KOMPARASI ALGORITMA K-MEANS DAN FUZZY C-MEANS DALAM ANALISIS CLUSTERING MENU PADA PERUSAHAAN MAKANAN CEPAT SAJI MULTINASIONAL

Abstract

Tingginya konsumsi makanan cepat saji secara global menimbulkan tantangan dalam mengidentifikasi pola distribusi nutrisi secara otomatis dan objektif. Permasalahan utama yang dihadapi adalah sulitnya menentukan algoritma clustering yang paling optimal untuk memetakan menu makanan berdasarkan kandungan kalori dan lemak. Penelitian ini bertujuan untuk membandingkan performa algoritma K-Means dan Fuzzy C-Means (FCM) dalam pengelompokan menu makanan cepat saji menggunakan dataset Fast Food Nutrition dari Kaggle. Metode yang digunakan mencakup prapemrosesan data (normalisasi Z-score), penentuan jumlah klaster optimal (K-Means dengan Elbow Method menghasilkan k=3; FCM dengan Fuzzy Partition Coefficient menghasilkan k=2), serta evaluasi menggunakan Silhouette Score dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa Fuzzy C-Means menghasilkan pengelompokan yang lebih baik dibandingkan K-Means, dengan Silhouette Score sebesar 0,5905 (lebih tinggi) dan DBI sebesar 0,6530 (lebih rendah). Temuan ini membuktikan bahwa pendekatan logika fuzzy memberikan hasil pengelompokan yang lebih solid dan efisien secara matematis untuk dataset nutrisi makanan cepat saji dibandingkan pendekatan hard clustering