Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol.
No.
September 2024, hlm.
e-ISSN: 2964-2922, p-ISSN: 2963-6191 DOI : https://doi.
org/10.
69916/jkbti.
INTEGRASI FITUR CHATBOT DALAM APLIKASI EDUKASI KESEHATAN DAN
KEBUGARAN MENGGUNAKAN ALGORITMA NEURAL NETWORK
Reygan Fadhilah*1.
Muhammad Ruslan Maulani2.
Widia Resdiana3 .
Dini Hamidin4
1,2,3,4
Prodi D3 Teknik Informatika.
Fakultas Sekolah Vokasi.
Universitas Logistik dan Bisnis Internasional.
Bandung.
Indonesia Email: 1fadhilahreygan@gmail.
com, 2muhammadruslan@ulbi.
id, 3widiaresdiana@ulbi.
dinihamidin@ulbi.
(Diterima : 13 Agustus 2024.
Direvisi : 25 Agustus 2024.
Disetujui : 27 Agustus 2.
Abstrak Perkembangan teknologi yang pesat telah memberikan kemudahan dalam mengakses berbagai layanan, termasuk dalam bidang kesehatan dan kebugaran.
Penelitian ini bertujuan untuk mengembangkan aplikasi edukasi kesehatan dan kebugaran berbasis web yang dilengkapi dengan fitur Chatbot menggunakan algoritma neural network.
Chatbot ini dirancang untuk memberikan informasi yang relevan dan spesifik sesuai dengan kondisi kesehatan pengguna, serta memberikan interaksi yang lebih personal dan responsive.
Proses pengembangan melibatkan pengumpulan dataset melalui metode crawling dari situs web FatSecret Indonesia, yang mencakup data kandungan makanan, resep makanan diet, jenis diet, dan olahraga.
Data yang terkumpul diproses melalui tahapan case folding, tokenizing, dan penghapusan simbol, sebelum dilatih menggunakan algoritma neural network.
Hasil penelitian menunjukkan bahwa Chatbot yang dikembangkan memiliki akurasi yang tinggi dalam memberikan jawaban yang relevan, dengan akurasi klasifikasi data makanan dan diet mencapai 1.
0, serta resep makanan diet dan olahraga mencapai 0.
Implementasi Chatbot ini diharapkan dapat meningkatkan kualitas layanan dan memberikan pengalaman yang lebih baik bagi pengguna dalam mencapai tujuan kesehatan dan kebugaran mereka.
Kata kunci: algoritma neural network, aplikasi kesehatan.
Chatbot, diet.
INTEGRATION OF CHATBOT FEATURES IN HEALTH AND FITNESS EDUCATION
APPLICATIONS USING NEURAL NETWORK ALGORITHM
Abstract The rapid advancement of technology has provided convenience in accessing various services, including in the field of health and fitness.
This research aims to develop a web-based health and fitness education application equipped with a Chatbot feature using a neural network algorithm.
The Chatbot is designed to provide relevant and specific information according to the user's health condition, offering a more personal and responsive interaction.
The development process involves collecting datasets through crawling methods from the FatSecret Indonesia website, including data on food content, diet recipes, types of diets, and exercises.
The collected data is processed through case folding, tokenizing, and symbol removal stages before being trained using a neural network algorithm.
The research results show that the developed Chatbot has high accuracy in providing relevant answers, with food and diet data classification accuracy reaching 1.
0, and diet recipes and exercise reaching 0.
The implementation of this Chatbot is expected to improve service quality and provide a better experience for users in achieving their health and fitness goals.
Keywords: Chatbot, diet, health application, neural network application.
PENDAHULUAN
Perkembangan zaman dan teknologi saat ini sedang mengalami pertumbuhan yang sangat cepat.
Hal ini telah membawa kenyamanan yang signifikan dalam hal aksesbilitas .
Dengan pesatnya perkembangan ini, sekarang dapat dengan mudah mengakses berbagai layanan dimana saja dan kapan saja .
Kesehatan dan kebugaran adalah dua aspek penting dalam kehidupan yang memerlukan perhatian khusus.
