Penyusunan Bahan Makanan Keluarga Penderita Penyakit Hiperkolesterolemia Menggunakan Algoritme Genetika

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 8, Agustus 2018, hlm. 2979-2986

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

Penyusunan Bahan Makanan Keluarga Penderita Penyakit Hiperkolesterolemia Menggunakan Algoritme Genetika Sabrina Nurfadilla1, Imam Cholissodin2, Sutrisno3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Setiap individu dalam sebuah keluarga memerlukan nutrisi dengan jenis yang sama namun jumlah dari nutrisi berbeda-beda tiap individunya, hal itu dipengaruhi diantaranya umur, bentuk tubuh, jenis kelamin, kondisi fisik, keturunan genetik dan gaya hidup. Data informasi analisis Riskesdas yang dilaksanakan pada tahun 2007 dan 2013 menyatakan bahwa banyak permasalahan kualitas konsumsi makanan masyarakat Indonesia diantaranya 80 hingga 90% masyarakat Indonesia cenderung kurang dalam konsumsi sayur dan/atau buah serta sebanyak 40.7% mengkonsumsi makanan beresiko yang mengandung lemak berlebih, berkolesterol dan gorengan lebih dari sama dengan satu kali perhari. Oleh karena itu penyusunan bahan makanan keluarga penderita penyakit hiperkolesterolemia menggunakan algoritme genetika dibutuhkan agar bahan makanan yang dikonsumsi variatif dan mampu mencukupi kebutuhan gizi dengan biaya yang minimal. Algoritme genetika mampu memberikan solusi permasalahan yang kompleks dan luas secara objektif. Pada proses crossover menggunakan metode extended intermediate dan proses mutasi menggunakan metode random mutation. Hasil solusi terbaik didapatkan saat nilai ukuran populasi sebesar 100, crossover rate sebesar 0.8, mutation rate sebesar 0.2, nilai batas permutasi sebesar 115 dan generasi sebesar 65. Kata kunci: algoritme genetika, kebutuhan gizi, bahan makanan

Abstract To improve the quality of human resource generation required good nutritional needs for everybody. Each member of family needs a nutrition in the same kind but amount of the nutrition is different, that is influenced by age, body shape, gender, physical condition, genetic heredity, and life style. Information of data analysis from Riskesdas which is held in 2007 and 2013 revealed that Indonesian citizen Having problems with quality food consumption of between 80 to 90 percent tend to be less fruit and/or vegetable consumption and approximately 40.7% consume risky foods containing excess fat, cholesterol and fried more than equal to one time per day. From these data nutritional needs with food processing which is consumed by Indonesian citizen still lack. Therefore, the preparation of family food ingredients of patients with hypercholesterolemia using genetic algorithms needed for food ingredients that are consumed are variety and able to meet the nutritional needs with minimal cost. Genetic algorithm is a stochastic optimization technique because using random value. Genetic algorithms are capable of providing complex and wide-ranging problem solutions objectively. In crossover process using extended intermediate method and mutation process using random mutation method. The best solution results obtained when the population size of 100, crossover rate of 0.8, mutation rate of 0.2, permutation limit value of 115 and generation of 65. Keywords: genetic algorithm, nutritional needs, food material

1.

Riskesdas yang dilaksanakan pada tahun 2007 dan 2013 tentang perilaku konsumsi sayur dan buah yang disediakan oleh Kementrian Kesehatan Indonesia, konsumsi dikategorikan cukup apabila mengkonsumsi sayur dan/atau buah minimal lima porsi per hari dalam satu minggu. Hasil analisis data Riskesdas

PENDAHULUAN

Permasalahan gizi yang muncul pada masa dewasa disebabkan oleh kebiasaan atau gaya hidup yang tidak sehat (Adriani & Wirjatmadi, 2014). Data informasi Riset kesehatan dasar atau Fakultas Ilmu Komputer Universitas Brawijaya

