Optimasi Komposisi Menu MBG Berbasis Graph Neural Network dan Explainable AI
Keywords:
Graph Neural Network, Explainable AI, MBG, Optimasi Menu, Sistem CerdasAbstract
Program Makan Bergizi Gratis (MBG) membutuhkan perencanaan menu yang seimbang, bervariasi, dan mudah dievaluasi berdasarkan kecukupan gizi. Permasalahan utama dalam penyusunan menu adalah banyaknya kombinasi bahan pangan yang harus dipertimbangkan, seperti energi, protein, lemak, karbohidrat, serat, kalsium, biaya, dan ketersediaan bahan. Penelitian ini bertujuan mengembangkan model optimasi komposisi menu MBG berbasis Graph Neural Network (GNN) dan Explainable AI. Data penelitian berupa simulasi komposisi bahan pangan yang disusun berdasarkan kelompok karbohidrat, protein, sayur, buah, dan susu. Setiap bahan pangan direpresentasikan sebagai node, sedangkan hubungan kesesuaian antar bahan direpresentasikan sebagai edge pada graf menu. Model GNN digunakan untuk mempelajari pola hubungan antar bahan dan menghasilkan skor kesesuaian menu. Explainable AI digunakan untuk menafsirkan kontribusi setiap komponen nutrisi terhadap rekomendasi. Hasil pengujian menunjukkan bahwa model GNN memperoleh skor kesesuaian gizi sebesar 94,20%, lebih tinggi dibandingkan rule-based sebesar 84,20% dan MLP sebesar 89,10%. Faktor paling berpengaruh terhadap optimasi menu adalah protein, energi, kalsium, dan serat. Hasil penelitian menunjukkan bahwa GNN dan Explainable AI dapat mendukung penyusunan menu MBG yang lebih objektif, transparan, dan berbasis data
References
Badan Gizi Nasional. (2025). Pedoman Umum Sistem dan Tata Kelola Badan Gizi Nasional untuk Program Makan Bergizi Gratis. Jakarta: Badan Gizi Nasional.
Gao, X., Feng, F., He, X., Huang, H., Guan, X., Feng, C., Ming, Z., & Chua, T. S. (2022). Food recommendation with graph convolutional network. Information Sciences, 584, 170-183. https://doi.org/10.1016/j.ins.2021.10.040
Kementerian Kesehatan Republik Indonesia. (2014). Peraturan Menteri Kesehatan Republik Indonesia Nomor 41 Tahun 2014 tentang Pedoman Gizi Seimbang. Jakarta: Kementerian Kesehatan RI.
Kementerian Kesehatan Republik Indonesia. (2019). Peraturan Menteri Kesehatan Republik Indonesia Nomor 28 Tahun 2019 tentang Angka Kecukupan Gizi yang Dianjurkan untuk Masyarakat Indonesia. Jakarta: Kementerian Kesehatan RI.
Kementerian Kesehatan Republik Indonesia. (2020). Tabel Komposisi Pangan Indonesia. Jakarta: Kementerian Kesehatan RI.
Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations.
Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4765-4774.
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
Tian, Y., Zhang, C., Guo, Z., Huang, C., Metoyer, R., & Chawla, N. V. (2022). RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation. arXiv preprint arXiv:2205.14005.
Veličković, P., Cucurull, G., Casanova, A., Romero, A., Liò, P., & Bengio, Y. (2018). Graph Attention Networks. International Conference on Learning Representations.
Ying, R., Bourgeois, D., You, J., Zitnik, M., & Leskovec, J. (2019). GNNExplainer: Generating Explanations for Graph Neural Networks. Advances in Neural Information Processing Systems, 32, 9240-9251.
Zhou, J., Cui, G., Hu, S., Zhang, Z., Yang, C., Liu, Z., Wang, L., Li, C., & Sun, M. (2020). Graph Neural Networks: A Review of Methods and Applications. AI Open, 1, 57-81. https://doi.org/10.1016/j.aiopen.2021.01.001