Berbagai macam teknologi dikembangkan untuk mendukung berbagai macam kemudahan dalam hal kesehatan dan kebugaran .
, salah satunya adalah aplikasi edukasi kesehatan dan kebugaran berbasis website.
Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Ketidakaktifan fisik, pola makan yang buruk, dan obesitas adalah masalah kesehatan global yang menjadi faktor Faktor faktor ini merupakan risiko penyakit tidak menular seperti penyakit kardiovaskular, diabetes tipe 2, beberapa jenis kanker, penurunan kognitif dan kematian dini.
Meskipun ada banyak upaya untuk meningkatkan kesadaran akan pentingnya aktivitas fisik dan pola makan sehat, banyak individu masih tidak mendapatkan cukup aktivitas fisik atau memiliki kebiasaan makan yang tidak sehat, yang mengakibatkan peningkatan prevalensi obesitas .
Meskipun perkembangan teknologi dan akses informasi sudah sangat maju, banyak aplikasi kesehatan yang hanya menyediakan informasi statis yang bersifat umum, tanpa memperhitungkan kondisi spesifik dari setiap Menurut penelitian yang dilakukan oleh .
, kurangnya personalisasi dalam penyajian informasi kesehatan menyebabkan banyak pengguna merasa informasi yang mereka terima tidak relevan dengan kondisi mereka, sehingga kurang efektif dalam membantu mereka mencapai tujuan kesehatan dan kebugaran mereka.
Namun, hanya menyediakan informasi statis mungkin tidak cukup untuk memenuhi kebutuhan pengguna yang beragam dan dinamis.
Oleh karena itu, pengintegrasian fitur Chatbot dalam aplikasi edukasi kesehatan dan kebugaran menjadi penting.
Chatbot dapat memberikan interaksi yang lebih personal dan responsif, menjawab pertanyaan pengguna secara realtime .
, serta memberikan saran dan panduan yang sesuai dengan kondisi kesehatan dan kebugaran individu.
Teknologi Chatbot yang didukung oleh algoritma neural network memiliki keunggulan dalam memproses dan memahami bahasa alami.
Neural network mampu belajar dari data yang kompleks dan memberikan prediksi yang akurat, sehingga mampu memahami dan menjawab pertanyaan pengguna dengan lebih baik .
Hal ini memungkinkan Chatbot untuk memberikan jawaban yang lebih relevan dan spesifik sesuai dengan kebutuhan masing-masing Studi literatur ini mendukung relevansi pengembangan Chatbot dalam aplikasi kesehatan dan kebugaran.
Penelitian oleh Muhammad Furqon Fadli .
menunjukkan bahwa Chatbot berbasis web yang menggunakan algoritma Neural Network efektif dalam memberikan informasi secara akurat dan interaktif dengan akurasi rata-rata 0,8.
Penelitian Elita Natalia Sugianto .
juga relevan, di mana Chatbot "Ciovita" yang dikembangkan sebagai asisten virtual untuk bisnis brownies berhasil meningkatkan efisiensi bisnis melalui penerapan metode Waterfall, yang juga digunakan dalam penelitian ini.
Selain itu, studi oleh Tiara Eka Putri dan Gilang Ramadhan .
menekankan pentingnya pengujian efektivitas Chatbot dengan metode Black Box, yang akan diterapkan dalam penelitian ini dengan hasil pengujian Black Box menunjukkan efektivitas sebesar 90%.
Dengan integrasi fitur Chatbot menggunakan algoritma neural network dalam aplikasi edukasi kesehatan dan kebugaran berbasis website, diharapkan dapat meningkatkan kualitas layanan dan memberikan pengalaman yang lebih baik bagi pengguna.
Chatbot ini tidak hanya akan mempermudah akses informasi kesehatan dan kebugaran, tetapi juga akan membantu pengguna dalam menjalankan rutinitas sehat dan mencapai tujuan kebugaran mereka.
METODE PENELITIAN
Metode penelitian yang digunakan pada penelitian ini adalah metode Waterfall, tahapan tahapan yang ada pada metode Waterfall dapat dilihat pada Gambar 1.
