Implementasi Algoritma Particle Swarm Optimization (PSO) untuk Optimasi Pemenuhan Kebutuhan Gizi Balita

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 11, November 2017, hlm. 1321-1330

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Implementasi Algoritma Particle Swarm Optimization (PSO) untuk Optimasi Pemenuhan Kebutuhan Gizi Balita Leni Istikomah1, Imam Cholissodin2, Marji3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Balita adalah anak dengan rentang umur 1-5 tahun. Menurut Riskesdas, pada tahun 2007, 2010, dan 2013 presentase kasus kekurangan gizi cenderung meningkat terutama pada balita. Upaya perbaikan gizi balita telah dilakukan pemerintah melalui Posyandu untuk memonitoring dan memberikan pelayan lebih terhadap balita. Kebutuhan gizi orang Indonesia telah diatur dalam pedoman gizi seimbang yang dikeluarkan oleh Kementerian Kesehatan RI, termasuk pedoman gizi untuk memenuhi kebutuhan gizi pada balita. Namun, pada pedoman gizi tersebut hanya menyediakan nilai dari kandungan gizi setiap bahan makanan sehingga menyulitkan petugas Posyandu untuk memberikan variasi menu agar sesuai dengan kebutuhan gizi balita. Pada penelitian ini memberikan rekomendasi variasi bahan makanan secara otomatis selama 7 hari 3 kali makan dengan menggunakan proses optimasi dari algoritma Particle Swarm Optimization yang dapat memudahkan Posyandu dan orang tua balita dalam menyediakan makanan sehari-hari sesuai kebutuhan gizi balita. Berdasarkan hasil pengujian, parameter yang paling optimal adalah Jumlah Partikel=30, Wmin=0.4, Wmax= 0.7, C1=2, C2=1.5, Jumlah Iterasi=40 dan Batas Atas angka permutasi sebesar 75 menghasilkan rata-rata selisih energi, protein, lemak dan karbohidrat sebesar 16.04%, -8.08%, 2.85% dan 25.98% yang mampu menghemat pengeluaran orangtua balita sebesar 28.56%. Kata Kunci: Particle Swarm Optimization, optimasi, gizi, balita, bahan makanan.

Abstract Toddlers are children with 1-5 years age range. According to Riskesdas, in the year 2007, 2010, and 2013 the percentage of cases of malnutrition tends to increase, especially in toddlers. In the fulfillment of nutrients, one type of food alone is not enough so it requires a variety of food ingredients that contain all the elements of nutrients. Efforts to improve child nutrition have been done by the government through Posyandu to monitor and provide more servants to toddlers. Nutrition needs of Indonesian people has been set in the guidelines of Pedoman Gizi Seimbang by the Ministry of Health Republic Indonesia, including nutritional guidelines to meet the nutritional needs of infants. However, the nutritional guidelines only provide the value of the nutrient content of each foodstuff, making it difficult for Posyandu staff to provide menu variations to fit the needs of children according to their health condition. In this research give recommendation of variation of foodstuff automatically by using optimization process of Particle Swarm Optimization algorithm so that it can facilitate Posyandu and parents of toddlers in providing daily food according to the nutritional needs of toddlers. Based on the test results, the most optimal parameter is the number of particles = 30, Wmin = 0.4, Wmax = 0.7, C1 = 2, C2 = 1.5, Number of iterations = 40 and Upper Limit Permutation number of 75 resulting in average energy, protein, fat and carbohydrate difference of 16.04%, -8.08%, 2.85% and 25.98% which can save parents toddlers by 28.56%. Keywords: Particle Swarm Optimization, optimization, nutrition, child, food.

Pemberian gizi yang cukup akan membantu perkembangan dan pertumbuhan otak seorang anak (Santoso, 2004). Seorang anak dikatakan balita jika rentang umurnya 1-5 tahun (Mitiyani, 2010), istilah umumnya adalah anak dibawah

1. PENDAHULUAN Gizi adalah hal yang penting dan sangat perlu diperhatikan pada setiap manusia. Fakultas Ilmu Komputer Universitas Brawijaya

