IMPLEMENTASI FUZZY LOGIC SEBAGAI PENENTU JUMLAH KONSUMSI KALORI PENDERITA DIABETES MELITUS Yosep Agus Pranoto, Hani Zulfia Zahro’, Suryo Adi Wibowo e-mail:
[email protected] ABSTRAK Kekurangan asupan kalori dalam tubuh dapat mengakibatkan tubuh menjadi lemas dan kinerja otak juga semakin menurun. Sebaliknya kelebihan kalori dalam tubuh, maka akan mengakibatkan kegemukan (obesitas) karena kalori tidak dibakar menjadi energi dan kalori yang berlebihan dapat membuat kadar gula dalam darah meningkat. Hal ini merupakan masalah besar bagi penderita Diabetes Melitus, karena salah satu hal yang harus dilakukan untuk menjaga kesehatan penderita Diabetes Melitus ini adalah menjaga asupan kalori yang masuk kedalam tubuh melalui terapi diet dan menjaga pola makan. Prevalensi penderita diabetes di Indonesia menunjukan kecenderungan meningkat, yaitu dari 5,7% tahun 2007, menjadi 6,9% tahun 2013 (dikutip dari data yang dirilis Kementerian Kesehatan RI) 2/3 diabetesi (sebutan untuk penderita diabates) di Indonesia tidak mengetahui dirinya memiliki diabetes. Broca merupakan metode yang digunakan untuk menghitung kebutuhan kalori bagi diabetasi. Pada beberapa kasus tertentu, penghitungan kalori menggunakan metode broca menghasilkan jumlah kalori dengan nilai batas minimal dan batas maksimal sehingga dapat menyebabkan ketidakpastian jumlah kalori yang dikonsumsi oleh diabetasi. Fuzzy logic merupakan Boolean logic yang ditingkatkan. Fuzzy logic menggunakan tingkat nilai kebenaran dari segala hal untuk menggantikan boolean logic. Nilai keanggotaan yang dimiliki fuzzy logic adalah antara 0 hingga sama dengan 1, tingkat warna hitam, keabuan, dan putih, serta konsep tidak pasti dari bentuk linguistic yaitu seperti “muda”, ”parobaya”, “tua”, dan “sangat tua”. Dengan menggunakan Fuzzy logic diharapkan dapat mengatasi ketidakpastian jumlah kalori yang harus dikonsumsi oleh diabetasi. Berdasarkan hasil pengujian, diperoleh nilai yang sama antara output program dengan analisis perhitungan manual baik pada metode Broca maupun pada Fuzzy Logic. Pada perhitungan Fuzzy Logic tidak menghasilkan nilai kalori maksimum dan nilai kalori minimum seperti pada metode Broca. Kata kunci : Diabetes mellitus, Broca, Fuzzy Logic
1. PENDAHULUAN 1.1 Latar Belakang Masalah Kekurangan asupan kalori dalam tubuh dapat mengakibatkan tubuh menjadi lemas dan kinerja otak juga semakin menurun. Sebaliknya kelebihan kalori dalam tubuh, maka akan mengakibatkan kegemukan (obesitas) karena kalori tidak dibakar menjadi energi dan kalori yang berlebihan dapat membuat kadar gula dalam darah meningkat. Hal ini merupakan masalah besar bagi penderita Diabetes Melitus, karena salah satu hal yang harus dilakukan untuk menjaga kesehatan penderita Diabetes Melitus ini adalah menjaga asupan kalori yang masuk kedalam tubuh melalui terapi diet dan menjaga pola makan. Pada bidang kesehatan, banyak cara yang digunakan untuk menghitung jumlah kalori yang dibutuhkan bagi orang sehat maupun penderita diabetes, namun cara ini memiliki kendala karena harus dihitung secara manual sehingga menimbulkan permasalahan baru bagi rumah sakit ataupun puskesmas dalam menentukan kalori harian bagi pasien penderita diabetes melitus yang tidak hanya satu. Berdasarkan sumber Soegondo (2009), jika secara manual, perhitungan