGBoost and LightGBM, and 0.54% for CatBoost, whereas Random Forest exhibits a decline of 1.01%. Finally, the most influential feature importance is the feature related to body weight based on body length, which results in the highest decrease in prediction accuracy.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Boosting, Susu Formula, Random Forest, Rekomendasi; Boosting, Infant Formula, Random Forest, Recommendation
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Q Science > QA Mathematics > QA336 Artificial Intelligence T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Safira Adine Kinari
Date Deposited:	23 Aug 2023 08:57
Last Modified:	23 Aug 2023 08:57
URI:	http://repository.its.ac.id/id/eprint/101203

Actions (login required)

View Item