1321

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

lima tahun (Muaris, 2006). Tingkat konsumsi yang diberikan pada tubuh sangat mempengaruhi kesehatan gizi. Tingkat Konsumsi pangan masyarakat Indonesia cenderung dibawah standar (Kemenkes, 2014). Pada tahun 2007, 2010, dan 2013 presentase kasus kekurangan gizi cenderung meningkat. Umumnya kelompok usia yang menderita kurang gizi adalah balita. Kurang kalori, protein, yodium, zat besi, vitamin, dan mineral merupakan penyebab utama balita kurang gizi (Santoso, 2004). Prevalensi anak balita kurang gizi (underweight) tahun 2007 sebesar 18,4%, tahun 2010 sebesar 17,9%, dan tahun 2013 sebesar 37,2% (Kemenkes, 2014). Sehingga balita membutuhkan tingkat konsumsi yang cukup agar terhindar dari kekurangan gizi. Kekurangan gizi akan mengakibatkan sulitnya memperbaiki kualitas bangsa (Widjaja, 2008). Upaya perbaikan gizi balita telah dilakukan pemerintah dengan menyediakan pelayanan kesehatan untuk monitoring kesehatan balita yang dapat dilakukan di posyandu. Posyandu merupakan perpaduan antara pos keluarga berencana desa, pos imunisasi, pos timbang, pos vaksinasi, dan pos kesehatan desa yang dikenal dengan kegiatan lima meja. Posyandu merupakan pos yang tepat sebagai solusi mempertahankan kesehatan balita (Santoso, 2004). Posyandu Gladiol 34 desa Wringin Agung Kab. Jember memiliki program untuk memenuhi gizi balita dalam bentuk saran dan peringatan. Saran yang diberikan oleh posyandu berupa bahan makanan yang dapat dikonsumsi oleh balita tersebut agar menambah berat badan dan meningkatkan kesehatan. Dalam memberikan rekomendasi bahan makanan, petugas harus mengingat dan membuka pedoman bahan makanan yang dianjurkan oleh DEPKES RI sehingga membutuhkan waktu yang lama terkadang hanya diberikan menumenu atau bahan makanan yang dapat dikonsumsi secara umum (tidak sesuai kondisi balita). Adanya kendala tersebut, membuat posyandu membutuhkan sistem cerdas yang dapat membantu petugas dalam merekomendasikan bahan makanan sesuai kondisi kesehatan gizi balita. Tubuh manusia membutuhkan zat gizi yang diperlukan oleh tubuh untuk tumbuh dan berkembang. Tumbuh berati bertambahnya materi tubuh seorang anak dan berkembang berati terjadinya kemajuan fungsi, kapasitas fisiologis badan atau organ badan. Dalam pemenuhan zat gizi, satu jenis makanan saja Fakultas Ilmu Komputer, Universitas Brawijaya

1322

tidak cukup sehingga memerlukan variasi bahan makananan yang mengandung semua unsur zat gizi (Alhamda & Sriani, 2014). Begitu pula dengan balita yang merupakan masa emas tumbuh dan berkembang yang memerlukan begitu banyak zat bergizi. Nilai kecukupan gizi yang diperlukan oleh masyarakat Indonesia, termasuk balita diatur dalam Tabel AKG (Angka Kecukupan Gizi). Dalam hal ini, teknologi optimasi pemenuhan kebutuhan gizi balita akan membantu memberikan solusi dengan cara menghitung kebutuhan gizi yang diperlukan oleh setiap balita dengan acuan berat badan, tinggi badan dan umur. Pengukuran pertumbuhan Berat Badan(BB), Tinggi Badan(TB) dan umur dapat membantu mengetahui status gizi balita yang selanjutnya dapat diketahui variasi bahan makanan dalam memenuhi kebutuhan gizi balita(Santoso, 2004). Berdasarkan uraian di atas, penulis mengajukan penelitian dengan judul “Implementasi Algoritma Particle Swarm Optimization (PSO) Untuk Optimasi Pemenuhan kebutuhan Gizi Balita”. 2. LANDASAN KEPUSTAKAAN 2.1 Balita Balita merupakan kelompok anak dibawah lima tahun yang memiliki tingkat pertumbuhan dan perkembangan yang sangat cepat (Sutomo, 2014). Gambar 1 menunjukkan perkembangan balita dari umur 0-5 tahun.

Gambar 1. Perkembangan Balita

Menurut RSCM dan PERSAGI (2003). Penuntun DIIT Anak, terdapat beberapa perhitungan dalam menentukan kebutuhan energi dan zat gizi seorang Balita. Persamaan untuk menghitung kebutuhan energi dan zat gizi setiap Balita (1-5 tahun) dapat dilihat pada Persamaan (1) untuk menghitung BBI (Berat Badan Ideal), Persamanan (2) dan Persamaan (3) untuk menghitung Kebutuhan Energi, Persamaan (4) untuk menghitung Kebutuhan


Protein, Persamaan (5) untuk menghitung Kebutuhan Lemak dan Persamaan (6) untuk

menghitung Kebutuhan Karbohidrat. 𝐵𝐵𝐼 = (𝑢𝑚𝑢𝑟 ∗ 2) + 8 𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖 = 100 𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖 = 90

(1)

𝑘𝑎𝑙𝑜𝑟𝑖 𝑘𝑔

𝑘𝑎𝑙𝑜𝑟𝑖 𝑘𝑔

(𝑢𝑚𝑢𝑟 1 − 3 𝑡𝑎ℎ𝑢𝑛) (2)

(𝑢𝑚𝑢𝑟 4 − 5 𝑡𝑎ℎ𝑢𝑛)

(3)

𝐾𝑒𝑏. 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = (10% ×𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖) ÷ 4

(4)

𝐾𝑒𝑏. 𝐿𝑒𝑚𝑎𝑘 = (20%×𝑘𝑒𝑏. 𝑒𝑛𝑒𝑟𝑔𝑖) ÷ 9

(5)

𝐾𝑒𝑏. 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = (70%×𝑘𝑒𝑏. 𝑒𝑛𝑒𝑟𝑔𝑖) ÷ 4 (6)