jumlah kalori perhari perlu diketahui berat badan ideal seseorang menggunakan rumus Brocca. Pada beberapa kasus tertentu, penghitungan kalori menggunakan metode Brocca menghasilkan jumlah kalori dengan nilai batas minimal dan batas maksimal sehingga dapat menyebabkan ketidakpastian jumlah kalori yang dikonsumsi oleh penderita diabetes Disisi lain, dalam bidang teknologi perkembangan ilmu komputer semakin pesat. Misalnya ditemukan model pengembangan metode dengan menggunakan Fuzzy Logic. Kemudahan yang diberikan oleh metode ini adalah tingkat fleksibilitas, artinya metode ini dapat diimplementasikan untuk berbagai kasus, salah satunya untuk menentukan jumlah kalori harian. Metode inferensi fuzzy dibagi menjadi 3 metode dengan penemu yang berbeda, yaitu metode Sugeno, Tsukamoto dan Mamdani, dimana banyak aplikasi dari berbagai kasus yang dibuat dan dikembangkan dengan mengimplementasikan metode-metode tersebut (Kusumadewi, 2013) Berdasarkan uraian yang telah dikemukakan, maka pada penelitian ini dibuat sebuah aplikasi yang dapat menentukan jumlah kalori harian pada terapi diet untuk penderita Diabetes Melitus dengan mengimplementasikan metode fuzzy logic Tsukamoto. Diharapkan dengan aplikasi ini penderita diabetes melitus dapat mengetahui kebutuhan jumlah kalori dalam aktifitas sehari untuk menjaga pola makan dan dapat melakukan diet secara tepat dan sehat.
1.2 Rumusan Masalah Berdasarkan latar belakang yang telah diuraikan dibuat rumusan permasalahan : 1. Bagaimana menentukan kabutuhan kalori bagi penderita diabetes mellitus menggunakan Fuzzy Logic? 2. Bagaimana membangun dan membuat aplikasi untuk menghitung jumlah kalori harian bagi penderita diabetes mellitus ? 3. Bagaimana perbandingan hasil metode Broca dengan Fuzzy Logic dalam menghitung jumlah kebutuhan kalori penderita diabete mellitus? 1.3 Batasan Masalah Agar pembahasan tidak terlalu meluas, maka penulis perlu mengambil batasan permasalahan yang akan dibahas. Adapun batasan masalahnya adalah: 1. Aplikasi ini hanya menghitung dan menentukan kalori harian Pada Terapi Diet bagi penderita Diabetes Melitus menggunakan metode Broca dan Fuzzy Logic. 2. Dasar pertimbangan melakukan penghitungan terhadap kebutuhan kaloriharian pada penderita diabetes terdiri dari 3 variabel fuzzy input yaitu umur,body mass ideal (mencakup tinggi badan dan berat badan), aktifitas, 1variabel fuzzy output yakni kalori, dan 1 variabel boolean input yaitu jenis kelamin. 3. Metode perhitungan Sistem Inferensi Fuzzy (SIF) yang digunakan adalah Tsukamoto. 4. Perangkat lunak yang digunakan dalam pembuatan aplikasi ini adalah delphi 7. 1.4 Tujuan Tujuan dibuatnya aplikasi ini adalah. 1. Untuk menghitung jumlah kebutuhan kalori harian yang dibutuhkan oleh penderita diabetes melitus. 2. Menerapkan fuzzy logic dengan metode mamdani untuk perhitungan kalori harian bagi penderita diabetes mellitus. 3. Melakukan pengujian dari perhitungan kebutuhan kalori harian dengan bahasa pemrograman Delphi 7 1.5 Manfaat Sedangkan manfaat yang dapat diambil dari penelitian ini adalah : 1. Membuat inovasi baru pada metode perhitungan kalori harian pada terapidiet untuk penderita diabetes mellitus. 2. Memberikan informasi kalori harian pada terapi diet untuk penderitadiabetes melitus dengan menerapkan metode fuzzy logic mamdani.
