SISTEM REKOMENDASI RESEP MAKANAN PENDAMPING AIR SUSU IBU (MPASI) DENGAN METODE NAÏVE BAYES DAN ATURAN MPASI
Miftahful Purnanda Puspasari Jurusan Informatika Universitas Sebelas Maret Jl. Ir. Sutami No 36 A Surakarta
Sari Widya Sihwi Jurusan Informatika Universitas Sebelas Maret Jl. Ir. Sutami No 36 A Surakarta
Umi Salamah Jurusan Informatika Universitas Sebelas Maret Jl. Ir. Sutami No 36 A Surakarta
ABSTRAK
Makanan pendamping ASI (MPASI) harus mulai diberikan kepada bayi usia 6-24 bulan untuk memenuhi nutrisi yang dibutuhkan oleh bayi. Dalam pemberian MPASI seharusnya bayi selalu diperkenalkan bahan makanan baru sesuai usia bayi agar makanannya bervariasi. Namun reaksi yang ditimbulkan dari bahan makanan tersebut berbeda-beda pada setiap bayi, salah satunya adalah alergi. Aturan tunggu empat hari (four days wait rule) diterapkan karena reaksi terhadap beberapa jenis makanan baru akan timbul dalam waktu 24 jam, sedangkan untuk masalah pencernaan bisa lebih lama. Untuk itu pada penelitian ini dibangun sebuah sistem rekomendasi yang dapat memberikan masukan resep MPASI kepada ibu dengan memperhatikan konten bahan makanan di dalamnya terkait bahan baru yang sesuai dengan usia bayi dengan memperhatikan faktor alerginya.
Tahapan yang dilakukan dalam penelitian ini adalah pengumpulan data, analisa penerapan metode Naïve Bayes dan aturan four days wait rule dalam sistem rekomendasi content-based, implementasi, dan evaluasi kepuasan user. Pada penelitian ini berhasil dibangun sistem rekomendasi yang menghasilkan menu dengan bahan baru dan metode Naïve Bayes.
Hasil yang diperoleh dari penelitian ini berupa pengujian akurasi rekomendasi sebesar 80.36% dan rating tingkat kepuasan dari 30 user dihitung dengan skala likert 1 sampai 5 yang menghasilkan rating 4.37 untuk tampilan aplikasi, 3.8 untuk informasi yang diberikan dan 4.13 untuk keberlanjutan penggunaan.
Keywords: Content-Based, Four Days Wait Rule, MPASI, Naive Bayes, Sistem Rekomendasi
1. PENDAHULUAN
Kebutuhan energi bayi meningkat seiring dengan bertambahnya usia dan tingkat keaktifan bayi. Setelah berusia enam bulan
,
ASI saja tidak cukup untuk memenuhi kebutuhan nutrisi bayi. Oleh karena itu, untuk mengisi kesenjangan antara total kebutuhan nutrisi bayi dengan jumlah nutrisi yang didapatkan dari ASI, bayi perlu diberikan makanan pendamping ASI (MPASI), yaitu yang mencakup seluruh makanan padat dan cair selain air susu ibu atau susu formula [1].Dalam pemberian MPASI harus memperhatikan bahan makanan yang diberikan kepada bayi, karena efek yang ditimbulkan dari masing-masing bahan makanan berbeda-beda pada setiap bayi, salah satunya yaitu alergi. Alergi makanan terjadi karena bayi memiliki organ pencernaan yang masih sangat sensitif dan mudah terkena penyakit [2]. Aturan tunggu empat hari (four days wait rule) dilakukan dengan mengenalkan satu jenis bahan makanan selama empat hari untuk melihat bagaimana reaksi bayi terhadap suatu jenis makanan. Aturan ini perlu diterapkan karena reaksi terhadap beberapa jenis makanan baru
akan timbul dalam waktu 24 jam, sedangkan untuk masalah pencernaan membutuhkan waktu yang lebih lama [3].