Gambar 1.
Tahapan Metode Waterfall Requirement Metode yang digunakan untuk menganalisis kebutuhan pengguna terhadap perangkat lunak diantaranya:
Studi Pustaka Pengumpulan data dengan cara mengumpulkan literatur yang bersumber dari jurnal, pakar ataupun dari hasil penelitian orang lain yang berkaitan dengan penelitian yang akan dilakukan Crawling Dataset Makanan Pengumpulan dataset makanan dilakukan dengan menggunakan metode crawling pada website https://w.
id/kalori-gizi/.
Metode crawling ini dipilih untuk mempermudah dan mempercepat proses pengumpulan data secara otomatis.
Langkah-langkah:
Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Menulis script crawling dengan menggunakan bahasa pemrograman Go.
Menargetkan halaman-halaman yang berisi informasi kandungan gizi makanan.
Mengekstraksi data yang diperlukan seperti nama makanan, kalori, protein, lemak, karbohidrat, dan informasi nutrisi lainnya.
Menyimpan data yang diekstraksi ke dalam format CSV dan database.
Dataset Resep Makanan Diet Pengumpulan dataset resep masakan diet menggunakan metode yang sama dengan pengumpulan dataset https://w.
id/Default.
aspx?pa=recsh.
Langkah-langkahnya:
Menulis script crawling dengan menggunakan bahasa pemrograman Go.
Menargetkan halaman-halaman yang berisi informasi resep makanan diet.
Mengekstraksi data yang diperlukan seperti nama resep, bahan-bahan, kalori, protein, lemak, karbohidrat, dan cara memasaknya.
Menyimpan data yang diekstraksi ke dalam format CSV dan database.
Dataset Olahraga Pengumpulan dataset olahraga menggunakan metode yang sama dengan pengumpulan dataset sebelumnya yaitu dengan metode crawling yang sama dan dilakukan pada website https://musclewiki.
com/fa-ir/.
Langkah-langkahnya:
Menulis script crawling dengan menggunakan bahasa pemrograman Go.
Menargetkan halaman-halaman yang berisi informasi olahraga.
Mengekstraksi data yang diperlukan seperti nama, tutorial, dan tingkat kesulitan.
Menyimpan data yang diekstraksi ke dalam format CSV dan database.
Artikel Dataset Diet Pengumpulan dataset diet dilakukan dengan mengumpulkan artikel-artikel kesehatan yang membahas tentang berbagai jenis diet.
Langkah-langkahnya:
Mengidentifikasi sumber-sumber artikel kesehatan yang kredibel seperti situs web kesehatan, jurnal, dan blog .
Menggunakan metode crawling atau scraping untuk mengumpulkan artikel dari sumber-sumber tersebut, atau secara manual mengumpulkan artikel dan mengekstraksi informasi yang relevan.
Mengekstraksi data penting seperti jenis diet, prinsip dasar diet, manfaat, dan potensi risiko.
Menyimpan informasi tersebut dalam format yang terstruktur seperti CSV atau database.
Design Desain yang dirancang untuk memetakan proyek ini menggunakan Unified Modelling Language (UML).
Diagram UML yang digunakan mencakup Class diagram aplikasi Menggambarkan struktur kelas dan hubungan antar kelas dalam sistem aplikasi kesehatan dan kebugaran.
Sequence diagram Menggambarkan alur interaksi dalam sebuah skenario, diantaranya untuk login, daftar, pendaftaran layanan, konfirmasi pendaftaran layanan.
Activity diagram Menggambarkan alur aktivitas dalam sebuah proses, mulai dari proses kuis, menu makanan.
Chatbot Deployment diagram Menggambarkan konfigurasi hardware dan software pada saat implementasi aplikasi kesehatan dan kebugaran serta dalam fitur Chatbot.
Implementation Dalam proses perancangannya meliputi beberapa proses yaitu :
Preprocessing Data Data yang telah dikumpulkan akan melalui tahap preprocessing data.