2. TINJAUAN PUSTAKA 2.1 DELPHI 7 Delphi adalah bahasa pemrograman yang digunakan pada system operasi berbasis Windows dengan fasilitas pembuatan aplikasi visual. Delphi. memiliki kemudahan dalam menggunakan kode program, kompilasi yang cepat, penggunaan file unit ganda untuk pemrograman modular, pengembangan perangkat lunak, pola desain yang baik dengan diperkuat bahasa pemrograman yang terstruktur dalam bahasa pemrograman Object Pascal. Delphi. Juga mempunyai tampilan yang didukung suatu lingkup beberapa komponen Delphi. untuk membangun suatu aplikasi dengan memanfatkan Visual Component Library (VCL). Para pengembang Delphi. Memberika source code dan mengkompilasi kode program dalam IDE (Integrated Development Environment).(Sumber : www.ilmukomputer.com / Pemrograman Delphi untuk pemula.pdf) 2.2 Pengertian Diabetes Melitus (DM) Diabetes Melitus adalah suatu kumpulan gejala yang timbul pada seseorang yang disebabkan oleh karena peningkatan kadar glukosa darah akibat penurunan sekresi insulin yang progresif dilatar belakangi oleh resistensi insulin (Soegondo, 2009). Diabetes Melitus adalah kondisi abnormalitas metabolism karbohidrat yang disebabkan kekurangan insulin, baik secara absolute (total) maupun sebagian (Hadisaputro, 2007) Diabetes Melitus tidak berhubungan dengan seseorang yang terlalu banyak mengkonsumsi gula, namun seseorang didiagnosis diabetes apabila tubuhnya tidak cukup menghasilkan atau tidak dapat menggunakan insulin yang ada dengan benar. Faktor yang menyebabkan tingginya jumlah penderita adalah karena perubahan pola makan menjadi tinggi lemak dan kurangnya aktifitas fisik, yang harus dibatasi sebenarnya bukan gula tetapi total kalori, karena sebagian besar yang kita makan untuk dijadikan energi akan diubah menjadi glukosa. Pada penderita diabetes, pola makan yang tidak terkontrol akan meningkatkan kadar glukosa dalam darah. Asupan kalori seorang penderita diabetes meltius harus dihitung berdasakan umur, golongan berat badan, aktifitas dan jenis kelamin. Dengan tingkat toleransi sekurang-kurangnya 100 kalori dan sebanyak-banyaknya 100 kalori dari hasil perhitungan kalori yang telah dilakukan. (Anna, Lusia Kus. 2011) 2.3 Metode Brocca Menghitung Kalori Diabetes Melitus dengan Metode Brocca : a. Menghitung Berat Badan Ideal Berat badan idaman = 90% x (TB dalam cm – 100) kg
Bagi pria dan wanita dengan tinggi 160 cm ke bawah, rumus dimodifikasi menjadi : Berat badan idaman = (TB dalam cm – 100) kg b. Menghitung Kebutuhan Basal Untuk Pria = Berat Badan Idaman x 30 Untuk Wanita = Berat Badan Idaman x 25 c.Kemudian ditambahkan dengan Aktifitas fisik yang dilakukan. Tabel 1. Aktifitas Fisik (Soegondo, 2009) Istirahat 5% Ringan 20 % Sedang 20% - 30% Berat 40 % - 100% d. Kemudian dikurangi dengan hasil Koreksi Usia Tabel 2. Koreksi Usia (Soegondo, 2009) 40 – 59 Tahun 5% 60 – 69 Tahun 10% >70 Tahun 20% e. Kemudian koreksi Golongan Badan, ditambah 20 – 50% kurus dan dikurangi 20 – 50% untuk gemuk (Soegondo, 2009) 2.4 Body Mass Index (BMI) Body Mass Index atau dalam Bahasa Indonesia disebut Index Massa Tubuh, merupakan satuan ukuran yang untuk menghitung golongan berat badan yang ditetapkan oleh WHO (World Health Organization) atau Organisasi Kesehatan Dunia milik Perserikatan Bangsa Bangsa (PBB). Body Mass Index adalah sebuah ukuran berat badan terhadap tinggi badan yang umum digunakan untuk menggolongkan orang dewasa kedalam Underweight, Normal, Overweight dan Obesitas. Penggunaan BMI ini hanya berlaku