Adanya perbedaan reaksi terhadap suatu bahan makanan dan kemungkinan alergi yang dialami bayi membuat ibu harus memberikan perhatian lebih dalam memilih dan memberikan jenis makanan baru. Oleh karena itu diperlukan sebuah sistem yang dapat merekomendasikan resep MPASI secara personal yang memperhatikan bahan-bahan yang sesuai usia bayi dan memuat aturan tunggu empat hari sehingga ibu dengan mudah mendapatkan resep MPASI sekaligus memantau reaksi bayi terhadap berbagai jenis makanan. Sistem rekomendasi merupakan perangkat lunak serta teknik menyediakan saran untuk item-item yang akan digunakan seorang user, yang utamanya ditujukan bagi individu yang kurang berpengalaman untuk mengevaluasi banyaknya jumlah alternatif item yang ditawarkan [4].
Penelitian terkait masalah ini telah dilakukan oleh Freyne [5] dengan membandingkan beberapa pendekatan yang digunakan untuk menentukan resep makanan secara personal. Dari hasil penelitian ditemukan bahwa metode content-based memiliki keunggulan yang lebih dari metode lain pada sisi prediksi akurasi. Penelitian lainnya oleh Mooney [6] dengan mengembangkan sistem rekomendasi buku content-based menggunakan algoritma
Bayesian. Hasil dari prediksi digunakan untuk memberikan rekomendasi kepada user dengan menggunakan top-scoring recommendation. Penelitian mengenai food recommender system
secara content based telah dilakukan oleh Tatli [7] dengan cara menghitung similarity menggunakan TF-IDF dan cosine similarity. Similarity antar resep dihitung berdasarkan bahan-bahan yang terdapat di dalam resep.
Dalam penelitian ini sistem rekomendasi content-based yang bersifat personal dipilihkarena adanya perbedaan bahan makanan pada tiap usia bayi maupun bahan pemicu alergi pada bayi, sehingga resep direkomendasikan menurut bahan yang sesuai dengan profil bayi. Sedangkan metode Naïve Bayes dipilih karena memiliki akurasi yang tinggi tanpa memerlukan data training dalam jumlah besar. Selain itu hasil rekomendasi Naïve Bayes
tidak hanya merekomendasikan resep dengan bahan yang disukai
user, tetapi juga dapat memunculkan resep dengan bahan baru. Hal ini terkait dengan variasi makanan bayi agar MPASI yang dikonsumsi menjadi lebih beragam. Sistem merekomendasikan resep berdasarkan usia bayi, kemudian user melakukan feedback
berupa suka, tidak suka, atau alergi terhadap resep yang telah dipilih. Hasil feedback dari user kemudian akan disimpan dan digunakan dalam perhitungan Naïve Bayes untuk merekomendasikan resep.
2. TINJAUAN PUSTAKA
2.1 Makanan Pendamping Air Susu Ibu (MPASI)
dengan jumlah nutrisi yang didapatkan dari ASI saja, karena jika kesenjangan tersebut tidak dipenuhi maka pertumbuhan bayi akan terhambat atau mungkin berhenti [8] .
Beberapa faktor yang harus diperhatikan dalam pemberian MPASI yaitu faktor usia, frekuensi, jumlah pemberian, tekstur, keberagaman makanan, reaksi keaktifan bayi terhadap makanan dan kehigienisannya [9]. Faktor lain yang harus diperhatikan dalam pemberian MPASI adalah alergi makanan. Pada bayi biasanya alergi makanan disertai dengan gangguan pencernaan, seperti sakit perut, BAB yang tidak lancar, bahkan muntah [3]. Alergi makanan pada bayi ini cenderung lebih sering terjadi di usia 0-12 bulan [10]. Untuk itu pemberian bahan makanan pada bayi harus disesuaikan usia dengan bahan yang dikenalkan.