2.2 Prosedur Algoritma PSO Ada beberapa prosedur yang harus dilakukan untuk menerapkan Algoritma PSO dalam menyelesaikan masalah menurut Santoso (2011): 1. Insialisasi partikel dan membangkitkan kecepatan secara random Inisialisasi partikel dapat menggunakan pengkodean yang bertujuan menyederhanakan masalah. Dalam pengkodean masalah, Sulistiowati (2016) menggunakan angka permutasi dalam merepresentasikan nilai dimensi dan selanjutnya dimensi tersebut akan dikonversi kedalam indeks bahan makanan. Konversi nilai dimensi menjadi Indeks Bahan Makanan ditunjukkan pada Persamaan (7). 𝑖𝑛𝑑𝑒𝑘𝑠 𝑑𝑖𝑚𝑒𝑛𝑠𝑖 𝑘𝑒 − 𝑖 = ((𝑥 − 1) (

𝑦−1 𝑧−1

)) + 1

(7)

Keterangan: 𝑥 = jumlah anggota jenis bahan makanan ke-i 𝑦 = nilai dimensi ke-i 𝑧 = batas atas angka permutasi Jika diketahui jumlah anggota PH (Protein Hewani) = 40 dan batas atas=65, maka 18 − 1 𝑖𝑛𝑑𝑒𝑘𝑠 𝑑𝑖𝑚𝑒𝑛𝑠𝑖 𝑘𝑒 − 1 = (40 − 1) ( )+1 65 − 1 = 11

Bahan makanan yang direkomendasikan pada dimensi 1 adalah bahan makanan berjenis protein hewani dengan nomor indeks 11. 2. Evaluasi partikel dengan cara membandingkan nilai fitness Nilai fitness digunakan sebagai acuan untuk menentukan Gbest dan Pbest. Pada Fakultas Ilmu Komputer, Universitas Brawijaya

1323

penelitian yang dilakukan oleh Eliantara (2016) nilai fitness menggunakan Persamaan (8). 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 =

1 𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝐺𝑖𝑧𝑖

. 𝑐𝑜𝑛𝑠𝑡1 +

1 𝑇𝑜𝑡𝑎𝑙 𝐻𝑎𝑟𝑔𝑎

. 𝑐𝑜𝑛𝑠𝑡2 +

(8)

𝑣𝑎𝑟𝑖𝑎𝑠𝑖

const1 dan const2 merupakan penyeimbang nilai fitness karena perhitungan variasi menghasilkan angka puluhan. const1 digunakan untuk pembagian PenaltiGizi sedangkan const2 digunakan untuk pembagian total harga dengan nilai konstanta const1 = 100000 dan konstanta const2 = 1000000. 3. Mencari Pbest Mencari Pbest dilakukan dengan cara membandingkan nilai Pbest sebelum dan sesudah Iterasi. Jika nilai fitness partikel baru lebih besar dari fitness Pbest sebelumnya maka partikel tersebut dijadikan Pbest terbaru. 4. Mencari Gbest sebagai partikel terbaik dari seleruh anggota swarm Nilai Gbest didapatkan dari nilai fitness Pbest tertinggi. 5. Memperbarui Kecepatan (Velocity) dan posisi partikel Nilai velocity didapatkan dari penjumlahan momentum dan pengalaman yang diambil dari Gbest dan Pbest. Momentum didapatkan dengan cara mengkalikan bobot inersia dan kecepatan sebelumnya. Untuk menentukan nilai velocity dapat melihat Persamaan (9). Untuk menghitung bobot inersia dapat dilihat pada Persamaan (10). 𝑉𝐽𝑘 = 𝑊𝑉𝐽𝑘 + 𝐶1 𝑟𝑎𝑛𝑑1 × (𝑃𝑏𝑒𝑠𝑡𝑗 − 𝑋𝑗𝑘 ) + 𝐶2 𝑟𝑎𝑛𝑑2 × (𝐺𝑏𝑒𝑠𝑡𝑗 − 𝑋𝑗𝑘 )

𝑊 = 𝑊𝑚𝑎𝑥 −

(9) 𝑊𝑚𝑎𝑥−𝑊𝑚𝑖𝑛 𝑖𝑡𝑒𝑟 𝑚𝑎𝑥

𝑥 𝑖𝑡𝑒𝑟

(10)

Keterangan: 𝑉𝐽𝑘 = velocity dimensi ke-j pada Iterasi ke-k 𝑊= bobot inertia C1 = nilai koefisien akselerasi ke-1 C2= nilai koefisiean Akselerasi ke-2 𝑟𝑎𝑛𝑑 = nilai random [0, 1] Xjk= posisi dimensi ke-j pada Iterasi ke-k Pbestj= nilai Pbest dari dimensi ke-j Posisi terbaru dapat diperoleh dari hasil penjumlahan Posisi sebelumnya dengan Kecepatan baru. Menghitung posisi terbaru menggunakan Persamaan (11) dibawah ini:


𝑋𝑗𝑘+1 = 𝑋𝑗𝑘 + 𝑉𝑗𝑘+1

1324

(11)