pada orang dewasa yang berumur diatas 18 Tahun. BMI tidak dapat diterapkan pada bayi, anak, remaja, ibu hamil dan olahragawan (binaraga). Disamping itu pula BMI tidak bisa diterapkan kepada orang yang berpenyakit khusus, seperti adanya edema, ascites dan hepatomegaly (Manik, 2012) Rumus menghitung BMI : BMI = BB (Kg) (TB(m) x TB(m)) Dimana : BMI = Body Mass Index BB = Berat Badan dalam satuan kilogram TB = Tinggi Badan dalam satuan meter Tabel 3 Klasifikasi Berat Badan yang disesuaikan pada Penduduk Asia Dewasa (Manik, 2012) Body Mass Index Kategori < 18,5 BB Kurang 18,5 – 22,9 BB Normal >= 23 BB Lebih 23 – 24,9 Dengan Resiko 25 – 29,9 Obesitas 1 >= 30 Obesitas 2
2.5 Aktifitas Fisik Pengelompokkan aktivitas atau beban kerja (ringan, sedang dan berat) berdasarkan proporsi waktu kerja mengacu pada Food and Agriculture Organization of the United Nations (FAO) dan World Health Organization (WHO) yang dimodifikasi (WNPG VIII, 2004) sebagaimana dilihat pada Tabel 4. Tabel 4 Pengelompokkan Aktifitas Fisik (sumber: www.gizi.picsidev.com, 2014) Kelompok Aktifitas Jenis Kegiatan Ringan a. 75% dari waktu yang digunakan adalah untuk duduk atau berdiri dan 25% untuk kegiatan berdiri dan berpindah (moving) b. Aktivitas kantor tanpa olahraga dan aktivitas fisik yang tidak menguras tenaga. Sedang a.25% waktu yang digunakan adalah untuk duduk atau berdiri dan 75% adalah untuk kegiatan kerja khusus dalam bidang pekerjaannya. b. Bekerja harus naik turun tangga, olahraga ringan, dan pekerjaan rumah tangga. Berat a. 40% dari waktu yang digunakan adalah untuk duduk dan berdiri dan 60% untuk kegiatan kerja khusus dalam bidang pekerjaannya. b. Pekerjaan lapangan atau proyek dan pekerjaan kuli bangunan. 2.6 Fuzzy Logic Fuzzy logic merupakan Boolean logic yang ditingkatkan, boolean logic tersebut berkaitan dengan konsep kebenaran sebagian. Dari yang telah diketahui bahwa logika crisp menyatakan istilah binary yang meliputi angka 0 atau angka 1, warna hitam atau warna putih, pernyatan ‘iya’ atau ‘tidak’ dapat mengekspresikan atau menjadi sebuah nilai dari berbagai hal. Sedangkan fuzzy logic menggunakan tingkat nilai kebenaran dari segala hal untuk menggantikan boolean logic. Nilai keanggotaan yang dimiliki fuzzy logic adalah antara 0 hingga sama dengan 1, tingkat warna hitam, keabuan, dan putih, serta konsep tidak
passti dari bentuk linguistic yaitu seperti “muda”, ”parobaya”,“tua”, dan “sangat tua”. Fuzzy logic diperkenalkan pada tahun 1965 oleh Dr. Lotfi Zadeh dari Universitas California, Barkeley. Bidang-bidang yang telah menggunakan fuzzy logic yaitu bidang seperti hukum, medis atau pengobatan, pengenalan pola, psikologi, topologi, teori automata, taksonomi, linguistik, teori pengendalian, analisis keputusan, system theory and information retrieval. Kelebihan pada hasil yang dimiliki pendekatan fuzzy adalah adanya keterkaitan hasil tersebut dengan sifat manusia secara kognitif dalam situasi seperti pengenalan pola, pembentukan konsep, dan pengambilan keputusan dalam lingkungan yang tidak pasti atau tidak jelas. (Seniman. 2012). 3. PERANCANGAN 3.1 Fuzzy Set Input Fuzzy set input usia ditunjukkan pada Tabel 5 : Tabel 5. Fuzzy Set Usia Sangat Muda X (usia) 0 20 30 100 Y (miu) 1 1 0 0 Muda X (usia) 0 20 30 45 100 Y (miu) 0 0 1 0 0 Parobaya X (usia) 0 25 40 60 100 Y (miu) 0 0 1 0 0 Tua X (usia) 0 45 60 75 100 Y (miu) 0 0 1 0 0 Sangat Tua X (usia) 0 65 80 100 Y (miu) 0 0 1 1 Grafik Fuzzy Set Kriteria Usia ditunjukkan pada Gambar 1.