2.2 Aturan Tunggu Empat Hari (Four Days Wait Rule) Alergi terhadap beberapa jenis makanan pada bayi baru akan menimbulkan reaksi dalam waktu 24 jam, sedangkan untuk masalah pencernaan bisa lebih lama. Four days wait rule
mengharuskan bayi diberikan satu jenis bahan baru selama empat hari berturut-turut untuk melihat kemungkinan alergi bayi terhadap jenis bahan makanan yang dikenalkan [3]. Reaksi alergi yang ditimbulkan oleh makanan bermacam-macam, seperti gatal, kemerahan, mual, sesak napas dan diare.
2.3 Sistem Rekomendasi
Sistem rekomendasi adalah sebuah perangkat lunak yang memberikan saran mengenai item yang berguna bagi pengguna aplikasi.Saran yang diberikan berhubungan dengan pengambilan keputusan. Sistem rekomendasi utamanya ditujukan bagi individu yang kurang berpengalaman atau berkompeten untuk mengevaluasi banyaknya jumlah alternatif item yang ditawarkan. Dalam bentuk paling sederhana, rekomendasi disajikan dalam bentuk daftar ranking item [4].
Beberapa pendekatan yang digunakan untuk sistem rekomendasi [10], yaitu collaborative filtering, content-based , knowledge-based, danpendekatan hybrid.
2.4 Content-Based Recommendation
Sistem rekomendasi content-based menganalisis deskripsi dari item untuk mengidentifikasi itemlain apa yang menarik bagi user
[11]. Item yang direkomendasikan serupa dengan item yang disukai user di masa lalu. Kesamaan antar item dihitung berdasarkan fitur yang ada pada item yang dibandingkan [4].
Proses rekomendasi pada content-based recommendation
terdiri dari 3 tahap, yaitu: content analyzer, profile learner, dan
filtering component. Proses pertama dilakukan oleh content analyzer, yaitu ketika terdapat informasi tidak terstruktur seperti teks, maka akan dilakukan preprocesing untuk mengekstraknya menjadi informasi yang terstruktur.
Proses kedua adalah pada profile learner, dimana pada tahap ini sistem akan mengumpulkan informasi dari item representation
dan user feedback untuk membangun user profile.
Filtering component akan memprediksi apakah suatu item
akan menarik untuk user dengan melakukan pencocokan antara
user profile dan item representation untuk mengenerate rekomendasi yang akan diberikan kepada user.
2.5 Algoritma Naïve Bayes
Naïve Bayes Classifier merupakan sebuah metode klasifikasi dengan probabilitas sederhana yang mengaplikasikan Teorema
Bayes. Keuntungan penggunaan metode Naïve Bayes adalah metode ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian [13].
Metode Naive Bayes Classifier menempuh dua tahap dalam proses klasifikasi teks, yaitu tahap pelatihan dan tahap klasifikasi. Pada tahap pelatihan dilakukan proses tehadap sampel data yang sedapat mungkin dapat menjadi representasi data tersebut. Selanjutnya adalah penentuan probabilitas prior bagi tiap kategori berdasarkan sampel data. Pada tahap klasifikasi ditentukan nilai kategori dari suatu data berdasarkan term yang muncul dalam data yang diklasifikasi. Teorema Naïve Bayes dapat dinyatakan dalam persamaan 2.1.
PXk| Y = P Y|Xk P(Y|Xi)
i ……….(2.1) Dimana, keadaan Posterior (Probabilitas Xk di dalam Y) dapat
dihitung dari keadaan prior (Probabilitas Y di dalam Xk dibagi
dengan jumlah dari semua probabilitas Y di dalam semua Xi).
Untuk dapat mengklasifikasikan resep MP-ASI, dalam penelitian ini penulis menggunakan metode Naive Bayes untuk klasifikasi teks, seperti yang dilakukan Manning [3] sebagai berikut:
P(v1|C = c) = � �
( 1 , )
� � ( ) ………(2.2)
Dimana v1 dalam penelitian ini adalah satu jenis bahan makanan
tertentu dalam resep, sedangkan � � ( 1 , ) menunjuk pada jumlah kemunculan suatu bahan makanan yang diberi feedback“suka” oleh user.� � menunjuk pada jumlah semua bahan makanan yang ada pada database resep.