2979

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

menyatakan bahwa 80 hingga 90% masyarakat Indonesia cenderung kurang dalam mengkonsumsi sayur dan/atau buah. Menurut data informasi Riskesdas tentang pola konsumsi makanan beresiko dengan bumbu penyedap menunjukkan bahwa kebiasaan masyarakat Indonesia mengkonsumsi makanan yang diberi bumbu penyedap dalam kategori sering, artinya konsumsi makanan tersebut satu kali atau lebih dalam sehari. Data Riskesdas tahun 2007 dan 2013 menyatakan masyarakat Indonesia sebanyak 40.7% mengkonsumsi makanan beresiko yang mengandung lemak berlebih, berkolesterol dan gorengan lebih dari sama dengan satu kali perhari. Permasalahan gizi yang muncul pada fase dewasa yang dipicu oleh gaya hidup sehat seperti pada fakta yang telah disebutkan dapat memunculkan permasalahan gizi yang mugkin akan muncul seperti Diabetes Mellitus, Aterosklerosis, Gout atau asam urat, Osteoporosis, Obesitas, dan Anemia (Adriani & Wirjatmadi, 2014). Faktor terpenting yang secara langsung mempengaruhi Sumber Daya Manusia adalah gizi. Gizi juga mempengaruhi kesehatan secara umum, mendukung proses pertumbuhan, memberi energi untuk melakukan kegiatan sehari-hari dan melindungi tubuh dari serangan penyakit. Permasalahan gizi akan muncul ketika ada ketidakseimbangan antara asupan dan kebutuhan zat gizi. Kebutuhan zat gizi didapatkan dari penilaian status gizi yang dilakukan dengan membandingkan jumlah dan zat gizi yang dikonsumsi terhadap kebutuhan tubuh sesuai kondisi. Gizi seimbang dapat diartikan dengan memenuhi kecukupan energi yang diperlukan tubuh, memenuhi kebutuhan protein yang digunakan dalam pertumbuhan, memperbaiki sel yang telah rusak dan menjaganya (Sutomo dan Anggraini, 2010). Rekomendasi untuk asupan gizi individu umumnya diatur untuk memenuhi kebutuhan dari individu sehat dalam kelompok gender usia tertentu, dan cukup untuk pemulihan kondisi yang cepat akan kehilangan nutrisi yang mungkin telah terjadi (Caballero, 2012). Dalam pemenuhan gizi tidak hanya memandang dari jumlah gizi yang harus terpenuhi tetapi juga melihat dari sisi biaya yang minimal. Permasalahan tersebut memunculkan solusi yaitu dibutuhkan cara untuk mengoptimalkan pemenuhan gizi dengan biaya yang minimal tanpa mengurangi jumlah zat gizi yang harus dipenuhi (Pratiwi, Mahmudy & Dewi, 2014). Algoritme genetika memiliki beberapa Fakultas Ilmu Komputer, Universitas Brawijaya

2980

keuntungan diantaranya adalah mampu memberikan solusi untuk permasalahan yang luas dan kompleks serta dapat menghasilkan himpunan solusi yang optimal (Mahmudy, 2013). Berdasarkan beberapa penelitian di atas penulis mengembangkan penelitian tentang susunan bahan makanan keluarga menggunakan algoritme genetika yang mampu menangani salah satu anggota keluarga yang memiliki asupan nutrisi makanan berkebutuhan khusus. Penerapan algoritme genetika ini diharapkan mampu memberikan solusi untuk susunan bahan makanan yang mampu memenuhi gizi keluarga dengan biaya yang minimal. Penelitian yang dilakukan oleh Wahid & Mahmudy, 2015 bertujuan untuk mencari representasi kromosom efisien yang digunakan untuk mengoptimasi komposisi makanan untuk penderita hiperkolesterolemia (Wahid & Mahmudy, 2015). Penelitian ini menggunakan 100 bahan makanan dengan kandungan gizi terdiri dari karbohidrat, protein dan lemak. Representasi kromosom menggunakan permutasi bilangan integer yang panjangnya 9 digit dan angka tersebut merupakan nomor urut bahan makanan. Pada proses crossover menggunakan metode Single Point Crossover, proses mutasi menggunakan Exchange Mutation dan seleksi menggunakan metode Elitism Selection. Penelitian ini menghasilkan solusi optimal dengan ukuran populasi sebanyak 100 dan rata-rata nilai fitness sebesar 0.1862. Nilai kombinasi dari crossover rate yang dihasilkan 0.7 sedangkan mutation rate yang dihasilkan 0.3 dengan nilai rata-rata fitness sebesar 0.1856. Hasil akhir dari penelitian ini menghasilkan bahan makanan untuk penderita hiperkolesterolemia dengan mempertimbangkan kebutuhan nutrisi dan harga. Penelitian yang dilakukan oleh Rianawati & Mahmudy, 2015 bertujuan untuk menemukan representasi kromosom yang efisien yang digunakan untuk optimasi komposisi makanan penderita penyakit diabetes mellitus (Rianawati & Mahmudy, 2015). Penelitian ini menggunakan data sebanyak 133 bahan makanan dengan 5 macam pengelompokan diantaranya adalah makanan pokok, sumber nabati, sumber hewani, sayuran dan pelengkap. Konsep dari representasi kromosom yang digunakan adalah permutasi bilangan integer dengan panjang 15 digit yang tiap nomornya merupakan nomor urut dari makanan. Proses crossover dilakukan dengan cara Single Point Crossover kemudian proses mutase dilakukan dengan cara Resiprocal


