Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 7, Juli 2018, hlm. 2706-2712

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

Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI Marwa Mudrikatussalamah1, Candra Dewi2, Bayu Rahayudi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Dalam penentuan kebutuhan gizi pada bayi dibutuhkan beberapa faktor, salah satu faktor penguatnya adalah dengan menentukan status gizi pada bayi. Pada penentuan status gizi pada bayi terdapat rentang nilai yang menjadi batasan pada tiap kategori gizi nya. Metode yang digunakan dalam penetilitian ini adalah fuzzy tsukamoto yang akan di optimasi fungsi keanggotaannya dengan algoritma genetika. Algoritma genetika digunakan untuk membentuk batas-batas nilai yang terbentuk pada sebuah kromosom. Batas-batas nilai yang telah diproses pada algoritma genetika akan menjadi nilai fungsi keanggotaan pada fuzzy tsukamoto. Proses selanjutnya Fuzzy tsukamoto akan mengolah data sesuai dengan nilai batas yang telah di optimasi oleh algoritma genetika untuk menentukan hasil akhir. Selanjutnya dilakukan pengujian untuk mengetahui parameter terbaik dalam membuat kromosom. Setelah dilakukan pengujian didapatkan rata-rata akurasi sebesar 53.5%. Akurasi ini didapatkan dari perhitungan hasil optimasi dibandingkan dengan nilai dari pakar. Kata kunci: fuzzy tsukamoto,algoritma genetika,fungsi keanggotaan,optimasi,gizi bayi.

Abstract In determining the nutritional needs for infants required several factors, one of the strengthening factors is to determine the nutritional status of infants. In determining the nutritional status of infants, it need a rangewhhich contain of the limit on each nutitional category. The method used in this determination is fuzzy tsukamoto which will be used for the optimization of membership function with genetic algorithm. Genetic algorithms are used to form the boundaries formed on a chromosome. Boundaries of grade that have been used in genetic algorithm will be a function grade of membership in fuzzy tsukamoto. The next process is fuzzy tsukamoto will process the data in accordance with the value that has been optimized by the genetic algorithm to determine the final result. Further testing is done to determine the best parameters in making chromosomes. The Test are obtained an average accuracy of 53.5%. Accuracy is obtained from the calculation of the optimization results compared with the value of the expert. Keywords: fuzzy tsukamoto, genetic algorithm, member function, optimization, infant nutrition.

perkembangan sang bayi juga konsumsi makanan yang dimakan oleh sang ibu agar bayi dapat terpenuhi gizinya dengan baik. Proses pemberian ASI eksklusif diberikan sejak bayi umur 0-24 bulan. Bayi yang sudah berumur 6-24 bulan akan membutuhkan makanan pendamping ASI (MPASI). Pemberian jenis makanan pendamping yang diberikan pun bertahap, mulai dari makanan lunak hingga makanan keluarga dengan tetap memperhatikan kandungan energy dan gizi yang dibutuhkan oleh sang bayi. Cara pemberian MPASI menurut WHO pada 2003 melalui 4 syarat, yaitu diberikan pada waktu yang tepat, makanan yang

1. PENDAHULUAN ASI adalah makanan utama yang paling ideal untuk bayi. Pemberian ASI ekselusif kepada bayi merupakan hal yang sangat penting untuk tumbuh kembang sang bayi. Menurut data dari Riskesdas 2010 memperlihatkan bahwa hanya 15,3% bayi di Indonesia yang mendapatkan ASI eksklusif selama 6 bulan. Hal ini terjadi karena ketidakyakinan sang ibu terhadap kualitas ASInya serta kurangnya dukungan keluarga. Pemberian ASI ekselusif pun perlu dipantau dengan melihat Fakultas Ilmu Komputer Universitas Brawijaya