Mulai

6. Melanjutkan langkah ke-2 jika stopping condition belum terpenuhi Data Balita, Parameter PSO

3. METODOLOGI Dalam melakukan penelitian ini tahap pertama adalah melakukan studi literatur yang berhubungan dengan objek penelitian. Tahap selanjutnya adalah pengumpulan data, analisis kebutuhan, perancangan sistem, implementasi, pengujian dan analisis. Tahap terakhir adalah penarikan kesimpulan. Data Balita diperoleh dari Posyandu Jember dan wawancara pakar ahli gizi balita (Ummu Ditya Erliana, S.Gz., M.Sc.). Data daftar harga didapatkan berdasarkan survey dari penelitian sebelumnya oleh Felia Eliantara tahun 2016. Perancangan sistem secara umum ditunjukkan pada Gambar 2 yang terdiri dari Input, Proses dan Ouput. Proses Implementasi Algoritma Particle Swarm Optimization (PSO) untuk Pemeneuhan Kebutuhan Gizi Balita dapat dilihat pada Gambar 3. Input

Proses

Output

PSO

Rekomendasi Bahan Makanan

Hitung Kebutuhan Gizi Balita

Inisialisasi Populasi Awal

For i= 1 to itermax

Update Kecepatan

Update Posisi dan Hitung fitness

Update Pbest

Update Gbest

i

Nama, umur, berat badan, tinggi badan

Partikel Terbaik

Gambar 2. Perancangan Sistem

Selesai

Gambar 3. Diagram Alir Penyelesaian Optimasi Pemenuhan Kebutuhan Gizi Balita menggunakan algoritma PSO

3.1 Input Data Data yang dibutuhkan dalam proses penyelesaian Optimasi adalah menggunakan data balita dan parameter PSO. Contoh data balita dapat dilihat pada Tabel 1. Data Balita dan Parameter PSO dapat dilihat pada Tabel 2. Parameter PSO. Tabel 1. Data Balita Nama Celsi

Fakultas Ilmu Komputer, Universitas Brawijaya

Umur (tahun) 3.6

BB (kg) 15.5

TB (cm) 96


1325

Tabel 2. Parameter PSO Jumla h Partike l

2

C

C2

rand1

rand2

2

0.9342

0.396 3

1

2

Iterm ax

Wmin

Wm ax

Bat as Atas

2

0.4

0.7

65

18 11 60 46 12 43

X2

3.2 Hitung Kebutuhan Gizi Sebelum menghitung kebutuhan gizi, perlu diketahui Berat Badan Ideal seorang balita. Contoh perhitungan Berat Badan Ideal: 𝐵𝐵𝐼 = (3.6×2) + 8 = 15.2 𝑘𝑔

Setelah mendapatkan BBI, kebutuhan energi balita dapt dihitung dengan Persamaan (2). Berikut ini contoh perhitungan kebutuhan energi dan kebutuhan gizi balita:

18 11 60 46 12 43

𝐾𝑒𝑏. 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = (10%×1520 𝑘𝑎𝑙𝑜𝑟𝑖) ÷ 4 = 38 𝑔𝑟𝑎𝑚 Pbest2

𝐾𝑒𝑏. 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = (70%×1520 𝑘𝑎𝑙𝑜𝑟𝑖) ÷ 4 = 266 𝑔𝑟𝑎𝑚

46 12 43

Gbest1

3.3.1 Inisialisasi Kecepatan Awal

3.3.2 Inisialisasi Partikel Inisialisasi Partikel merupakan cara untuk mendapatkan nilai dimensi dan untuk menyederhanakan masalah. Pada penelitian ini masalah direpresentasikan dalam bilangan permutasi dimana setiap bahan makanan diwakili satu dimensi oleh setiap partikel sehingga terdapat 189 dimensi berdasarkan dari 7 hari 3 kali makan dan 9 jenis bahan makanan. Jenis Bahan Makanan berjumlah 197 yaitu berdasarkan jenis bahan makanan Protein Hewani sebanyak 40, Protein Nabati sebanyak 13, Lemak sebanyak 12, Karbohidrat sebanyak 17, Sayuran jenis A sebanyak 10, Sayuran Jenis B sebanyak 52, Gula sebanyak 6, Buah sebanyak 40 dan Susu sebanyak 7. Contoh nilai dimensi dapat dilihat pada Tabel 3.

