Evaluasi Kinerja Metode Random Forest dan Decision Tree dalam Klasifikasi Menu Fast Food di Restoran Indonesia

Siti Arnila Pebrianti, Putri Ananda Siti Arnila Pebrianti, Nani Sulistianingsih

Abstract


Abstract: Fast food menu classification is an important aspect of the restaurant industry that helps improve operational efficiency, marketing strategies, and the understanding of customer consumption patterns. This research evaluates the performance of two machine learning algorithms, namely Decision Tree and Random Forest, in classifying fast food menus based on attributes such as calories, fat, protein, and sodium content. The dataset used consists of 17 features and 516 menu items, which have undergone cleaning and pre-processing. The research result indicate that the Random Forest algorithm outperforms the Decision Tree in classifying fast food menus. Based on the evaluation metrics of accuracy, precision, recall, and F1-score, Random Forest achieved 93% accuracy, while Decision Tree achieved 64% accuracy. Correlation between features were also analyzed to understand the relationship between nutritional components in fast food. The conclusion of this research highlights that Random Forest is superior in handling data complexity and can be reliably implemented in restaurant menu recommendation systems.

Abstrak: Klasifikasi menu makanan cepat saji merupakan aspek penting dalam industri restoran untuk meningkatkan efisiensi operasional, strategi pemasaran, dan pemahaman pola konsumsi pelanggan. Penelitian ini mengevaluasi kinerja dua algoritma pembelajaran mesin, yaitu Decision Tree dan Random Forest, dalam mengklasifikasikan menu makanan cepat saji berdasarkan atribut seperti kandungan kalori, lemak, protein, dan natrium. Dataset yang digunakan terdiri dari 17 fitur dan 516 data menu yang telah melalui tahapan pembersihan dan pra pemrosesan. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa lebih baik dibandingkan dengan Decision Tree dalam klasifikasi menu makanan cepat saji. Berdasarkan metrik evaluasi akurasi, presisi, recall, dan F1-Score, Random Forest mencapai akurasi 93%, sedangkan Decision Tree memperoleh akurasi 64%. Korelasi antar fitur juga dianalisis untuk memahami hubungan antara kandungan nutrisi dalam makanan cepat saji. Kesimpulan penelitian ini menunjukkan bahwa Random Forest lebih unggul dalam menangani kompleksitas data, sehingga dapat diandalkan untuk implementasi dalam sistem rekomendasi menu restoran.


Keywords


Fast Food, Classification, Random Forest, Decision Tree.

Full Text:

PDF

References


Andriyani, A., Lee, Y. Z., Win, K. K., Tan, C. K., Amini, F., Tan, E. S. S., Thiagarajah, S., Ng, E. S. C., & Ahmad Bustami, N. (2024). Fast food consumption, obesity and nutrient intake among adults in Indonesia. Food Research, 8, 55–65. https://doi.org/10.26656/fr.2017.8(S3).5

Azwanti, N., & Elisa, E. (2020). Analisa Kepuasan Konsumen Menggunakan Algoritma C4.5. SNISTEK.

Bagus, I., Dharma Putra, W., Astina, A., Made, G., & Arnawa, S. (n.d.). Analisis Strategi Menu Engineering dalam Upaya Meningkatkan Pendapatan Restaurant Menu Engineering Strategy Analysis in an Effort to Increase Restaurant Revenue. Jurnal Pariwisata Dan Bisnis), 02(6), 1444–1457. https://doi.org/10.22334/paris.v2i6

Fahmi, M., Gozali, G., Syauqy, D., & Kurniawan, W. (2025). Klasifikasi Kelayakan Konsumsi Susu Kambing Etawa Pasteurisasi Berdasarkan Warna, Aroma, dan PH dengan Metode Random Forest Berbasis Arduino (Vol. 9, Issue 2). http://j-ptiik.ub.ac.id

Firmansyach, W. A., Hayati, U., & Wijaya, Y. A. (2023). Analisa Terjadinya Overfitting Dan Underfitting Pada Algoritma Naive Bayes Dan Decision Tree Dengan Teknik Cross Validation. In Jurnal Mahasiswa Teknik Informatika (Vol. 7, Issue 1).