Pada tahap preprocessing data terdapat beberapa tahap, yaitu Case Folding Case folding adalah mengubah seluruh huruf menjadi huruf kecil dengan menggunakan fungsi.
lower(), berikut alur case folding yang dapat dilihat dibawah ini.
Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Gambar 2.
Alur Case Folding Start User memasukkan kalimat ke dalam Chatbot Selanjutnya kalimat yang diinputkan oleh user diubah ke dalam huruf kecil Hasilnya kalimat yang diinputkan oleh user menjadi tersusun oleh huruf kecil Contoh kalimat sebelum memasuki proses case folding dan sesudah melalui proses case folding.
Gambar 3.
Contoh Case Folding Tokenizing Setelah tahap case folding, maka tahap selanjutnya adalah tahap tokenizing.
Proses tokenizing adalah proses memecah kalimat menjadi per kata berdasarkan spasi, untuk lebih jelaskan alur tokenizing dapat dilihat dibawah ini.
Gambar 4.
Alur Tokenizing Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network .
Start .
Menerima hasil dari tahap case folding .
Memecah kalimat hasil case folding menjadi per kata berdasarkan spasi .
Hasilnya menjadi kata kata penyusun kalimat Berikut contoh kalimat sebelum melalui proses tokenizing dan sesudah melalui proses tokenizing.
Gambar 5.
Contoh Tokenizing Penghapusan Simbol dan Karakter Khusus Setelah kalimat melewati proses tokenizing, proses terakhir dari preprocessing adalah menghilangkan simbol dan kata-kata yang tidak memiliki arti khusus, berikut hasil akhirnya.
Gambar 6.
Contoh Penghapusan Simbol Training Model Melatih model pembelajaran mesin atau jaringan saraf menggunakan data yang telah diproses.
Input Input merupakan data yang diperoleh pada tahap pengumpulan data.
Data-data yang telah diperloeh masing masing akan disimpan ke dalam file .
csv yang nantinya akan dilatih sebagai model data dasar Chatbot.
Training Model Menggunakan Algoritma Neural network.
HASIL DAN PEMBAHASAN
Diagram UML Activity Diagram Chatbot Gambar 7.
Activity Diagram Chatbot Diagram ini menggambarkan alur komunikasi dua arah antara pengguna dan Chatbot, di mana Chatbot terus memberikan informasi yang diperlukan hingga pengguna memutuskan untuk berhenti bertanya.
Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Sequence Diagram Chatbot Gambar 8.
Sequence Diagram Chatbot Diagram ini menunjukkan alur proses pencarian dan pengiriman informasi melalui Chatbot, dimana Chatbot berfungsi sebagai perantara antara pengguna dan sistem backend.
Class Diagram Gambar 9.
Class Diagram Implementasi Chatbot Preprocessing Data Pada tahap preprocessing data, dilakukan beberapa tahapan agar data siap digunakan dalam model neural network, diantaranya:
Case Folding File dataset makanan yang telah dikumpulkan, import dan buka dengan kode dibawah ini untuk melakukan preprocessing data pada dataset tersebut.
dataset diimpor dari file foods.
Kolom Category.
Name, dan Portion digabungkan menjadi satu kolom text untuk menyatukan informasi yang relevan dalam satu kolom teks.
Gambar 10.
Import Data Makanan Gambar 11.
Case Folding Data Makanan Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Seluruh teks dalam kolom text pada dataset makanan diubah menjadi huruf kecil menggunakan metode lower() yang berfungsi mengubah seluruh huruf menjadi huruf kecil.
Tokenizing Gambar 12.
Tokenizer Data Makanan Teks di-tokenize menjadi urutan kata, dan kemudian diubah menjadi urutan angka yang mewakili kata-kata Hasilnya di-padding dengan metode post untuk memastikan bahwa semua urutan memiliki panjang yang Penghapusan Simbol atau Karakter Khusus Gambar 13.
Penghapusan Simbol Data Makanan Simbol dan karakter khusus dihapus dari teks menggunakan fungsi re.
sub() yang menghapus semua karakter yang bukan huruf, angka, atau spasi.
Encode Labels Label teks dalam kolom text diubah menjadi angka menggunakan LabelEncoder, dan hasilnya disimpan dalam kolom label.