X1

Fitness

Nilai Dimensi PH

PN

…

SA

SB

186.72


Fitness 60 3 33 57 3 36

186.72

190.5

Nilai Dimensi 30 … 59 38 11 50 5

Fitness 57 3 36

190.5

3.4 Update Kecepatan Untuk menghitung kecepatan baru dapat menggunakan Persamaan (9), namun sebelum menghitung kecepatan baru perlu diketahui nilai w yang dapat dilihat pada Persamaan (10). Berikut ini contoh update kecepatan dan menghitung nilai w pada iterasi=1: 𝑊 = 0.7 −

0.7 − 0.4 𝑥 1 = 0.55 2

𝑉11 = 𝑊𝑉11 + 𝐶1 𝑟𝑎𝑛𝑑1 × (𝑃𝑏𝑒𝑠𝑡1 − 𝑋11 ) + 𝐶2 𝑟𝑎𝑛𝑑2 × (𝐺𝑏𝑒𝑠𝑡1 − 𝑋11 ) 𝑉11 = 0.55 ∗ 0 + 2 ∗ 0.9342×(18 − 18) + 2 ∗ 0.3963×(46 − 18) = 22.2

Tabel 6 menunjukkan hasil perhitungan Update Kecepatan pada partikel X1 dan X2. Tabel 6. Hasil Perhitungan Update Kecepatan

Tabel 3. Contoh Inisialisasi Partikel Partikel

Nilai Dimensi 12 … 25 5 60 46 49 30 59 38 11 50 5

Tabel 5. Contoh Inisialisasi Gbest Gbest

Setiap partikel memiliki kecepatan dan kecepatan awal setiap partikel di set dengan nol.

190.5

Tabel 4. Contoh Inisialisasi Pbest

Pbest1

3.3 Insialisasi Populasi Awal

60 3 33 57 3 36

Pada awal Iterasi, nilai Pbest disamakan dengan posisi awal partikel dan nilai Gbest didapatkan dari nilai fitness Pbest yang tertinggi. Contoh inisilisasi Pbest dan Gbest dapat dilihat pada Tabel 4 dan 5.

𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖 = 100

𝐾𝑒𝑏. 𝐿𝑒𝑚𝑎𝑘 = (20%×1520 𝑘𝑎𝑙𝑜𝑟𝑖) ÷ 9 = 33.8 𝑔𝑟𝑎𝑚

25 60 49 59 11 5

3.3.3 Inisialisasi Pbest dan Gbest

Pbest

𝑘𝑎𝑙𝑜𝑟𝑖 15.2 𝑘𝑔 𝑘𝑔 = 1520 𝑘𝑎𝑙𝑜𝑟𝑖

12 5 46 30 38 50

V1

22.2 0.79 -13.5

Iterasi =1 14.3 … 26.16 3.17

26.9 -39 -35

-2.38 0 2.38


V2

0 0 0

0 0 0

0 0 0

0 0 0

1326

Pada Tabel 9 menunjukkan nilai fitness terbesar adalah dari Pbest1, sehingga Gbest iterasi=1 adalah nilai dimensi dari Pbest1. Tabel 8. Hasil Update Pbest

3.5 Update Posisi dan Hitung Fitness Dalam menghitung update menggunakan Persamaan (11) menghitung update posisi:

posisi contoh

Iterasi=1 Pbest

𝑋𝑗𝑘+1 = 𝑋𝑗𝑘 + 𝑉𝑗𝑘+1 Pbest

𝑋10+1 = 𝑋10 + 𝑉10+1 = 18 + 22 = 40

Tabel 7. Contoh Hasil Update Posisi

X1

X2

22.2 0.79 -13.5 46 12 43

Iterasi =1 14.3 … 26.16 3.17 30 38 50

2

26.9 -39 -35 59 11 5

-2.38 0 2.38 57 3 36

Jika penalti dan total harga Partikel X1 yang didapat adalah 721.1 dan 40886.63. Penalti dan Total Harga Partikel X2 adalah 710.725 dan 50501.59. Sedangkan variasi Partikel X1 dan Partikel X2 adalah 26 dan 30, maka: 𝐹𝑖𝑡𝑛𝑒𝑠𝑠(𝑥1,1) =

1 1 100000 + 1000000 + 28 721.07 40886.63 = 191.13

1 1 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 (𝑥2,1) = 100000 + 1000000 + 30 710.725 50501.59 = 190.50

Setelah melakukan update posisi dapat melakukan Normalisasi Posisi, digunakan agar perpindahan posisi tidak melebihi range yang telah ditentukan. Pada contoh perhitungan ini menggunakan batas bawah = 1 dan batas atas = 65, sehingga apabila ada perpindahan posisi yang melebihi batas atas maka di set menjadi 65 dan apabila kurang dari batas bawah maka posisi di set menjadi 1. 3.6 Update Pbest dan Gbest Nilai Pbest baru didapatkan dengan cara membandingkan nilai fitness partikel baru dan fitness Pbest sebelumnya. Nilai fitness terbesar dijadikan sebagai Gbest terbaru. Contoh hasil Update Pbest pada iterasi=1 dan Update Gbest pada iterasi=1 dapat dilihat pada Tabel 8 dan Tabel 9 yang membutuhkan Nilai fitness terbaru daru Update Posisi pada iterasi=1. Fakultas Ilmu Komputer, Universitas Brawijaya

57.6 2

…

14

35.4

… … …

59 11 5

57 3 36

26.3

…

11.8

31.1 6

…

49.2 30 38 50

46.5 3 46 12 43

Pbest

51. 9 21. 2

40.2

1

Hasil update posisi dapat dilihat pada Tabel 7 dibawah ini:

Fitnes s

Nilai Dimensi (posisi)