2706

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

diberikan memiliki kandungan energy, protein, makronutrein dan mikronutrein untuk bayi seusianya. MPASI yang disiapkan disimpan ditempat yang bersih dan diberikan sesuai dengan frekuensi makan dan metode pemberian makan yang benar. Pemberian MPASI dibawah umur 6 bulan dikhawatirkan menyebabkan gagal tumbuh kembang pada bayi. Untuk meminimalisir dampak buruk dari kekurangan atau kelebihan kebutuhan gizi yang ekstrem pada bayi, diperlukan takaran kebutuhan gizi yang benar untuk dikonsumsi oleh bayi. Penentuan kebutuhan gizi pada bayi dilihat dari status gizi pada sang bayi. Berbagai faktor gejala yang dapat menentukan status bayi tergolong gizi baik, gizi cukup, gizi kurang atau gizi buruk. Faktor gejala yang dapat mempengaruhi status gizi seorang bayi sangat beragam. Melihat permasalahan tersebut dipilih algortima fuzzy dengan optimasi menggunakan algortima genetika pada penelitian ini untuk menyelesaikannya. Metode fuzzy digunakan karena merupakan algoritma yang fleksibel dan toleransi terhadap data-data yang tidak tepat. Logika fuzzy bekerja dengan menggunakan derajat keanggotaan dari sebuah nilai yang kemudian digunakan untuk menentukan hasil yang diinginkan berdasarkan spesifikasi yang telah ditentukan (Kusumadewi dan Guswaludin, 2005). Dalam fuzzy inference sistem terdapat beberapa fungsi keanggotaan yang akan dikombinasikan sehingga didapatkan fungsi keanggotaan yang optimal. Metode fuzzy inference system tsukamoto yang akan dikombinasikan untuk melakukan optimasi pada penelitian ini menggunakan Algoritma Genetika. Metode ini memberikan strategi yang menyesuaikan secara otomatis dan komparatif fungsi keanggotaan (Kurniangtya, Mahmudy, Widodo, 2017). Ada beberapa penelitian sebelumnya yang menggunakan kombinasi metode fuzzy dan algoritma genetika yaitu, untuk penentuan jual rumah (Azizah, Cholisodin, dan Mahmudy, 2015) dengan nilai error 0.1369 dan pemilihan calon penerima beasiswa dan BBP-PPA (Restuputri, BA, Mahmudy, WF, & Cholissodin, 2015) dengan nilai akurasi beasiswa-PPA 98.9% dan BBPPPA 98.7%. Sehingga dapat disimpulkan bahwa algoritma genetika dapat digunakan untuk memperoleh hasil optimasi yang lebih baik. Berdasarkan uraian diatas, pada penelitian ini mengoptimasi fungsi keanggotaan dari metode fuzzy tsukamoto menggunakan algortima genetika untuk penentuan kebutuhan gizi pada Fakultas Ilmu Komputer, Universitas Brawijaya

2707

MPASI bayi. 2. KAJIAN PUSTAKA 2.1 GIZI BAYI Pada bayi umur 6-12 bulan kebutuhan gizi yang diperlukan dalam pertumbuhan dan perkembangan fisik juga psikologis tumbuh secara cepat. Apabila makanan yang dimakan tidak bergizi seimbang dapat mempengaruhi dan menghambat pertumbuhan anak dan mengganggu perkembangan dan pertumbuhan kecerdasaan serta fisik pada anak. (Chindi Rahmawati, 2014) Dalam menentukan status gizi pada seorang bayi dapat menggunakan dua cara, yatiu nilai zscore atau dengan persentil. Pada penelitian ini mengguanakan nilai persentil untuk mengetahui status gizi pada bayi. Data yang digunakan dalam menentukan status gizi pada bayi mangau pada data WHO 20015 yang ditunjukkan pada tabel 1. 2.1.2 Kebutuhan Energi Kebutuhan energi untuk tiap bayi berbeda tergantung pada kondisi seorang bayi. Menghitung BB/U dengan cara berat badan aktual dibagi dengan berat badan ideal menurut umur bayi. Menghitung PB/U dengan cara panjang badan aktual dibagi dengan panjang badan ideal menurut umur bayi. Berat badan ideal dan panjang badan ideal didapatkan melalui data antropometri acuan dari kementerian kesehatan. Keduanya bisa dilihat pada persamaan (1) dan (2). 𝐵𝐵 𝑈 𝑃𝐵 𝑈

= 𝐵𝐵/𝑀𝑒𝑑𝑖𝑎𝑛 𝐵𝐵

(1)