Gambar 1. Grafik Fuzzy Set Kriteria Usia Fuzzy set input BMI ditunjukkan pada Tabel 6 :
Tabel 6. Fuzzy Set BMI Sangat Rendah X (BMI) 0 10 16,1 35 Y (miu) 1 1 0 0 Rendah X (BMI) 0 16 17 18,6 Y (miu) 0 0 1 0 Normal X (BMI) 0 18,5 21,7 25,1 Y (miu) 0 0 1 0 Tinggi X (BMI) 0 25 26 27 Y (miu) 0 0 1 0 Sangat Tinggi X (BMI) 0 27 30 35 Y (miu) 0 0 1 1
35 0 35 0 35 0
Grafik Fuzzy Set Kriteria BMI ditunjukkan pada Gambar 2.
Gambar 2. Grafik Fuzzy Set Kriteria BMI Fuzzy set input Aktifitas ditunjukkan pada Tabel 7: Tabel 7. Fuzzy Set Aktifitas Sangat Ringan X (aktifitas) 0 1 2 8 Y (miu) 1 1 0 0 Ringan X (aktifitas) 0 1 2 3 8 Y (miu) 0 0 1 0 0 Sedang X (aktifitas) 0 3 4 5 8 Y (miu) 0 0 1 0 0 Berat X (aktifitas) 0 4 5 6 8 Y (miu) 0 0 1 0 0 Sangat Berat X (aktifitas) 0 5 6 8 Y (miu) 0 0 1 1 Grafik Fuzzy Set Kriteria Aktifitas ditunjukkan pada Gambar 3.
Gambar 3. Grafik Fuzzy Set Kriteria Aktifitas 3.2 Fuzzy Set Output Fuzzy set output kalori ditunjukkan pada Tabel 8: Tabel 8. Fuzzy Set Aktifitas Sangat Sedikit X (kalori) 0 800 1000 2400 Y (miu) 1 1 0 0 Sedikit X (kalori) 0 800 1100 1400 2400 Y (miu) 0 0 1 0 0 Sedang X (kalori) 0 1200 1600 2000 2400 Y (miu) 0 0 1 0 0 Banyak X (kalori) 0 1900 2000 2300 2400 Y (miu) 0 0 1 0 0 Sangat Banyak X (kalori)) 0 2200 2300 2400 Y (miu) 0 0 1 1 Grafik Fuzzy Set output Kalori ditunjukkan pada Gambar 4 :
Gambar 4. Grafik Fuzzy Set output Kalori 3.3 Rule Rule yang digunakan pada metode Fuzzy Logic Tsukamoto terdiri dari :
[1] IF Usia = Parobaya AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Banyak [2] IF Usia = Tua AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Sedang [3] IF Usia = Muda AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Banyak 3.4 Data Uji Data penderita diabetes mellitus yang digunakan sebagai pengujian ditunjukkan pada Tabel 9. Tabel 9. Data Uji Penderita Diabetes No Usia JK TB BB Aktifitas 1 40 Pria 180 82 Sedang 2 40 Pria 180 83 Sedang 3 40 Pria 180 84 Sedang 4 56 Pria 180 82 Sedang 5 56 Pria 180 83 Sedang 6 56 Pria 180 84 Sedang 7 59 Pria 180 82 Sedang 8 59 Pria 180 83 Sedang 9 59 Pria 180 84 Sedang
4. PEMBAHASAN 4.1 Perhitungan Kalori Menggunakan Metode Broca Perhitungan kebutuhan kalori penderita diabetes menggunakan metode Broca dengan data uji ke 1. Jenis Kelamin : Pria Usia : 40 Tahun Tinggi Badan : 180 cm Berat Badan : 82 Kg Aktifitas : Tukang Kayu (Sedang) Tampilan aplikasi penghitungan kebutuhan kalori menggunakan metode Brocca data uji ke 1 ditunjukkan pada Gambar 5.