3

191.1 3

190.5

Tabel 9. Hasil Update Gbest Iterasi=1 Nilai Dimensi (posisi) 46 30 … 59 57 12 38 … 11 3 43 50 … 5 36

Gbest Gbest1

Fitness 190.5

3.7 Hasil Optimasi Hasil optimasi didapatkan dari Gbest pada iterasi terakhir, dapat dilihat pada Tabel 10 Hasil Optimasi. Tabel 10. Hasil Optimasi Hari ke-

Waktu Makan

Nama Bahan Makanan

Jumlah Keb. Berat (g)

Harg a

Total Harga Perhar i

1

Pagi

Daging Kambing Kacang Tanah Kupas Minyak Kelapa Nasi Ketan Putih Labu Air Daun Kecipir Putih Telur Ayam Kacang Tolo Keju Krim Nasi Ketan Hitam Slada Daun

10

1080

16787. 7

3.75

137.5

3.75

100.5

75

1050

75 75

450 0

26

468

8

120

18

3924

120

1920

120 120

1440 0

Siang


Pagi

Siang

Malam

12.25

980

7

105

5.25

140.7

52.5

Lobak

105

Daun Pepaya Usus Sapi Oncom Mayonnais e Makaroni Ketimun Bit Otak Pete Segar Minyak Zaitun Roti Putih Slada Daun Mangkoka n Telur Ayam Kacang Kedele Mayonnais e Krekers

105

2362. 5 2509. 5 0

12.5 10 15

375 350 450

37.5 75 75 14 22 6

1125 450 6000 420 220 900

84 120 120

4830 1440 0

19.25

346.5

8.75

87.5

21

630

52.5

2362. 5 2799. 93 1312. 5

24098.9 3

Gambar 5. Halaman Rekomendasi Bahan Makanan

4. HASIL DAN PEMBAHASAN 4.1 Hasil Pengujian Jumlah Partikel Semakin banyak jumlah partikel maka semakin tinggi nilai fitness dan semakin lama waktu komputasi yang dihabiskan. Pengujian Jumlah Partikel

Kangkung

105

Kol

105

Total Harga

Halaman Rekomendasi Bahan Makanan.

1520

Rata-rata Fitness

2

Pepaya Ikan Kakap Kacang Tolo Minyak Kelapa Krekers

1440 1360 1280 1200 5

10

15

20

25

30

35

40

45

50

Jumlah Partikel

40886.6 3

Halaman Hasil Optimasi menunjukkan hasil dari proses perhitungan dari algortima PSO. Halaman Hasil Optimasi ditunjukkan pada Gambar 4.

Gambar 6. Grafik Hasil Pengujian Jumlah Partikel Pengujian Jumlah Partikel Rata-rata Waktu (menit)

Mala m

1327

2,65 2,15 1,65 1,15 0,65 0,15 5

10

15

20

25

30

35

40

45

50

Jumlah Partikel

Gambar 7. Gafik Hasil Waktu Komputasi berdasarkan Jumlah Partikel

Gambar 4. Halaman Hasil Optimasi

Pada halaman hasil Optimasi akan mendapatkan nilai fitness tertinggi dan partikel yang terbaik. Halaman Rekomendasi Bahan Makanan menampilkan hasil rekomendasi dari partikel terbaik berupa daftar nama bahan makanan selama 7 hari untuk 3 kali makan yaitu pagi, siang dan malam. Gambar 5 menunjukkan Fakultas Ilmu Komputer, Universitas Brawijaya

Berdasarkan Gambar 6 dan 7 dapat diambil kesimpulan bahwa jumlah partikel 30 merupakan jumlah partikel paling optimal dengan waktu komputasi sebesar 1.44 menit atau sebesar 1 menit 44 detik yang tidak terlalu kecil jumlah partikelnya dan tidak terlalu lama waktu komputasinya.


Semakin besar rentang selisih antara nilai Wmin dan Wmax dapat menyebabkan nilai W semakin besar, sehingga daya eksplorasi swarm akan menyuluruh yang dapat memberikan solusi terbaik. Kombinasi Wmin dan Wmax yang dianggap dapat memberikan solusi terbaik untuk penyelesaian masalah adalah 0.4 dan 0.7. Grafik Hasil Pengujian Kombinasi Wmin dan Wmax dapat dilihat pada Gambar 8.

1750 1650 1550 1450 1350 10

20

30

40

50

60

70

80

90 100

Jumlah Iterasi

1500 1400

Gambar 10. Grafik Hasil Pengujian Jumlah Iterasi

1300 1200

Pengujian Jumlah Iterasi Wmax;Wmin

Gambar 8. Grafik Hasil Pengujian Kombinasi Wmin dan Wmax

4.3 Hasil Pengujian Koefisien Akselerasi Pengujian Koefisien Akselerasi digunakan untuk mengetahui pengaruhnya terhadap nilai fitness. Grafik hasil pengujian dapat dilihat pada Gambar 9.