Gambar 14.
Label Encoding Data Resep Semua data yang telah dikumpulkan akan melalui semua tahapan preprocessing data diatas mulai dari data diet, data resep makanan, data makanan, dan data olahraga, agar semua data dapat digunakan dalam model neural network Training Model Neural Network Gambar 15.
Training Model Data Resep Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Model Neural network dibangun menggunakan arsitektur Sequential dengan beberapa lapisan utama:
Lapisan Embedding yang mengubah kata-kata menjadi vektor berdimensi 128.
Lapisan SpatialDropout1D untuk mencegah overfitting.
Lapisan Bidirectional LSTM dengan 128 neuron untuk menangani urutan kata.
Lapisan Dense dengan 128 neuron dan fungsi aktivasi ReLU.
Lapisan Dropout untuk mencegah overfitting.
Lapisan keluaran menggunakan fungsi aktivasi softmax yang menghasilkan probabilitas dari setiap kategori Jumlah data yang dilatih adalah 500 data dan Model dilatih menggunakan categorical_crossentropy sebagai fungsi kerugian, adam sebagai optimizer, dan accuracy sebagai metrik.
Pelatihan dilakukan selama 300 epoch dengan batch size 64.
Setelah pelatihan selesai, model disimpan dalam file recipe_Chatbot_model.
Gambar 16.
File Hasil Training Data Resep Gambar 17.
Hasil Akurasi Training Nilai akurasi dari hasil training model neural network pada data resep makanan menunjukkan performa yang tinggi pada data pelatihan yaitu 0.
9, namun nilai akurasi pada data validasi menunjukkan bahwa model belum mampu menggeneralisasi dengan baik pada data baru.
Hal ini terlihat dari akurasi validasi yang rendah dan nilai loss yang tinggi pada data validasi.
Setelah melakukan training model neural network pada semua data, mulai dari data resep makanan, makanan, diet, dan olahraga mendapatkan hasil training sebagai berikut.
Tabel 1.
Indikasi Penilaian Akurasi .
Tingkat Akurasi Penilaian Akurasi 9 Ae 1.
Klasifikasi Sempurna 8 Ae 0.
Klasifikasi Bagus 7 Ae 0.
Klasifikasi Sedang 6 Ae 0.
Klasifikasi Kurang < 0.
Klasifikasi Gagal Berdasarkan hasil training model neural network pada semua dataset berikut penilaian akurasi pada masing masing training model.
Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Tabel 2.
Hasil Penilaian Akurasi Data Akurasi Penilaian Akurasi Makanan Klasifikasi Sempurna Resep Makanan Diet Klasifikasi Bagus Diet Klasifikasi Sempurna Olahraga Klasifikasi Bagus Pengujian Pengujian sistem dilakukan oleh pada tanggal 11 agustus 2024 dengan menggunakan metode Black Box Testing.
Hasil dari pengujian sistem telah dibuat ditunjukkan pada tabel 3.
Tabel 3.
Pengujian Black-Box Kasus diuji Skenario Mengakses Input user untuk mencari umum seputar Menekan icon Chatbot di halaman Memasukkan pertanyaan umum mengenai diet, misalnya AuApakah bisa diet tanpa berolahragaAy Memasukkan pertanyaan umum mengenai keluhan diet, misalnya AuBagaimana cara keinginan untuk makan makanan manis saat dietAy Memasukkan pertanyaan umum mengenai keluhan olahraga, misalnya AuSebelum lari apakah boleh makan atau tidakAy Memasukkan nama makanan, misalnya Aukalori pada telurAy Menampilkan halaman ruang percakapan Memasukkan nama resep makanan, misalnya AuResep ayam panggangAy Memasukkan Aubuatkan rencana makan untuk diet selama 7 hariAy Memasukkan pesan AubantuanAy Input user seputar keluhan Input user seputar keluhan Input user untuk mencari kalori atau kandungan gizi pada makanan Input user untuk mencari resep makanan Input user untuk membuat rencana makan 7 hari untuk Input user untuk meminta Input user untuk mencari Memasukkan jenis latihan, misalnya Hasil yang diharapkan Hasil Pengujian Berhasil Memberikan respons jawaban relevan sesuai dengan pertanyaan, yaitu memberikan informasi mengenai diet tanpa Memberikan jawaban bagaimana cara mengotrol keinginan untuk makan makanan manis ksetika Berhasil Memberikan jawaban mengenai informasi tips yang benar mengenai jam makan pada saat ingin lari Berhasil Memberikan informasi mengenai kandungan gizi pada telur Berhasil Memberikan resep terkait Auayam panggangAy Berhasil Menampilkan rencana makan untuk diet selama 7 hari dengan perhitungan kalori harian Berhasil Menampilkan informasi tentang cara menggunakan Chatbot Menampilkan informasi latihan yang sesuai dengan Aupush upAy Berhasil Berhasil Berhasil Reygan Fadhilah, dkk.