Perhitungan kebutuhan kalori penderita diabetes menggunakan metode Broca dengan data uji ke 9 Jenis Kelamin : Pria Usia : 59 Tahun Tinggi Badan : 180 cm Berat Badan : 84 Kg Aktifitas : Tukang Kayu (Sedang) Tampilan aplikasi penghitungan kebutuhan kalori menggunakan metode Brocca data uji ke 9 ditunjukkan pada Gambar 6
Gambar 6. Metode Broca untuk data uji ke 9 Berdasarkan pada Gambar 6, menghasilkan nilai kebutuhan kalori dengan batas bawah 1620 dan batas atas 2052 4.2 Perhitungan Kalori Menggunakan Fuzzy Logic Perhitungan kebutuhan kalori penderita diabetes menggunakan Fuzzy Logic dengan data uji ke 1. Jenis Kelamin : Pria Usia : 40 Tahun Tinggi Badan : 180 cm Berat Badan : 82 Kg Aktifitas : Tukang Kayu (Sedang) Tampilan aplikasi penghitungan kebutuhan kalori menggunakan Fuzzy Logic data uji ke 1 ditunjukkan pada Gambar 7.
Gambar 5. Metode Broca untuk data uji ke 1 Berdasarkan pada Gambar 5, menghasilkan nilai kebutuhan kalori dengan batas bawah 1620 dan batas atas 2052
Gambar 7. Fuzzy Logic untuk data uji ke 1 Berdasarkan Gambar 7, menghasilkan kebutuhan kalori 2069,13.
Perhitungan kebutuhan kalori penderita diabetes menggunakan Fuzzy Logic dengan data uji ke 9 Jenis Kelamin : Pria Usia : 59 Tahun Tinggi Badan : 180 cm Berat Badan : 84 Kg Aktifitas : Tukang Kayu (Sedang) Tampilan aplikasi penghitungan kebutuhan kalori menggunakan Fuzzy Logic data uji ke 9 ditunjukkan pada Gambar 8.
Gambar 8. Fuzzy Logic untuk data uji ke 12 Berdasarkan Gambar 8, menghasilkan kebutuhan kalori 1625,36. 4.3 Pengujian Metode Broca Perhitungan secara manual kebutuhan kalori penderita diabetes menggunakan metode Broca dengan data uji ke 1. Jenis Kelamin : Pria Usia : 40 Tahun Tinggi Badan : 180 cm Berat Badan : 82 Kg Aktifitas : Tukang Kayu (Sedang) a. Menentukan Kalori Basal Karena pasien berjenis kelamin pria dan tinggi lebih dari 150 cm, maka rumus yang digunakan adalah BBI = 0.9 x ( TB - 100 ) x 30 Maka : BBI = 0.9 x ( 180 – 100 ) x 30 = 2160 Kkal b. Koreksi Aktifitas Fisik Untuk aktifitas fisik sedang maka ditambahkan 20% - 30% dari Kalori Basal Min(sedang) = 2160 x 20% = 432 Kkal Max(sedang)= 2160 x 30% = 648 Kkal c. Koreksi Usia. Karena pasien sudah berumur 40 tahun maka harus dikurangi 5% dari Kalori Basal, maka : Koreksi Umur = 2160 x 5% = 108 Kkal d. Koreksi Golongan Berat Badan, BMI = 82 / (1,80 * 1,80) = 25,30
karena pasien memiliki BMI dengan nilai 25,30 maka tergolong bertubuh gemuk, sehingga kalori pasien harus dikurangi 20%-50% Kalori Basal. Batas Bawah = 2160 x 20% = 432 Kkal Batas Atas = 2160 x 50% = 1080 Kkal Hasil : Jumlah Kalori Harian : Batas Atas = 2160 + 432 – 108 – 432 = 2052 Kkal Batas Bawah = 2160 + 648 – 108 – 1080 = 1620 Kkal Perhitungan secara manual kebutuhan kalori penderita diabetes menggunakan metode Broca dengan data uji ke 9. Jenis Kelamin : Pria Usia : 59 Tahun Tinggi Badan : 180 cm Berat Badan : 84 Kg Aktifitas : Tukang Kayu (Sedang) a. Menentukan Kalori Basal Karena pasien berjenis kelamin pria dan tinggi lebih dari 150 cm, maka rumus yang digunakan adalah BBI = 0.9 x ( TB - 100 ) x 30 Maka : BBI = 0.9 x ( 180 – 100 ) x 30 = 2160 Kkal b. Koreksi Aktifitas Fisik Untuk aktifitas fisik