Untuk menghindari adanya nilai nol pada probabilitas, maka diberlakukan Laplace (add-one) smoothing, sehingga:
P(v1|C = c) =
� � 1 , +1
� � +|�| ………(2.3) Dimana � menunjuk pada jumlah semua bahan makanan yang ada pada database resep. Rekomendasi resep dalam penelitian ini didapatkan dengan top-10 recommendation.
3. METODOLOGI
Studi Literatur
Pengumpulan Data
Analisa Penerapan Metode
Pembangunan Sistem
Pengujian dan Evaluasi Sistem Rekomendasi
3.1 Pengumpulan Knowledge (Pengetahuan)
Penelitian ini dimulai dengan studi literatur untuk mengumpulkan bahan referensi yang membahas mengenai sistem rekomendasi, aturan-aturan pemberian MPASI, content-based
recommendation serta metode Naive Bayes guna memahami bagaimana proses serta cara penerapannya dalam merekomendasikan resep. Studi literatur ini mengambil dari buku, jurnal-jurnal penelitian terkait, maupun internet.
3.2 Pengumpulan Data
Penelitian ini menggunakan data sekunder resep MPASI yang sudah diklasifikasikan berdasarkan usia. Data diambil dari sumber cetak maupun elektronik, yaitu:
1) Buku 146 Resep MPASI untuk Superbaby
2) Web www.ayahbunda.co.id, www.carimakananbayi.com, dan www.mpasirumahan.com
3.3 Analisa Penerapan Metode
Melakukan analisa fungsi-fungsi untuk pembangunan sistem rekomendasi berdasarkan aturan yang diperoleh dari pengumpulan
knowledge.
3.4 Pembangunan Sistem
Penulisan kode program dalam penelitian ini menggunakan bahasa pemograman PHP (Hypertext Preprocessor) dan MySQL dan sebagai penyimpanan data.
3.5 Pengujian dan Evaluasi Sistem Rekomendasi
Sistem akan diujicobakan dan dievaluasi oleh user yang merupakan 30 dengan bayi usia 6-24 bulan yang memasuki masa pemberian MPASI.
Evaluasi dilakukan dengan memberikan kuisioner kepuasan pengguna (user satisfaction). Daftar pertanyaan untuk evaluasi kepuasan pengguna ditunjukkan pada Tabel 1. Kriteria penilaian menggunakan skala 1 sampai dengan 5. Dengan nilai terendah 1 dan nilai tertinggi 5. Berikut adalah rinciannya:
1 = sangat tidak setuju 2 = tidak setuju 3 = cukup setuju 4 = setuju 5 = sangat setuju
Tabel 1. Daftar pertanyaan untuk evaluasi kepuasan user
No Pertanyaan
1. Tampilan sistem bersahabat / tidak membingungkan 2. Informasi yang diberikan sudah sesuai dengan yang
diharapkan
3. Keberlanjutan untuk menggunakan sistem di waktu berikutnya
Dari hasil penilaian dari user kemudian dapat dihitung perolehan rating dari sistem rekomendasi dengan rumus sebagai berikut:
Rating = ∗ ( )…….(3.1)
dimana:
opsi(x) = pilihan skala sangat tidak setuju, tidak setuju, cukup setuju, setuju, dan sangat setuju nilai skala(x) = skala 1 sampai 5
4. PEMBAHASAN
4.1 Pengumpulan Knowledge (Pengetahuan)
Hasil dari studi pustaka diperoleh rule untuk pengenalan bahan makanan baru selama empat hari dengan four days wait rule [3]. Selain itu untuk meminimalisasi terjadinya alergi pada bayi, maka bahan makanan alergen diberikan ketika bayi sudah memasuki usia 12 bulan. Bahan alergen tersebut diantaranya: putih telur, ikan laut, kacang tanah, kerang-kerangan dan buah yang rasanya asam.