= 𝑃𝐵/𝑀𝑒𝑑𝑖𝑎𝑛 𝑃𝐵

(2)

Tabel 1. Nilai Pada Status Gizi Anak Indeks Berat Badan menurut Umur(BB/U)

Panjang Badan menurut Umur(PB/U)

Kategori Status Gizi Gizi Baik

Ambang Batas 80% 120%

Gizi Kurang

60% - 80%

Gizi Buruk

<60%

Tinggi Baik

90% 110%

Tinggi Kurang

70% - 90%

Tinggi Sangat Kurang

<70%

Berat Badan menurut Panjang Badan(BB/PB)

>90% 110%

Gizi Baik Gizi Kurang

70% - 90%

Gizi Buruk

<70%

Gizi Lebih

>110 – 120%

Obesitas

>120%

Derajat Keanggotaan


2708 1,2 1 0,8 0,6 0,4 0,2 0 a

b

2.2 Fuzzy Tsukamoto

c

domain

Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Metode ini dikembangkan untuk membantu dalam pengambilan keputusan dari beberapa alternative yang tersedia dalam suatu permasalahan. Dasar dari logika fuzzy adalah himpunan fuzzy. Nilai keanggotaan atau derajat keanggotaan menjadi ciri utama dalam perhitungan dengan logika fuzzy. 2.2.1 Fungsi Keanggotaan

Gambar 2. Contoh Representasi Kurva Segitiga

Fungsi Keanggotaan : 0; 𝑥−𝑎 ; 𝜇[𝑥] = 𝑏 − 𝑎 𝑏−𝑥 ; {𝑐 − 𝑏

𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑐 𝑎≤𝑥≤𝑏 𝑏≤𝑥≤𝑐

a. Representasi Linear

Derajat Keanggotaan

c. Representasi Kurva Trapesium

Fungsi keanggotaan adalah suatu kurva untuk memetakan titik-titik input data ke dalam nilai keanggotaannya(sering juga disebut sebagai derajat keanggotaan). Mendapatkan suatu nilai fungsi keanggotaan melalui pendekatan fungsi, beberapa contoh fungsi yang bisa digunakan seperti ;

1

0,8 0,6 0,4 0,2 0 a

1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0

b

c

d

domain Gambar 3. Contoh Representasi Kurva Trapesium

Fungsi Keanggotaan : a

domain

b

Gambar 1. Contoh Representasi Linear

Fungsi Keanggotaan : 0; 𝑥−𝑎 ; 𝜇[𝑥] = { 𝑏−𝑎 1;

𝑥≤𝑎 𝑎≤𝑥≤𝑏 𝑥≥𝑏

b. Representasi Kurva Segitiga

Fakultas Ilmu Komputer, Universitas Brawijaya

0; 𝑥 ≤ 𝑎 𝑎𝑡𝑎𝑢 𝑥 ≥ 𝑑 𝑥−𝑎 ; 𝑎≤𝑥≤𝑏 𝑏−𝑎 𝜇[𝑥] = 1; 𝑏 ≤ 𝑥 ≤ 𝑐 𝑑−𝑥 ; 𝑥≥𝑑 { 𝑑−𝑐

2.3 Algoritma Genetika Algoritma genetika merupakan salah satu algoritma yang bisa digunakan untuk masalah optimasi. Algoritma ini mengikuti cara kronologi seleksi alam. Melalui evolusi genetika kumpulan individu akan mempunyai garis kromosom. Kromosom yang berkualitas baik akan mempunyai keturunan yang baik (dalam hal ini akan memberikan solusi yang baik). Anggota populasi baru melakukan perubahan melalui kawin silang (crossover) dan mutasi


untuk membuat solusi baru. Crossover dilakukan melalui operasi dari dua kromosom. (Imam Robandi, 2006) Dalam Algoritma Genetika, pemrosesan kromosom-kromosom sebagai sebuah populasi oleh operator genetika terjadi secara berulang. Pertama, populasi dibangkitkan secara acak sesuai dengan permasalahan yang akan diselesaikan. Lalu, setiap operator genetika akan memproses populasi tersebut dan membuat populasi generasi berikutnya. Setiap kromosom mempunyai nilai fitness yang sebanding dengan nilai penyelesaian dan untuk hasil fitness selanjutnya diharapkan hasilnya bertambah bagus. (Mahmudy, 2013) 2.3.1 Inisialisasi Inisialisasi dilakukan untuk membangkitkan himpunan solusi baru secara acak/random yang terdiri dari string kromosom yang terdapat pada sebuah populasi. Pada tahap ini perlu ditentukan ukuran populasi untuk menentukan banyaknya individu/kromosom pada sebuah populasi (Mahmudy, 2013).