Integrasi Fitur Chatbot Dalam Aplikasi Edukasi Kesehatan Dan Kebugaran Menggunakan Algoritma Neural Network Input user untuk membuat rencana jadwal workout selama 7 hari Error handling ketika input tidak dikenal Error handling ketika input resep tidak tersedia atau tidak dikenali Error handling ketika input makanan tidak tersedia atau tidak dikenali Aucara melakukan push upAy Memasukkan Aubuatkan jadwal workout untuk melatih dada pemula selama 7 hariAy Memasukkan input yang tidak dikenali.
AuqwertyuiopAy Memasukkan input resep yang tidak dikenali, misalnya Auresep jengkol teriyakiAy Memasukkan input makanan yang tidak dikenali, misalnya Aukalori pada makanan tumis ikan hiuAo Menampilkan rencana jadwal workout sesuai yang diminta user yaitu workout melatih dada untuk pemula selama 7 hari Berhasil Menampilkan pesan error atau meminta klarifikasi dari user Berhasil Menampilkan pesan error dan menampilkan resep dengan kata kunci serupa jika ada data resep yang mirip seperti Autumis jengkolAy Menampilkan pesan error dan menampilkan makanan dengan kata kunci serupa jika ada data resep yang mirip seperti Auikan mas gorengAy Berhasil Berhasil KESIMPULAN Penelitian ini berhasil membuktikan bahwa dengan menggunakan dataset yang dikumpulkan melalui metode crawling dan teknik preprocessing data yang tepat, aplikasi edukasi kesehatan dan kebugaran berbasis web dapat memberikan informasi yang relevan dan spesifik sesuai dengan kondisi kesehatan pengguna.
Algoritma neural network yang diterapkan pada Chatbot mampu menganalisis input dari pengguna dan memberikan jawaban yang tepat, sehingga membantu pengguna dalam mengakses informasi yang sesuai dengan kebutuhan mereka.
Fitur Chatbot diintegrasikan dalam aplikasi berbasis web dengan menggunakan algoritma neural network untuk memproses dan memahami bahasa alami pengguna.
Implementasi ini melibatkan pengumpulan dan preprocessing data, pelatihan model neural network, dan pengembangan antarmuka pengguna yang interaktif.
Chatbot ini mampu berinteraksi dengan pengguna secara real-time, memberikan panduan kesehatan dan kebugaran yang personal serta responsif.
Chatbot mampu memberikan interaksi yang lebih personal dan responsif, membantu pengguna dalam menjalankan rutinitas sehat dan mencapai tujuan kebugaran mereka.
Algoritma neural network yang digunakan dalam Chatbot memiliki kemampuan untuk belajar dari data yang kompleks dan memahami konteks pertanyaan pengguna.
Melalui pelatihan model dengan dataset yang telah diproses, neural network dapat mengklasifikasikan dan memberikan jawaban yang relevan dan akurat.
Hasil pengujian menunjukkan bahwa akurasi klasifikasi data makanan dan diet 0, sedangkan resep makanan diet dan olahraga mencapai 0.
9, membuktikan kemampuan algoritma dalam memberikan jawaban yang sesuai dengan pertanyaan pengguna.
DAFTAR PUSTAKA