Exchange Mutation dan seleksi dengan Elitism Selection. Hasil dari penelitian ini adalah berupa komposisi bahan makanan untuk penderita diabetes mellitus yang merupakan representasi dari solusi optimal. Penelitian ini menghasilkan solusi optimal dengan ukuran populasi sebesar 160 individu dan rata-rata nilai fitness sebesar 0.07745 dengan nilai kombinasi crossover rate sebesar 0.4 sedangkan mutation rate sebesar 0.6 dan menghasilkan nilai rata-rata fitness sebesar 0.0780. Penelitian yang dilakukan oleh Hamidah & Cholissodin, 2016 terkait optimasi penyusunan bahan makanan untuk keluarga menggunakan metode algoritme genetika dengan simulated annealing. Masukan yang dibutuhkan adalah hari, jumlah keluarga, umur, tinggi badan, berat badan, jenis kelamin, dan jenis aktivitas. Penelitian ini menghasilkan Rekomendasi bahan makanan yang sesuai untuk gizi keluarga dengan berat takaran dan dengan biaya yang minimal (Hamidah & Cholissodin, 2016). Penelitian yang dilakukan oleh Lestari, et al, 2017 dengan tema penentuan bahan makanan untuk penderita penyakit gagal ginjal akut menggunakan algoritme genetika dengan masukan yang dibutuhkan di antaranya nama, umur, tinggi badan, berat badan, jenis kelamin dan aktivitas. Proses crossover menggunakan metode Extended Intermediate Crossover dan mutasi dengan metode Random Mutation. Penelitian ini menghasilkan komposisi dari bahan makanan yang dikonsumsi oleh penderita gagal ginjal akut (Lestari, et al., 2017). Penelitian selanjutnya terkait dengan variasi menu diet yang dilakukan oleh Cholissodin & Dewi, 2017 menggunakan metode Particle Swarm Optimization dan Simulated Annealing (PSO-SA). Penelitian tersebut menghasilkan bahwa algoritme PSOSA dapat digunakan untuk rekomendasi diet makanan sehat untuk seluruh anggota keluarga yang mampu meminimalkan biaya pengeluaran dan memenuhi kebutuhan zat gizi (Cholissodin & Dewi, 2017). 2.

KEBUTUHAN ENERGI

Dalam melakukan aktivitasnya, manusia memerlukan energi. Kebutuhan energi manusia dapat dihitung menggunakan kalorimeter yang besarnya dinyatakan dalam bentuk kilokalori (kkal). Komponen utama dalam menentukan kebutuhan energi adalah Angka Metabolisme Basal atau AMB dan aktivitas fisik. Angka Metabolisme Basal dipengaruhi oleh beberapa Fakultas Ilmu Komputer, Universitas Brawijaya

2981

faktor diantaranya berat badan, tinggi badan, umur dan jenis kelamin. (Almatsier, 2004). Dalam menentukan kebutuhan energi dipengaruhi beberapa faktor salah satunya adalah aktivitas fisik. Aktivitas fisik digolongkan menjadi empat bagian yaitu sangat ringan, ringan, sedang, dan berat. Kebutuhan energi tiap manusia yang di pengaruhi aktivitas fisik (Almatsier, 2004). 𝐿𝑎𝑘𝑖 − 𝑙𝑎𝑘𝑖 = 66 + (13.7 x 𝐵𝐵) + (5 x 𝑇𝐵) − (6.8 x 𝑈) (1) 𝑃𝑒𝑟𝑒𝑚𝑝𝑢𝑎𝑛 = 655 + (9.6 x 𝐵𝐵) + (1.8 x 𝑇𝐵) − (4.7 x 𝑈) (2)