13,80 11,30 8,80 6,30 3,80 1,30 10

20

30

40

50

60

70

80

90 100

Jumlah Iterasi

Gambar 11. Gafik Hasil Waktu Komputasi berdasarkan Jumlah Partikel

Berdasarkan Gambar 10 dan 11 menghasilkan jumlah iterasi optimal sebesar 40 dengan waktu komputasi selama 6 menit 52 detik yang dapat dikatakan, tidak terlalu lama apabila dibandingkan dengan waktu konsultasi pada dokter/ahli gizi atau konsultasi pada petugas Posyandu.

Pengujian Koefisien Akselerasi 1400 1375

Rata-rata Fitness

Pengujian Jumlah Iterasi

Rata-rata Waktu (menit)

Rata-rata Fitness

Pengujian Kombinasi Wmin dan Wmax

semakin tinggi nilai fitness. Dalam pemilihan jumlah iterasi yang optimal dapat mempertimbangkan waktu komputasi yang diperlukan dalam proses optimasi, karena dalam percobaan ini waktu komputasi paling cepat sebesar 1.36 menit atau 1 menit 36 detik.

Rata-rata Fitness

4.2 Hasil Pengujian Kombinasi Wmin dan Wmax

1328

1350 1325 1300 1275 1250

1;1

1;1,5

1;2

1,5 ; 1 1,5;1,5 1,5;2

2;1

2;1,5

2;2

C1;C2

Gambar 9. Grafik Hasil Pengujian Koefisien Akselerasi

Berdasarkan Grafik diatas, nilai C1 dan C2 sebesar 2 dan 1.5 merupakan koefisien yang cukup optimal untuk digunkan dalam menyelesaikan permasalahan. Koefisien tersebut dianggap dapat mempengaruhi nilai fitness yang sangat tinggi, sehingga dapat membuat eksplorasi pencarian semakin optimal. 4.4 Hasil Pengujian Jumlah Iterasi Semakin banyak jumlah iterasi maka Fakultas Ilmu Komputer, Universitas Brawijaya

4.5 Hasil Pengujian Batas Atas Angka Permutasi Berdasarkan hasil pengujian maka didapatkan batas angka permutasi yang optimal adalah 75. Gambar 12 menunjukkan Grafik Hasil Pengujian Batas Atas Angka Permutasi.


Rata-rata Fitness

Pengujian Batas Atas Angka Permutasi 1500

Tabel 12. Kandungan Gizi Bahan Makanan Rekomendasi Sistem

Balita 1

238.25 (14.08 %)

Balita 2

430.2 (28.68 %)

Selisih Protei n (gram) -7.2 (17.02 %) 3.5 (9.33% )

Balita 3

485.9 (31.15 %)

5 (12.82 %)

Balita 4

80.4 (4.96% )

Balita 5

356.25 (25.09 %)

-12.9 (31.85 %) 1.5 (4.23% )

Balita 6

42.9 (2.68% )

Balita 7

206.9 (12.36 %)

Balita 8

-10.7 (0.74%)

Balita 9

393.9 (26.98 %)

-14 (38.89 %) 2.2 (6.03% )

Balita 10

258.6 (15.12 %)

Ratarata

248.26 (16.04 %)

Nama

1450 1400 1350

Range

Gambar 12. Grafik Hasil Pengujian Batas Atas Angka Permutasi

Semakin besar batas angka permutasi akan mengakibatkan nilai fitness yang semakin kecil. Hal ini dikarenakan nilai konversi indeks yang digunakan mengandung nilai lebih besar dari jumlah terbesar indeks bahan makanan yaitu 52, sehingga dapat mengurangi total variasi. 4.6 Hasil Analisis Global Berdasarkan parameter optimal, dilakukan pengujian terhadap 10 data balita yang diambil secara acak yang dapat dilihat pada Tabel 11. Selisih kebutuhan gizi aktual dengan kandungan gizi pada makanan ditunjukkan pada Tabel 12. Rata-rata harga per hari didapatkan dari Total Harga dibagi 7 hari, selisih harga dapat dihitung selisih antara rata-rata harga per hari pada sistem dengan rata-rata harga per hari yang dikeluarkan oleh orangtua balita. Rata-rata yang harus dikeluarkan oleh para orangtua hasil rekomendasi sistem adalah sebesar Rp.25,003.63 dan rata-rata Total Harga yang harus dikeluarkan selama 7 hari adalah Rp.175,025.44. Tabel 11. Kebutuhan Gizi Aktual Nama

Balita 1 Balita 2 Balita 3 Balita 4 Balita 5 Balita 6 Balita 7 Balita 8 Balita 9 Balita 10

Umur (tahun)

Energi (kkal)

Protei n (gram)

Lemak (gram)

Karbohidra t (gram)

5.4 3.5 3.8 5 3.1 4.9 5.3 4 3.3 5.5

1692 1500 1560 1620 1420 1620 1674 1440 1460 1710

42.3 37.5 39.0 40.5 35.5 40.5 41.9 36.0 36.5 42.8

37.6 33.3 34.7 36.0 31.6 36.0 37.2 32.0 32.4 38.0

296.1 262.5 273.0 283.5 248.5 283.5 293.0 252.0 255.5 299.3


1329

Selisih Energi (kkal)

Selisih Lemak (gram) 1 (2.66% )