kacangan hijau hijau, penelitian ini adalah sebagai berikut:
1) Data bahan makanan : 127 records
2) Data resep : 1349 records
4.3 Analisa Penerapan Metode
Sistem rekomendasi ini dibangun dengan fungsi-fungsi berdasar aturan yang diperoleh dari pengumpulan knowledge,
yaitu:
1) Resep sudah dikelompokkan berdasarkan usia.
2) Bayi harus selalu dikenalkan dengan bahan makanan baru agar makanannya bervariasi. Bahan yang dikenalkan merupakan bahan-bahan yang terdapat di database dan belum pernah dicoba oleh user.
3) Pengenalan bahan baru untuk bayi dilakukan dengan memberikan satu per satu bahan yang akan dikenalkan atau dengan mengkombinasikan bahan tersebut dengan yang sudah dicoba sebelumnya. Fungsinya adalah agar jika terjadi alergi, dapat langsung diketahui alergennya.
4) Selama pengenalan bahan baru, four days wait rule
dijalankan untuk mengetahui reaksi bayi terhadap bahan yang dikenalkan.
5) Feedback yang diberikan oleh user suka : bernilai 1
tidak suka : bernilai 0
alergi : sistem memfilter resep yang mengandung bahan allergen agar tidak dimasukkan dalam rekomendasi
6) Hasil keluaran berupa rekomendasi resep yang disesuaikan dengan profil bayi.
4.4 Implementasi Sistem
Sistem ini akan bekerja sesuai dengan diagram alur kerja sistem pada Gambar 2 dan Gambar 3. Gambar 2 merupakan alur kerja sistem untuk user baru dimana user yang baru pertama kali memakai sistem rekomendasi ini diharuskan melakukan pendaftaran dengan mengisi beberapa kolom input (lihat Gambar
4). Data inputan yang harus diisi berupa username dan password
untuk user login, nama bayi dan tanggal lahir. Kolom input bahan yang disukai diberi nilai 15 sebagai inisialisasi awal agar menghasilkan rekomendasi yang optimal terkait bahan kesukaan bayi. Kolom bahan yang sudah pernah dicoba dan bahan alergi digunakan untuk mendapatkan initial user profile. Dari inputan bahan yang sudah dicoba akan diketahui bahan apa saja yang sudah dicoba oleh bayi, sehingga resep yang direkomendasikan berupa resep dengan satu bahan baru atau resep kombinasi antara satu bahan bahan baru dan bahan-bahan yang sudah pernah dicoba. Sedangkan hasil dari input bahan alergi akan memblacklist semua resep yang mengandung bahan alergen.
Alur kerja sistem untuk user yang sudah mempunyai profil sebelumnya dapat dilihat di Gambar 3. Saat login, user diharuskan untuk mengisi feedback dari resep yang didapat sebelumnya untuk memperbarui user profile.
Mulai
Data bayi (username, password, nama, tanggal lahir, bahan disuka, bahan yang pernah dicoba, bahan yang alergi)
Gambar 2. Alur kerja sistem untuk user baru
Mulai
Gambar 4. Halaman Pendaftaran User Baru
Sebagai contoh penerapan metode Naïve Bayes dalam penelitian ini pada user usia delapan bulan yang suka bahan ayam dan sudah memilih dan memberi feedback pada beberapa resep selama empat hari seperti pada Tabel 3 berikut.
Tabel 3. Resep yang sudah dicoba user
Hari
ke- Nama resep Bahan Feedback
1 Puree mangga wortel
Mangga, jeruk, wortel
Tidak suka 2 Bubur mangga
kentang Mangga, kentang Suka
3 Bubur mangga apel Mangga, apel Suka 4 Bubur mangga
kentang Mangga, kentang Suka
Sehingga pada hari ke-5 sistem akan merekomendasikan resep seperti pada Gambar 5.
