Model Explainable Machine Learning untuk Prediksi Kecukupan Gizi Menu MBG
Abstract
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
Downloads
References
Badan Gizi Nasional. (2025). BGN pastikan SPPG dikelola tenaga profesional terlatih. https://www.bgn.go.id/news/berita/bgn-pastikan-sppg-dikelola-tenaga-profesional-terlatih
Badan Gizi Nasional. (2025). Menu MBG tak sesuai komposisi gizi viral, BGN sidak ke SPPG Mampang 1 Depok. https://www.bgn.go.id/news/berita/menu-mbg-tak-sesuai-komposisi-gizi-viral-bgn-sidak-ke-sppg-mampang-1-depok
Badan Gizi Nasional. (2026). Insentif SPPG terintegrasi dalam pagu Rp15.000 per menu MBG. https://www.bgn.go.id/news/siaran-pers-deputi-sistakol/insentif-sppg-terintegrasi-dalam-pagu-rp15000-per-menu-mbg
Badan Gizi Nasional. (2026). Ini fitur penting dalam aplikasi Reviu MBG, sistem baru BGN jaga kualitas Makan Bergizi Gratis. https://www.bgn.go.id/news/siaran-pers/ini-fitur-penting-dalam-aplikasi-reviu-mbg-sistem-baru-bgn-jaga-kualitas-makan-bergizi-gratis
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Di Martino, F., Delmastro, F., & Dolciotti, C. (2023). Explainable AI for malnutrition risk prediction from m-health and clinical data. arXiv. https://arxiv.org/abs/2305.19636
Gupta, S. K., Dey, L., Das, P. P., & Jain, R. (2024). Building FKG.in: A knowledge graph for Indian food. arXiv. https://arxiv.org/abs/2409.00830
Kementerian Kesehatan Republik Indonesia. (2019). Peraturan Menteri Kesehatan Nomor 28 Tahun 2019 tentang Angka Kecukupan Gizi yang Dianjurkan untuk Masyarakat Indonesia. https://peraturan.bpk.go.id/Details/138621/permenkes-no-28-tahun-2019
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html
Ma, W., Li, M., Dai, J., Ding, J., Chu, Z., & Chen, H. (2024). Nutrition-related knowledge graph neural network for food recommendation. Foods, 13(13), 2144. https://doi.org/10.3390/foods13132144
Molnar, C. (2024). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. https://christophm.github.io/interpretable-ml-book/
Pemerintah Republik Indonesia. (2024). Peraturan Presiden Nomor 83 Tahun 2024 tentang Badan Gizi Nasional. https://www.peraturan.go.id/id/perpres-no-83-tahun-2024
Rahman, L. A., Papathanail, I., & Mougiakakou, S. (2025). Introducing the Swiss Food Knowledge Graph: AI for context-aware nutrition recommendation. arXiv. https://arxiv.org/abs/2507.10156
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). Why should I trust you? Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. https://doi.org/10.1145/2939672.2939778
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1, 206–215. https://doi.org/10.1038/s42256-019-0048-x
Yu, W. Y., & Chiu, C. Y. (2026). An explainable unsupervised-to-supervised machine learning framework for dietary pattern discovery using UK National Dietary Survey Data. arXiv. https://arxiv.org/abs/2605.08242
JISTI
