<![CDATA[Penelitian ini bertujuan membangun model explainable machine learning untuk memprediksi kecukupan gizi menu Program Makan Bergizi Gratis (MBG). Permasalahan penelitian berangkat dari kebutuhan pengelolaan menu MBG yang tidak hanya memenuhi variasi bahan pangan, tetapi juga sesuai dengan kebutuhan energi, protein, zat gizi mikro, batas gula, garam, lemak, dan keterjangkauan biaya per porsi. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimen komputasional. Dataset simulasi akademik terdiri atas 420 komposisi menu MBG dengan 18 variabel, mencakup kelompok penerima, sumber karbohidrat, protein hewani, protein nabati, sayur, buah, susu, energi, protein, lemak, karbohidrat, serat, kalsium, zat besi, gula, natrium, biaya porsi, dan status kecukupan gizi. Algoritma yang diuji meliputi Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, Gradient Boosting, dan XGBoost. Model dievaluasi menggunakan accuracy, precision, recall, F1-score, ROC-AUC, dan confusion matrix, sedangkan interpretasi model dilakukan menggunakan SHAP. Hasil penelitian menunjukkan bahwa XGBoost yang dioptimasi memperoleh kinerja terbaik dengan accuracy 0,9643, precision 0,9643, recall 0,9818, F1-score 0,9730, dan ROC-AUC 0,9850. Analisis SHAP menunjukkan bahwa protein, energi, kalsium, biaya porsi, dan porsi sayur menjadi faktor paling berpengaruh terhadap prediksi kecukupan gizi. Temuan ini menunjukkan bahwa explainable machine learning dapat mendukung evaluasi menu MBG secara objektif, terukur, dan mudah dijelaskan kepada pengelola gizi]]>
Copyrights © 2026