Gambar 5. Hasil Rekomendasi Resep Dari Hitungan Naïve Bayes
Pada halaman rekomendasi di Gambar 5, sistem menyajikan sepuluh resep rekomendasi untuk user. Resep nasi tim ayam yang berbahan ayam dan beras merah menempati urutan pertama dalam rekomendasi. Hasil rekomendasi tersebut diperoleh dari perhitungan Naïve Bayes sebagai berikut.
P(disukai) = ′ ′
= 3
4
P(ayam) =( +15)+1
+
= 0+15 +1 6+4 = 16
10
P(beras merah) = +1
+ = 0+1
6+4 = 1
10
P(Nasi tim ayam)
= P(disukai) x P(ayam)xP(beras merah) = 3
4 x 16 10 x
1 10 = 0.12
4.5 Pengujian dan Evaluasi Kepuasan Sistem
Pengujian akurasi dan evaluasi kepuasan user pada penelitian ini dilakukan oleh 30 responden yang merupakan ibu dengan bayi usia 6-24 bulan yang familiar dengan gadget. Pengujian akurasi didapatkan dari rata-rata jumlah resep yang disukai user
dibandingkan jumlah semua resep yang telah diberi feedback oleh
user. Hasil dari pengujian akurasi sistem rekomendasi dapat dilihat pada Tabel 4
Tabel 4 Hasil Pengujian Akurasi Sistem pada Resep yang Dicoba
User
User ke-
∑
Resep yang dipilih
∑
Resep disukai
∑
Resep tidak
suka
Akurasi rekomendasi
(dalam %)
1 15 12 3 80
2 15 11 4 73.3333
3 15 11 4 73.3333
4 12 11 1 91.6667
5 10 9 1 90
6 12 10 2 83.3333
7 11 8 3 72.7273
8 12 12 0 100
9 10 10 0 100
10 15 14 1 93.3333
11 18 14 4 77.7778
12 10 8 2 80
13 22 17 5 77.2727
14 10 9 1 90
15 12 9 3 75
16 20 15 5 75
17 11 6 5 54.5455
18 18 15 3 83.3333
20 15 11 4 73.3333
21 22 20 2 90.9091
22 24 19 5 79.1667
23 11 9 2 81.8182
24 14 11 3 78.5714
25 15 12 3 80
26 12 10 2 83.3333
27 20 17 3 85
28 19 15 4 78.9474
29 20 15 5 75
30 10 7 3 70
Rata-rata akurasi 80.3612 Dari tabel hasil pengujian akurasi sistem pada resep yang dicoba
user didapatkan nilai akurasi rekomendasi rata-rata dengan cara Akurasi sistem =
∗ ( )
= 80.36%
Sedangkan untuk mengevaluasi kepuasan user, diberikan kuisioner dengan tiga pertanyaan pada Tabel 1 dengan nilai terendah 1 dan nilai tertinggi yaitu 5. Rating akhir dari hasil evaluasi kepuasan user dapat dilihat pada Tabel 5.
Tabel 5. Hasil Kuisioner pada User
Nilai
Jumlah pemilih Tampilan sistem
bersahabat/ tidak
membingungkan
Informasi yang diberikan sudah sesuai dengan yang diharapkan
Keberlanjutan menggunakan sistem di waktu berikutnya
1 0 0 0
2 0 3 0
3 5 7 8
4 9 13 10
5 16 7 12
Dari hasil kuisioner kepada user kemudian dilakukan perhitungan rating sebagai berikut:
Rating untuk tampilan
= 1 0 + 2 0 + 3 5 + 4 9 + (5 16)
30 = 4.37
Rating untuk informasi yang diberikan = 1 0 + 2 3 + 3 7 + 4 13 + (5 7)
30 = 3.8
Rating untuk keberlanjutan penggunaan sistem = 1 0 + 2 0 + 3 8 + 4 10+ (5 12)
30 = 4.13
Dengan merujuk pada hasil kuisioner di Tabel 4.3, didapatkan rating kepuasan user untuk tampilan sistem 4.37 dari skala 5. Rating untuk informasi yang diberikan sebesar 3.8. Sedangkan tingkat kepuasan untuk keberlanjutan penggunaan sistem rekomendasi adalah 4.13.