sedang maka ditambahkan 20% - 30% dari Kalori Basal Min(sedang) = 2160 x 20% = 432 Kkal Max(sedang)= 2160 x 30% = 648 Kkal c. Koreksi Usia. Karena pasien sudah berumur 59 tahun maka harus dikurangi 5% dari Kalori Basal, maka : Koreksi Umur = 2160 x 5% = 108 Kkal d. Koreksi Golongan Berat Badan, BMI = 84 / (1,80 * 1,80) = 25,92 karena pasien memiliki BMI dengan nilai 25,92 maka tergolong bertubuh gemuk, sehingga kalori pasien harus dikurangi 20%-50% Kalori Basal. Batas Bawah = 2160 x 20% = 432 Kkal Batas Atas = 2160 x 50% = 1080 Kkal Hasil : Jumlah Kalori Harian : Batas Atas = 2160 + 432 – 108 – 432 = 2052 Kkal Batas Bawah = 2160 + 648 – 108 – 1080 = 1620 Kkal 4.4 Pengujian Fuzzy Logic Perhitungan secara manual kebutuhan kalori penderita diabetes menggunakan Fuzzy Logic dengan data uji ke 1. Jenis Kelamin : Pria Usia : 40 Tahun Tinggi Badan : 180 cm Berat Badan : 82 Kg Aktifitas : Tukang Kayu (Sedang)
Fuzzyfikasi Input Usia = 40 Tahun Miu Sangat Muda = 0 Miu Muda = 0,333333333333333 Miu Parobaya = 1 Miu Tua = 0 Miu Sangat Tua = 0 Fuzzyfikasi Input BMI = 25,3086419753086 Miu BMI Sangat Rendah = 0 Miu BMI Rendah = 0 Miu BMI Normal = 0 Miu BMI Tinggi = 0,308641975308639 Miu BMI Sangat Tinggi = 0 Fuzzyfikasi Input Aktifitas = Tukang Kayu (Sedang / 4) Miu Aktifitas Sangat Ringan = 0 Miu Aktifitas Ringan = 0 Miu Aktifitas Sedang = 1 Miu Aktifitas Berat = 0 Miu Aktifitas Sangat Berat = 0 Rule ke – 1 IF Usia = Parobaya AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Banyak (1 And 0,308641975308639 And 1) 0,308641975308639 [Banyak] 0,308641975308639 1930,86419753086 0,308641975308639 2207,40740740741 Rule ke - 2 IF Usia = Tua AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Sedang (0 And 0,308641975308639 And 1) 0 [Sedang] 0 0 0 1200 0 2000 0 0 Rule ke – 3 IF Usia = Muda AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Banyak (0,33333333 And 0,308641975308639 And 1) 0,308641975308639 [Banyak] 0,308641975308639 1930,86419753086 0,308641975308639 2207,40740740741 nilai x := 2554,4886450236 nilai y := 1,23456790123456 Jumlah Kalori = 2069,13580246914 Perhitungan secara manual kebutuhan kalori penderita diabetes menggunakan Fuzzy Logic dengan data uji ke 9. Jenis Kelamin : Pria Usia : 59 Tahun Tinggi Badan : 180 cm
Berat Badan Aktifitas
: 84 Kg : Tukang Kayu (Sedang)
Fuzzyfikasi Input Usia = 59 Tahun Miu Sangat Muda = 0 Miu Muda = 0 Miu Parobaya = 0,05 Miu Tua = 0,933333333333333 Miu Sangat Tua = 0 Fuzzyfikasi Input BMI = 25,9259259259259 Miu BMI Sangat Rendah = 0 Miu BMI Rendah = 0 Miu BMI Normal = 0 Miu BMI Tinggi = 0,925925925925924 Miu BMI Sangat Tinggi = 0 Fuzzyfikasi Input Aktifitas = Tukang Kayu (Sedang / 4) Miu Aktifitas Sangat Ringan = 0 Miu Aktifitas Ringan = 0 Miu Aktifitas Sedang = 1 Miu Aktifitas Berat = 0 Miu Aktifitas Sangat Berat = 0 Rule ke – 1 IF Usia = Parobaya AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Banyak (0,05 And 0,925925925925924 And 1) 0,05 [Banyak] 0,05 1905 0,05 2285 Rule ke – 2 IF Usia = Tua AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Sedang (0,9333333 And 0,925925925925924 And 1) 0,925925925925924 [Sedang] 0,925925925925924 1570,37037037037 0,925925925925924 1629,62962962963 Rule ke – 3 IF Usia = Muda AND BMI = Tinggi AND Aktifitas = Sedang THEN Kalori = Banyak (0 And 0,925925925925924 And 1) 0 [Banyak] 0 0 0 1900 0 2300 0 0 nilai x := 3172,46296296296 nilai y := 1,95185185185185 Jumlah Kalori = 1625,3605313093