Keterangan: BB TB U

= Berat Badan = Tinggi Badan = Usia

Berat Badan Ideal atau BBI digunakan untuk Persamaan 1 dan 2 sehingga untuk mengatahui BBI seseorang dapat menggunakan rumus Brocca (Adriani dan Wirjatmadi, 2014). 𝐵𝐵𝐼 = (𝑇𝐵 − 100) − 10% (𝑇𝐵 − 100)

Keterangan: BBI TB

(3)

= Berat Badan Ideal = Tinggi Badan

Dalam menentukan kebutuhan energi dipengaruhi beberapa faktor salah satunya adalah aktivitas fisik. Aktivitas fisik digolongkan menjadi empat bagian yaitu sangat ringan, ringan, sedang, dan berat. Kebutuhan energi tiap manusia yang di pengaruhi aktivitas fisik yaitu menggunakan Persamaan 4 (Almatsier, 2004). 𝑇𝐸𝐸 = 𝐴𝑀𝐵 x Aktivitas

Keterangan: TEE AMB 3.

(4)

= Total Energy Expenditure = Angka Metabolisme Basal

PENALTI GIZI

Dalam pemenuhan kebutuhan zat gizi, penalti gizi dibutuhkan untuk mengontrol nilai gizi apabila terjadi kekurangan atau kelebihan. Kualitas solusi yang dihasilkan juga dipengaruhi oleh faktor penalti gizi (Wahid & Mahmudy, 2015).


𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = 𝐾𝑒𝑏𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 − 𝑇𝑜𝑡𝑎𝑙𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡, 𝑇𝑜𝑡𝑎𝑙𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 < 𝐾𝑒𝑏𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡

2982

mengkombinasikan nilai dari dua parent yang kemudian akan menghasilkam offspring. (5)

𝑇𝑜𝑡𝑎𝑙𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 − 𝐾𝑒𝑏𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡, { 𝑇𝑜𝑡𝑎𝑙𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 ≥ 𝐾𝑒𝑏𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡

𝐶1=𝑃1+ 𝛼 (𝑃2−𝑃1) 𝐶2=𝑃2+ 𝛼 (𝑃1−𝑃2)

(9)

Keterangan: C(1,2) = Hasil crossover P(1,2) = Parent atau induk yang digunakan 𝛼 = alpha

𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = 𝐾𝑒𝑏𝑢𝑡𝑢ℎ𝑎𝑛𝑃𝑟𝑜𝑡𝑒𝑖𝑛 − 𝑇𝑜𝑡𝑎𝑙𝑃𝑟𝑜𝑡𝑒𝑖𝑛, 𝑇𝑜𝑡𝑎𝑙𝑃𝑟𝑜𝑡𝑒𝑖𝑛 < 𝐾𝑒𝑏𝑢ℎ𝑡𝑢ℎ𝑎𝑛𝑃𝑟𝑜𝑡𝑒𝑖𝑛

(6) 𝑇𝑜𝑡𝑎𝑙𝑃𝑟𝑜𝑡𝑒𝑖𝑛 − 𝐾𝑒𝑏𝑢𝑡𝑢ℎ𝑎𝑛𝑃𝑟𝑜𝑡𝑒𝑖𝑛, { 𝑇𝑜𝑡𝑎𝑙𝑃𝑟𝑜𝑡𝑒𝑖𝑛 ≥ 𝐾𝑒𝑏𝑢𝑡𝑢ℎ𝑎𝑛𝑃𝑟𝑜𝑡𝑒𝑖𝑛

6.

𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝐿𝑒𝑚𝑎𝑘 = 0, 𝑇𝑜𝑡𝑎𝑙𝐿𝑒𝑚𝑎𝑘 < 𝐾𝑒𝑏𝑢𝑡𝑢ℎ𝑎𝑛 𝐿𝑒𝑚𝑎𝑘

(7) 𝑇𝑜𝑡𝑎𝑙𝐿𝑒𝑚𝑎𝑘 − 𝐾𝑒𝑏𝑢𝑡𝑢ℎ𝑎𝑛𝐿𝑒𝑚𝑎𝑘, { 𝑇𝑜𝑡𝑎𝑙𝐿𝑒𝑚𝑎𝑘 ≥ 𝐾𝑒𝑏𝑢𝑡𝑢ℎ𝑎𝑛𝐿𝑒𝑚𝑎𝑘 𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 = 𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 + 𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝑃𝑟𝑜𝑡𝑒𝑖𝑛 + 𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝐿𝑒𝑚𝑎𝑘

4.

(8)

ALGORITME GENETIKA

Algoritme genetika merupakan teknik yang digunakan dalam optimasi yang merupakan bagian dari ilmu algoritme evolusi. Algoritme genetika menirukan proses evolusi biologi makhluk hidup yaitu seperti melakukan reproduksi dan seleksi. Algoritme genetika memiliki beberapa keuntungan diantaranya (Mahmudy, 2013): 1. Merupakan algoritme berbasis populasi sehingga memungkinkan untuk digunakan menyeleksaikan masalah yang kompleks dan luas. 2. Digunakan untuk menyelesaikan masalah dengan obyektif dengan menghasilkan himpunan solusi optimal. 3. Dapat menyelesaikan masalah dengan banyak variabel baik variabel yang bersifat kontinyu maupun diskrit dan atau keduanya. 5. CROSSOVER Salah satu tahap pada reproduksi adalah crossover. Crossover dilakukan dengan cara memilih parent sebanyak dua dalam sebuah populasi secara acak agar menghasilkan keturunan (Mahmudy, 2013). Cara melakukan crossover adalah dengan menukar segmentasi kromosom kedua parent agar menghasilkan individu baru atau offspring. Metode lain dari proses crossover adalah extended intermediate. Cara kerja proses crossover dengan metode extended intermediate adalah dengan Fakultas Ilmu Komputer, Universitas Brawijaya

MUTASI

Mutasi merupakan sebuah proses pengubahan acak nilai gen yang dilakukan pada sebuah individu (Mahmudy, 2013). Teknik mutasi yang sering digunakan adalah exchange mutation (XP) dan insertion mutation (IP) untuk representasi kromosom menggunakan permutasi. Exchange mutation dilakukan dengan cara menentukan dua posisi secara random pada satu parent kemudian menukarkan nilai keduanya dan menghasilkan offspring yang baru. Insertion mutation dilakukan dengan cara memilih satu posisi secara random pada satu parent kemudian mengambil dan menyisipkan nilai pada posisi yang lain. Metode mutasi lainnya adalah dengan menggunakan metode random mutation sebagai metode mutasi. Cara kerja metode random mutation ini adalah memilih posisi kromosom secara random lalu nilai kromosom tersebut diganti dengan nilai lain yang dipilih secara random sesuai dengan batas permutasi (Mahmudy, 2013). 7.

EVALUASI

Proses evaluasi merupakan proses perhitungan nilai fitness yang merupakan nilai penentu kualitas dari suatu individu pada algoritme genetika. Tujuan dari algoritme genetika yaitu memaksimalkan nilai fitness. Cara perhitungan nilai fitness dapat dihitung dengan menggunakan Persamaan 5 dan 6 (Mahmudy, 2013). 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = 𝐶 − 𝑓(𝑥) 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 =

𝐶 𝑓(𝑥)+𝜀

(5) (6)

Keterangan: C = Nilai konstanta 𝜀 = Bilangan kecil agar tidak terjadi pembagian angka nol 𝑓(𝑥) = Hasil dari evaluasi algoritme genetika


8.

2983

SELEKSI

Seleksi dilakukan dengan cara memilih individu yang memiliki nilai fitness tertinggi agar menghasilkan generasi yang lebih baik dari sebelumnya. Metode seleksi salah satunya adalah Elitism. Elitism merupakan seleksi dengan cara memilih kromosom dengan nilai fitness tertinggi yang kemudian akan menjadi parent pada generasi selanjutnya. (Mahmudy, 2013). 9.