2709

2.3.5 Fitness Nilai fitness pada penelitian ini diperoleh dari nilai akurasi perbandingan antara hasil yang didapatkan dari metode dengan hasil persamaan dari pakar. Berikut persamaan yang digunakan untuk mendapatkan nilai fitness. 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 =

𝐻𝑎𝑠𝑖𝑙 𝑀𝑒𝑡𝑜𝑑𝑒 𝐻𝑎𝑠𝑖𝑙 𝑃𝑎𝑘𝑎𝑟

𝑥 100%

(3)

3. METODOLOGI PENELITIAN Tahapan penelitian secara umum mengenai optimasi fungsi keanggotaan fuzzy menggunakn algoritma genetika mulai dari studi literatur, pengumpulan data, analisis kebutuhan sistem, perancangan sistem, implementasi sistem, pengujian dan kesimpulan. Berikut gambar 6 yang menunjukkan Tahapan Penelitian.

2.3.2 Crossover Metode crossover yang digunakan pada penelitian ini adalah one cut point, yang secara acak memilih satu titik potong dan menukar bagian kanan dari tiap induk untuk menghasilkan offspring. Parent 1 Parent 2 Child 1

1 1 1

2 2 2

8 8 8

4 11 4

5 5 5

7 7 7

6 6 6

13 13 13

14 14 11

3 3 14

11 4 3

12 12 12

10 10 10

15 15 15

9 9 9

Gambar 4. Contoh Crossover One Cut Point

2.3.3 Mutasi Metode mutasi yang digunakan pada penelitian ini adalah repcirocal exchange mutation, dengan memilih dua posisi pada satu parent lalu ditukarkan pada posisi tersebut untuk menjadi child yang baru. Parent Child

1 1

10 10

7 7

4 2

15 15

12 12

9 9

6 6

3 3

13 13

2 4

5 5

8 8

11 11

14 14

Gambar 5 Contoh Repcirocal Exchange Mutation

Gambar 6. Tahapan Penelitian

3.1 Data yang digunakan Data yang digunakan dalam penelitian didapat dari pakar yakni posyandu daerah Serpong dan referensi buku Rekomendasi dari Ikatan Dokter Anak Indonesia serta hasil konsultasi kepada ahli gizi.

2.3.4 Seleksi Metode seleksi yang digunakan pada penelitian ini adalah elitism selection dengan cara mengumpulkan semua individu gabungan pada suatu populasi. Individu dengan nilai fitness terbesar menjadi pilihan yang akan digunakan pada generasi berikutnya (Mahmudy, 2013).


4. PERANCANGAN 4.1 Formulasi Permasalahan Permasalahan pada penelitian ini mengenai status gizi seorang bayi dilihat dari beberapa kondisi pada bayi tersebut untuk dapat terpenuhi kebutuhan gizinya. Dalam permasalahan ini terdapat beberapa kriteria yang digunakan dalam


2710

menentukan status gizi yang diperlukan sesuai dengan kondisi bayi yaitu, umur, berat badan dan panjang badan. Data yang digunakan dalam penelitian ini sebanyak 60 data yang didapatkan dari pakar. 4.2 Alur Penyelesaian Dalam penyelesaian masalah optimasi ini, algoritma genetika digunakan untuk mengoptimalisasi variabel numeris fungsi keanggotaan didalam fuzzy. Proses yang pertama dilakukan adalah menentukan nilai fungsi keanggotaan fuzzy. Setelah itu, akan dilakukan proses perhitungan menggunakan algortima genetika dengan nilai batasan-batasan dari fungsi keanggotaan fuzzy sebagai kromosomnya. Perhitungan algoritma genetika dilakukan hingga menemukan nilai fitness terbaik, lalu dilakukan perhitungan meenggunakan fuzzy. Berikut ini diagram alur dari proses penyelesaian optimasi algoritma genetika yang ditunjukan pada gambar 7. 5. PENGUJIAN Pada penelitian ini terdapat 3 pengujian yaitu, pengujian jumlah populasi, pengujian jumlah generasi, jumlah nilai croosover rate dan mutation rate. Setelah tiap pengujian mendapatkan nilai terbaiknya, akan diuji kembali menggunak nilai-nilai terbaik untuk menghasilkan hasil yang optimal. Gambar 7. Diagram Alir Penyelesaian Masalah