Selisih Karbohi drat (gram) 71.5 (24.15%)

Selisih Harga 8,360.57 (23.89% )

7.0333 33 (21.10 %) 8.1666 67 (23.56 %) -5.8 (16.11 %) 5.4555 56 (17.29 %) -10.1 (28.37 %) 0.4 (1.08% )

92.5 (35.24%)

9,203.92 (26.30% )

103 (37.73%)

12,635.0 0 (36.10% ) 8,343.71 (23.84% )

29 (11.51%)

-0.55 (1.29%)

-4.3 (13.44 %) 5.9444 44 (18.32 %) 0.9 (2.37% )

-3.21 (8.08%)

0.87 (2.85% )

70.99 (25.98%)

-11.45 (28.59 %) 1.85 (4.42% )

51.9 (18.31%)

78.5 (31.59%)

53.6 (19.12%)

69.95 (23.88%)

11,113.7 1 (31.75% ) 9,040.71 (25.83% ) 13,977.0 5 (39.93% ) 8,051.26 (23.00% )

84.6 (33.11%)

8,047.14 (22.99% )

75.35 (25.18%)

11,191.4 3 (31.97% ) 9,996.45 (28.56% )

5. KESIMPULAN 1. Implementasi algoritma PSO untuk optimasi Pemenuhan Kebutuhan Gizi Balita dapat dilakukan dengan cara inisialisasi partikel awal secara random, setelah mendapatkan nilai partikel dapat melakukan konversi nilai partikel kedalam indeks bahan makanan, hasil konversi digunakan untuk mengetahui nama bahan makanan, berat dan harga. Setelah tahap-tahap tersebut maka dapat dhitung fitness, Update Kecepatan, Update Posisi, Update Pbest dan Gbest. Gbest pada iterasi terakhir dijadikan sebagai Hasil Optimasi. 2. Parameter Algoritma PSO sangat berpengaruh terhadapat hasil Optimasi Pemenuhan Gizi Balita. Parameter PSO yang dianggap optimal dalam menyelesaikan masalah adalah jumlah partikel=30, Wmin=0.4, Wmax= 0.7, C1=2,


C2=1.5, Jumlah iterasi=40, Batas Atas angka permutasi sebesar 75. Berdasarkan parameter optimal dapat menghasilkan ratarata selisih energi, protein, lemak dan karbohidrat sebesar 16.04%, -8.08%, 2.85% dan 25.98% yang mampu menghemat pengeluaran orangtua balita sebesar 28.56%. DAFTAR PUSTAKA Alhamda, S., & Sriani, Y. 2014. Buku Ajar Ilmu Kesehatan Masyarakat (IKM). Yogyakarta: Deepublish. Almatsier, Sunita. 2009. Prinsip Dasar Ilmu Gizi. Felia, Eliantara, Cholissodin, I., & Indriati. 2016. Implementasi Algoritma Particle swarm Optimization dalam Optimasi Pemenuhan Kebutuhan Gizi Keluarga.S1.Universitas Brawijaya. Kementerian Kesehatan. 2013. Peraturan Menteri Kesehatan Republik Indonesia No.75 Tahun 2013. [Online]. Tersedia di: [Diakses pada tanggal 1 November 2016]. Mahmudy, W.F. 2013. Modul Algoritma Evolusi Semester Ganjil 2013-2014. Universitas Brawijaya Malang. Mitiyani. 2010. Buku Saku Ilmu Gizi. Jakarta: Tim. Muaris, H. 2006. Sarapan Sehat Untuk Anak Balita. Jakarta : PT Gramedia Pustaka Utama. Perkembangan Balita. [Online]. Tersedia di: http://www.bayi7.com/perkembanganbalita-usia-1-5-tahun/ [Diakses pada tanggal 1 Mei 2017]. Permenkes RI. 2014. Pedoman Gizi Seimbang. Rumah Sakit RSCM dan PERSAGI. 2003. Penuntun DIIT Anak. Jakarta : PT Gramedia Pustaka Utama. Santosa, Budi & Willy, Paul. 2011. Metoda Metaheuristik, Konsep dan Implementasi. Surabaya: Graha Ilmu. Santoso, Soegeng, Dr., M.Pd & Anne Lies Ranti, Dra. M.Pd. Kesehatan dan Gizi. Jakarta: PT Asdi Mahasatya. Sulistiowati, F., Cholissodin, I., & Marji. 2016. Optimasi Penyusunan Bahan Makanan Sehat untuk Pemenuhan Gizi Keluarga Fakultas Ilmu Komputer, Universitas Brawijaya

1330 dengan Algoritma Evolution Strategies. S1. Universitas Brawijaya Malang.

Sutomo, B. 2010. Menu Sehat Alami untuk Batita dan Balita. Jakarta: Demedia. Widjaja, dr., W.C. 2008. Gizi tepat untuk perkembangan otak dan kesehatan balita. Kawan Pustaka.

Implementasi Algoritma Particle Swarm Optimization (PSO) untuk Optimasi Pemenuhan Kebutuhan Gizi Balita

Recommend Documents