ALUR PENELITIAN

Sub bab ini menjelaskan tentang proses penyelesaian penyusunan bahan makanan keluarga menggunakan algoritme genetika pada Gambar 1. 1. Memasukkan nilai-nilai parameter yang dibutuhkan. Parameter gizi yang dimasukkan adalah data anggota keluarga seperti, jenis kelamin, usia, berat badan, tinggi badan dan aktivitas. Parameter algoritme genetika yang dimasukkan adalah ukuran populasi, crossover rate, mutation rate, alfa, dan jumlah generasi. 2. Proses perhitungan kebutuhan zat gizi keluarga. 3. Proses inisialisasi populasi awal sesuai dengan ukuran populasi. 4. Proses crossover menggunakan metode extended intermediate crossover. 5. Proses mutasi menggunakan metode random mutation. 6. Proses perhitungan fitness gizi. 7. Proses perhitungan fitness harga 8. Proses perhitungan variasi. 9. Proses perhitungan fitness. 10. Seleksi menggunakan metode elitism selection. 11. Mendapatkan individu terbaik.

Gambar 1 Diagram Alir Optimasi Algoritme Genetika

10. PENGUJIAN DAN ANALISIS Perancangan digunakan untuk mengevaluasi kualitas solusi yang dihasilkan oleh sistem. Pengujian ini dilakukan dalam beberapa skenario dengan kondisi yang berbedabeda di tiap skenarionya sehingga dapat diketahui kondisi mana yang dapat menghasilkan kualitas solusi terbaik. 10.1 Pengujian berdasarkan Populasi (Popsize)

Ukuran

Setiap ukuran popsize diuji sebanyak 5 kali dan dihitung nilai rata-ratanya kemudian diambil nilai fitness tertinggi untuk pengujian selanjutnya. Parameter yang digunakan adalah generasi sebesar 25, crossover rate 0.3, mutation rate 0.4, permutasi sebesar 55 dan alpha dengan rentang 0 hingga 2. Hasil pengujian seperti pada Gambar 2.

Fakultas Ilmu Komputer, Universitas Brawijaya

2984

Populasi

110 105 100 95

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

Rata-rata Nilai Fitness

110 108 106 104 102 100

55 60 65 70 75 80 85 90 95 100

Nilai Fitness


cr;mr Gambar 4 Grafik Hasil Pengujian Nilai fitness Berdasarkan Nilai Cr dan Mr

Dari hasil pengujian di atas menyatakan bahwa semakin tinggi nilai popsize maka semakin tinggi pula nilai dari rata-rata fitness. Hal ini disebabkan karena nilai fitness berpengaruh dengan ruang pencarian. Semakin banyak nilai popsize maka akan semakin tinggi tingkat keragamannya dan juga waktu komputasi yang dibutuhkan juga semakin banyak. Misalnya pada populasi yang nilainya lebih dari 90 maka waktu komputasi yang dibutuhkan juga lebih banyak dibandingkan pada nilai populasi yang sebelumnya. Pada pengujian ini, rata-rata fitness tertinggi dihasilkan dari populasi yang bernilai 100 dengan rata-rata fitness sebesar 107.7158 dengan waktu konputasi sebesar 15.972. Pada Gambar 3 merupakan lamanya waktu komputasi untuk tiap ukuran popsize.

Dari hasil pengujian di atas rata-rata fitness yang terbaik didapatkan dari kombinasi nilai cr = 0.8 dan mr = 0.2 dengan nilai rata-rata fitness sebesar 108.754. Semakin tinggi nilai cr dan semakin turunnya nilai mr berpengaruh pada rata-rata fitness yang nilainya semakin naik meskipun masih terdapat dua kali penurunan pada kombinasi 0.5;0.5 dan 0.9;0.1. Pada pengujian kombinasi nilai cr dan mr ini dapat diambil kesimpulan bahwa meningkatnya ratarata nilai fitness tidak diperngaruhi oleh nilai cr maupun mr. Nilai cr pada proses crossover berpengaruh pada eksplorasi untuk mencari ruang pencarian baru sedangkan nilai mr pada mutasi berpengaruh pada eksploitasi yaitu mencari dan meningkatkan solusi pada ruang pencarian terdekat. 10.3 Pengujian berdasarkan Batasan Nilai Permutasi

Populasi Gambar 3 Grafik Waktu Komputasi Pengujian Nilai fitness Berdasarkan Ukuran Populasi

10.2 Pengujian berdasarkan Nilai Cr dan Mr Setiap nilai cr dan mr diuji sebanyak 5 kali dan dihitung nilai rata-ratanya kemudian diambil nilai fitness tertinggi untuk pengujian selanjutnya. Parameter yang digunakan adalah popsize sebesar 100, generasi sebesar 25, permutasi sebesar 55 dan alpha dengan rentang 0 hingga 2. Hasil pengujian seperti pada Gambar 4.