5.1 Hasil dan Analisa Pengujian Jumlah Populasi

Populasi Nilai Fitness

Pengujian populasi ini menggunakan 6 ukuran populasi yang berbeda dengan 10 percobaan pada tiap ukurannya. Ukuran generasi yang digunakan sebesar 10 serta nilai crossover 0.5 dan mutasi 0.5. Berikut hasil pengujian dari ukuran populasi yang ditunjukkan pada gambar 8.

70 65 60 55 50 45 40 35 30 25 20 15 10 5 0

Fitness 20 30 40 50 60 70 80 Jumlah Populasi

Gambar 8. Grafik Hasil Pengujian Jumlah Populasi

Pada gambar 8 dapat dilihat rata-rata nilai fitness dari ukuran populasi 20 hingga 80. Melihat grafik tersebut rata-rata nilai fitness terbesar diperoleh ukuran populasi 50 dengan nilai fitness 64. Pada perbandingan nilai rata-rata fitness populasi terjadi kenaikan nilai fitness secara signifikan. Semakin tinggi populasi Fakultas Ilmu Komputer, Universitas Brawijaya


2711

semakin bagus nilai fitness dan fitness menjadi konvergen.

Pengujian generasi dilakukan untuk mengetahui jumlah generasi yang optimal. Pada pengujian generasi ini dilakukan 10 kali pengujian dengan 5 ukuran generasi yang berbeda-beda. Ukuran populasi yang digunakan sebesar 50 serta nilai crossover 0.5 dan mutasi 0.5. Berikut hasil pengujian dari ukuran generasi yang ditunjukkan pada gambar 9.

Nilai Fitness

Generasi 72 71 70 69 68 67 66

Nilai Fitness

5.2 Hasil dan Analisa Pengujian Jumlah Generasi

Cr & Mr 80 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5 0

Fitness 0.8 0.7 0.6 0.4 0.3 0.2 ; ; ; ; ; ; 0.2 0.3 0.4 0.6 0.7 0.8 Nilai Cr & Mr

Gambar 10. Grafik Pengujian Nilai Crossover Rate dan Mutation Rate

Fitness 50 100 150 200 250 Jumlah Generasi

Gambar 9. Grafik Hasil Pengujian Jumlah Generasi

Pada gambar 9 dapat dilihat rata-rata nilai fitness dari ukuran generasi 50 hingga 250. Melihat grafik tersebut rata-rata nilai fitness terbesar diperoleh ukuran generasi 150 dengan nilai fitness 71.5. Pada perbandingan nilai ratarata fitness populasi terjadi naik turunnya nilai fitness yang cukup signifikan dan didapatkan nilai fitness terbesar pada generasi 150. 5.3 Hasil Pengujian Nilai Crossover rate dan Mutation rate Pengujian nilai crossover dan mutasi dilakukan agar mengetahui nilai crossover dan mutasi yang optimal. Pada pengujian nilai crossover dan mutasi ini menggunakan 5 nilai crossover dan mutasi yang berbeda dengan 10 percobaan pada tiap nilainya. Ukuran populasi yang digunakan sebesar 50 dan ukuran generasi 300. Berikut hasil pengujian dari nilai crossover dan mutasi yang ditunjukkan pada gambar 10.