5. PENUTUP 5.1 Kesimpulan
Pada penelitian ini telah dibangun sebuah sistem rekomendasi MPASI dengan metode Naïve Bayes dan aturan MPASI yang berupa aturan tunggu empat hari dan pemberian bahan baru untuk bayi usia 6-24 bulan dengan memperhatikan riwayat alergi bayi. Dari hasil percobaan diperoleh akurasi dari sistem rekomendasi sebesar 80.36%. Evaluasi tingkat kepuasan user terhadap sistem rekomendasi menghasilkan rating 4.37 untuk tampilan sistem, 3.8 untuk informasi resep yang direkomendasikan dan 4.13 untuk keberlanjutan penggunaan sistem yang menandakan bahwa sistem rekomendasi yang dibangun sudah berjalan dengan baik bagi user.
5.2 Saran
Untuk pengembangan penelitian ini selanjutnya dapat dilakukan dengan memperbaiki user profile jika terjadi user ¬login setelah beberapa waktu tidak menggunakan sistem rekomendasi, sehingga sistem dapat merekomendasikan resep secara lebih akurat sesuai dengan profil bayi user yang baru.
6. DAFTAR PUSTAKA
[1] United Nation Children’s Fund. 2010. Facts for Life 4th Edition, New York
[2] Agostoni, C., Decsi, T., Fewtrell, M., Goulet, O., Kolacek, S., Koletzko, B., et al. 2008. Complementary Feeding: A Commentary by the ESPGHAN Committee on Nutrition.
dalam Journal of Pediatric Gastroenterology and Nutrition : 99-110.
[3] 4 day wait rule.
http://wholesomebabyfood.momtastic.com/4daywaitrule.ht m diakses pada 18 September 2013
[4] Ricci, F., Rokach, L., Shapira, B., & Kantor, P. B. (2011).
Recommender Systems Handbook. New York : Springer Science & Business Media.
[5] Freyne, J.; Berkovsky, S. 2010. Intelligent Food Planning: Personalized Recipe. dalam Proceeding of The 15th International Conference on Intelligent User Interfaces : 321-324.
[6] Mooney, Raymond J.; Roy, Loriene. 2000. Content-Based
Book Recommending Using Learning for Text
Categorization. Dalam Proceedings of the Fifth ACM Conference on Digital Libraries : 195-240
[7] Tatli, Ipek. 2009. Food Recommendation System.
Knowlegde Engineering Project
[8] Departement of Nutrition for Health and Development. 2000. Complementary Feeding. New York : World Health 0rganization.
[9] PAN American Health Organization. 2001. Guding Principles for Complementary Feeding of The Breastfeed Child. Washington: World Health Organization.
[10] Aning, I. P. & Kristianto, Y. 2014. 146 Resep MPASI untuk Superbaby. Surabaya : Genta Group Production.
[11] Jannach, Dietmar., Zanker, Markus., et al. 2011.
Recommender System an Introduction. New York : Cambridge University Press
[12] Pazzani, M.J.; Billsus, Daniel. 2007. Content-Based Recommendation Systems. dalam The Adaptive Web. Springer: 325-341
![Tabel 2. Tabel Bahan Makanan Bayi Berdasarkan Usia [10]](https://thumb-ap.123doks.com/thumbv2/123dok/237208.402241/3.595.57.556.179.718/tabel-tabel-bahan-makanan-bayi-berdasarkan-usia.webp)