Perbandingan hasil perhitungan kebutuhan kalori menggunakan metode Brocca dan Fuzzy Logic ditunjukkan pada Tabel 9. Tabel 9. Hasil Perhitungan Kebutuhan Kalori Menggunakan Metode Broca Dan Fuzzy Logic No Usia Jenis Tinggi Berat Aktifitas Metode Broca Fuzzy Logic (Tahun) Kelamin Badan Badan Kalori Min Kalori Max Kalori (Cm) (Kg) 1 40 Pria 180 82 Sedang 1620 2052 2069,14 2 40 Pria 180 83 Sedang 1620 2052 2048,23 3 40 Pria 180 84 Sedang 1620 2052 2023,09 4 56 Pria 180 82 Sedang 1620 2052 1788,74 5 56 Pria 180 83 Sedang 1620 2052 1717,46 6 56 Pria 180 84 Sedang 1620 2052 1702,85 7 59 Pria 180 82 Sedang 1620 2052 1669,01 8 59 Pria 180 83 Sedang 1620 2052 1637,09 9 59 Pria 180 84 Sedang 1620 2052 1625,36 5. PENUTUP
DAFTAR PUSTAKA
5.1 Kesimpulan 1. Berdasarkan hasil pengujian, diperoleh nilai yang sama antara output program dengan analisis perhitungan manual baik pada metode Broca maupun pada Fuzzy Logic. 2. Dari 9 data yang telah diujikan, perhitungan kalori menggunakan metode Broca menghasilkan nilai kalori minimum yang sama, sekaligus nilai kalori maksimumnya. Hal ini disebabkan rentang usia antara 40 – 59 tahun akan dilakukan pengurangan kalori sebesar 5% dan nilai BMI yang lebih besar dari 22,9 juga akan dilakukan pengurangan kalori sebesar 20% - 50% 3. Dari 9 data yang telah diujikan, perhitungan kalori menggunakan metode Fuzzy Logic menghasilkan nilai kalori yang berbeda tergantung pada usia dan BMI. Rentang usia antara 40 – 59 tahun pengurangan kalori tidak dilakukan pengurangan secara absolut sebesar 5%. Selain itu, nilai BMI yang lebih besar dari 22,9 juga tidak dilakukan pengurangan secara absolut sebesar 20% - 50%
Anna, Lusia Kus. 2011 Diabetes Bukan Karena Kebanyakan Gula. (Cited: 12 November 2014, 16.40 WIB) Available from: http://health.kompas.com/read /2011/06/27/1550467/Diabetes.Bukan.karena.Keban yakan.Gula
5.2 Saran 1. Memperbaiki nilai fuzzy set untuk semua kriteria sehingga dapat memperkecil selisih nilai output Fuzzy Logic dengan metode Broca 2. Menambah jumlah rule sehingga Fuzzy Logic dapat menghitung dengan tepat untuk data uji yang lebih bervariatif.
Hadisaputro, Setiawan. 2007 Epidemiologi dan Faktor-faktor resiko terjadinya Diabetes Melitus Tipe 2 Ditinjau dari Berbagai Aspek Penyakit. Balai Penerbit Fakultas Kedokteran, Universitas Indonesia. Jakarta Kusumadewi, Sri, dkk. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Edisi 2. Yogyakarta: Graha Ilmu. Manik, Herawati R. 2012. Pengaruh Faktor Risiko yang Bisa Dimodifikasi terhadap Diabetes Melitus Tipe 2 di Rumah Sakit Umum Hadrianus Sinaga Pangururan Seniman, 2012. Logika Fuzzy dan Pemograman Linear Untuk Pengoptimalan Perolehan Laba Dalam Impor Barang. Fakultas Teknologi Informatika, Universitas Sumatera Utara, Medan Soegondo, Sidartawan, dkk. 2009.Penatalaksanaan Diabetes Melitus Terpadu. Balai Penerbit Fakultas Kedokteran, Universitas Indonesia. Jakarta.