Pada gambar 10 dapat dilihat rata-rata nilai fitness terbesar diperoleh pada nilai crossover dan mutasi 0.3 dan 0.7 dengan nilai 71. Hasil pada pengujian nilai crossover semakin kecil relatif lebih besar nilai fitness yang didapatkan. 5.4 Hasil Pengujian Nilai Parameter Terbaik Pada pengujian ini akan dilakukan pengujian dengan nilai parameter terbaik yang telah dilakukan dipengujian sebelumnya yang dilihat dari nilai fitness yang terbesar pada tiap pengujiannya. Pengujian parameter terbaik akan dilakukan sebanyak 10 kali dengan melihat nilai akurasinya. Ukuran populasi yang digunakan adalah 50, ukuran generasi 150 dan nilai crossover dan mutasi 0.3 dan 0.7. Setelah dilakukan pengujian menggunakan nilai terbaik akan dibandingkan dengan penilaian menurut hasil pakar. Data uji yang digunakan sebanyak 20 buah. Berikut hasil perbandingan hasil optimasi dengan hasil penilaian dengan pakar yang ditunjukkan pada tabel 2. Tabel 2. Hasil Pengujian Parameter Terbaik Hasil Uji

Hasil Optimasi

Akurasi

1

75

75%

2

77.5

60%

3

72.5

70%

4

65

75%

5

65

55%

6

67.5

65%

7

75

70%

8

70

60%

9

67.5

60%

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10

77.5

75%

6. KESIMPULAN Berdasarkan hasil pengujian yang telah dilakukan pada bab sebelumnya, maka dapat diberi kesimpulan sebagai berikut : 1. Dalam optimasi fungsi keanggotaan fuzzy menggunakan Algoritma genetika dalam penentuan kebutuhan gizi bayi mpasi, algoritma genetika digunakan untuk menentukan batas-batas pada fungsi keanggotaan fuzzy. Batas-batas nilai pada fuzzy dijadikan kedalam sebuah kromosom untuk dilakukan proses optimasi. Pada proses algoritma genetika dicari kromosom dengan nilai fitness terbesar untuk menjadi nilai batas pada fungsi keanggotaan fuzzy. 2. Hasil pengujian pada penelitian ini nilainilai pada tiap pengujian populasi, generasi sreta nilai crossover dan mutasi berpengaruh kepada nilai fitness yang dihasilkan. Pada pengujian populasi, semakin besar nilai populasi akan terjadi kenaikan nilai fitness. Pada pengujian generasi dan nilai crossover dan mutasi, terjadi keberagaman nilai fitness yang naik turun. Nilai fitness terbaik pada tiap parameter terdapat pada populasi 50, generasi 400, dan nilai cr dan mr 0.2 dan 0.8. Setelah dilakukan pengujian menggunakan parameter terbaik didapatkan nilai akurasi sebesar 38%. DAFTAR PUSTAKA Azizah, Evi Nur., Cholissodin, Imam., Mahmudy, WF. 2015. Optimasi Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk Penentuan Harga Jual Rumah. Journal of Environment Engineering&Sustainable Technology. Vol. 02, No. 02. Kurnigtyas, Diva., Mahmudy, WF., Widodo, AW. 2017. Optimasi Derajat Keanggotaan Fuzzy Tsukamoto Menggunakan Algoritma Genetika Untuk Diagnosis Penyakit Sapi Potong. Jurnal Teknologi Informasi dan Ilmu Komputer. Vo. 4, No. 1. Kusumadewi, Sri., Purnomo, Hari. 2010. Aplikasi Logika Fuzzy. Yogyakarta: Graha Ilmu. Mahmudy, Wayan Firdaus. 2013. Algortima Evolusi. Program Teknologi Informasi dan


2712 Ilmu Komputer. Universitas Brawijaya. Malang

Robandi, Imam. (2006). Desain Sistem Tenaga Modern. Yogyakarta: Penerbit ANDI. Saputra, Yogi. 2012. Pemenuhan Zat Gizi Pada Bayi. http://materikuliahkesehatankeperawatan.b logspot.co.id/2012/11/pemenuhan-zat-gizipada-bayi.html. [Diakses : 14 Maret 2017] Situmpul, Ewa Molika. 2014. Buku Pintar Bayi MPASI: Bayi 6 bulan sampai dengan 1 tahun. Lembar Langit Indonesia.

Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI

Recommend Documents