Intan Sahara, L., Adelina, R., Gizi Poltekkes Kemenkes Malang, J., & Sarjana Terapan Gizi dan Dietetika, P. (2021). Analisis Asupan Lemak Terhadap Profil Lemak Darah Berkaitan Dengan Kejadian Penyakit Jantung Koroner (Pjk) Di Indonesia: Studi Literatur Analysis of Fat Intake on Lipid Profile Related to Coronary Heart Disease (CHD) in Indonesia: Literature Study (Vol. 1, Issue 2). http://journal.binawan.ac.id/JAKAGI

Ivanenko, V. O., Kaschuck, K. M., Botsian, T. V., & Klimova, I. O. (2022). Menu Analysis as an Effective Marketing Tool for Increasing the Restaurant Establishments’ Profitability. Business Inform, 12(539), 258–263. https://doi.org/10.32983/2222-4459-2022-12-258-263

Kamilah, W., Hartani, P., Arifyan, M., Hartanto, N., Jamil, D. F., Rinaket, J., Abdillah, A. S., Fawaz Andana, S., Scrowbaneg, L., Kesehatan, P. J., Rekreasi, D., & Semarang, U. N. (2024). Pentingnya Mengonsumsi Makanan Rendah Lemak dan Kalori untuk Menjaga dan Meningkatkan Energi dalam Tubuh Sebelum Melakukan Olahraga terhadap Mahasiswa Fakultas Ilmu Keolahragaan di Universitas Negeri Semarang. In Jurnal Analis (Vol. 3, Issue 2). http://jurnalilmiah.org/journal/index.php/Analis

Kumala Sari, P., & Randy Suryono, R. (2024). Komparasi Algoritma Support Vector Machine Dan Random Forest Untuk Analisis Sentimen Metaverse (Vol. 7, Issue 1).

Rakhmawati, R., & Sulistyoningsih, M. (2020). Kandungan Kolesterol Darah pada Berbagai Jenis Ayam Konsumsi. Titian Ilmu: Jurnal Ilmiah Multi Sciences, 12(1), 31–34. https://doi.org/10.30599/jti.v12i1.590

Ramadhon, R. N., Ogi, A., Agung, A. P., Putra, R., Febrihartina, S. S., & Firdaus, U. (2024). Implementasi Algoritma Decision Tree untuk Klasifikasi Pelanggan Aktif atau Tidak Aktif pada Data Bank (Vol. 3).

Rombe, Y., Thamrin, S. A., & Lawi, A. (2022). Application of Adaptive Synthetic Nominal and Extreme Gradient Boosting Methods in Determining Factors Affecting Obesity: A Case Study of Indonesian Basic Health Research Survey 2013. Indonesian Journal of Statistics and Its Applications, 6(2), 309–317. https://doi.org/10.29244/ijsa.v6i2p309-317

Saputra, I. (2023). Belajar Mudah Data Mining Untuk Pemula. Informatika Bandung.

Sumiyati, I., Anggriyani, A., & Mukhsin, A. (2022). Hubungan Antara Konsumsi Makanan Fast Food Dengan Kejadian Obesitas Pada Remaja. JUMANTIK (Jurnal Ilmiah Penelitian Kesehatan), 7(3), 242. https://doi.org/10.30829/jumantik.v7i3.11485

Supriyadi, R., Gata, W., Maulidah, N., Fauzi, A., Komputer, I., & Nusa Mandiri Jalan Margonda Raya No, S. (2020). Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah. 13(2), 67–75. http://journal.stekom.ac.id/index.php/E-Bisnis■page67

Syahputra, H. (2022). Clustering Tingkat Penjualan Menu (Food and Beverage) Menggunakan Algoritma K-Means. Jurnal KomtekInfo, 29–33. https://doi.org/10.35134/komtekinfo.v9i1.274

Yaman, N. I., Juwita, A. R., Lestari, S. A. P., & Faisal, S. (2024). Perbandingan Kinerja Algoritma Decision Tree dan Random Forest untuk Klasifikasi Nutrisi pada Makanan Cepat Saji. Jurnal Algoritma, 21(2), 184–196. https://doi.org/10.33364/algoritma/v.21-2.1649

Zebua, R. S. Y., Hendriyani, C., Sukmadewi, R., Thaha, A. R., Tahir, R., Purbasari, R., Novel, N. J. A., Dewintari, P., Paramita, C. C. P., Hierdwati, T., & Subagja, A. D. (2023). Bisnis Digital : Startegi Administrasi Bisnis Digital Untuk Menghadapi Masa Depan (E. Efitra & S. Sepriano, Eds.).


Refbacks

  • There are currently no refbacks.