SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DAN PENJADWALAN MENU BERGIZI GRATIS MENGGUNAKAN ALGORITMA Q-LEARNING BERDASARKAN KANDUNGAN GIZI

Afrilyadi, Rendy Azid (2026) SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DAN PENJADWALAN MENU BERGIZI GRATIS MENGGUNAKAN ALGORITMA Q-LEARNING BERDASARKAN KANDUNGAN GIZI. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (817kB)
	Text BAB 1.pdf Download (317kB)
	Text BAB 2.pdf Download (370kB)
	Text BAB 3.pdf Download (922kB)
	Text BAB 4.pdf Download (971kB)
	Text BAB 5.pdf Download (243kB)
	Text LAMPIRAN.pdf Download (1MB)

Abstract

Program Makan Bergizi Gratis membutuhkan perencanaan menu yang objektif dan

konsisten agar kontribusi gizi per porsi mendekati target kebutuhan siswa serta jadwal menu mingguan tetap bervariasi. Penelitian ini mengembangkan Sistem Pendukung Keputusan untuk pemilihan dan penjadwalan menu MBG berbasis gizi makro (energi, protein, lemak, karbohidrat) pada studi kasus SPPG Cikedokan 2, Cikarang Barat, Bekasi. Data penelitian terdiri atas 50 alternatif menu dengan periode 20 Oktober 2025–22 Januari 2026. Pembobotan kriteria dilakukan menggunakan Analytic Hierarchy Process berdasarkan penilaian tenaga gizi dan diuji konsistensinya (CR ≤ 0,10). Selanjutnya, penilaian menu dilakukan menggunakan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) dengan pendekatan deviasi absolut terhadap target kontribusi 30% AKG untuk tiga kelompok sasaran (usia 7–9 tahun, usia 10–12 tahun laki–laki, dan usia
10–12 tahun perempuan). Nilai preferensi (Ci) dari ketiga kelompok diagregasikan menjadi skor gabungan (Ci_gab) sebagai nilai tunggal untuk kebutuhan produksi massal (1 menu yang sama). Tahap akhir adalah optimasi penyusunan jadwal menu Senin–Jumat menggunakan Q–learning sebagai metode utama dan Ant Colony Optimization sebagai pembanding, dengan penerapan hard constraint dan soft constraint untuk menjaga variasi menu. Hasil menunjukkan bahwa sistem mampu menghasilkan bobot AHP yang konsisten, pemeringkatan menu berbasis kesesuaian target 30% AKG, serta jadwal mingguan valid yang memenuhi aturan variasi. Secara komparatif, ACO menghasilkan kualitas jadwal yang lebih tinggi
dan lebih stabil dibanding Q–learning pada skenario eksperimen yang diuji.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 07:57
Last Modified:	02 Jun 2026 07:57
URI:	https://repository.unas.ac.id/id/eprint/16352

Actions (login required)

View Item