Setiap batasan nilai permutasi diuji sebanyak 5 kali dan dihitung nilai rata-ratanya kemudian diambil nilai fitness tertinggi untuk pengujian selanjutnya. Parameter yang digunakan adalah popsize sebesar 100, generasi sebesar 25, crossover rate 0.8, mutation rate 0.2, dan alpha dengan rentang 0 hingga 2. Hasil pengujian seperti pada Gambar 5. Rata-rata nilai fitness

20 15 10 5 0

55 60 65 70 75 80 85 90 95 100

Waktu Komputasi (Menit)

Gambar 2 Grafik Hasil Pengujian Nilai fitness Berdasarkan Ukuran Populasi

112 110 108 106 104 67 75 85 95 105 115 125 145

Bilangan Permutasi

Gambar 5 Grafik Hasil Pengujian Nilai fitness Berdasarkan Batasan Nilai Permutasi

Gambar 5 menunjukkan hasil dari pengujian nilai batas permutasi yang Fakultas Ilmu Komputer, Universitas Brawijaya


menghasilkan nilai fitness yang tidak stabil atau naik turun dengan pola yang berulang-ulang. Ketidakstabilan tersebut dapat dipengaruhi oleh fungsi modulo sebagai metode konversi bahan makanan. Modulo adalah operator yang digunakan untuk perhitungan sisa hasil pembagian yang mana dalam konversi bahan makanan ini hasil sisa dari pembagian nilai permutasi digunakan sebagai indeks bahan makanan. Nilai fitness yang terbaik didapatkan oleh nilai permutasi sebesar 115. 10.4 Pengujian Konvergesi

115 110 105 100

5 25 45 65 85 105 125 145 165 185

Nilai Fitness

Pengujian konvergensi berdasarkan jumlah generasi bertujuan untuk mengetahui pengaruh jumlah generasi terhadap nilai fitness. Pada setiap generasi akan terpilih individu yang dapat bertahan dengan proses seleksi sehingga pada pengujian ini akan terlihat bagaimana pengaruh jumlah generasi terhadap kualitas solusi yang dihasilkan. Percobaan akan dilakukan 5 kali pada masing-masing kondisi. Parameter yang digunakan adalah popsize sebesar 100, crossover rate 0.8, mutation rate 0.2, nilai permutasi sebesar 115 dan alpha dengan rentang 0 hingga 2.

Generasi Gambar 6 Grafik Hasil Pengujian Nilai fitness Berdasarkan Generasi

Berdasarkan Gambar 6 pada generasi 25 sampai 45 kondisi nilai fitness cenderung stagnansi kemudian naik pada generasi ke 50. Keadaan konvergensi dimulai pada generasi 60 hingga generasi 200. Kenaikan nilai fitness dipengaruhi oleh perbaikan individu seiring pertambahan jumlah generasi pada proses reproduksi dan seleksi yang memilih individu dengan nilai fitness yang terbaik. Pengujian konvergensi ini membuktikan bahwa nilai fitness masih bisa meningkat pada generasi 50 sehingga pencarian solusi terbaik tidak terjebak pada kondisi lokal optimum. 11. ANALISIS GLOBAL Berdasarkan hasil pengujian parameter Fakultas Ilmu Komputer, Universitas Brawijaya

2985

algoritme genetika yang telah dilakukan maka didapatkan nilai tiap parameter yang mendekati nilai optimal sebagai berikut: a. Ukuran populasi = 100 b. Crossover rate = 0.8 c. Mutation rate = 0.2 d. Nilai permutasi = 115 e. Generasi = 65 Berdasarkan Gambar 7 pada keluarga 1 rata-rata selisih kalori -29.70%, rata-rata selisih karbohidrat -35.87%, rata-rata selisih protein 52.53%, rata-rata selisih lemak 20.16% dan ratarata selisih kolesterol -96.18%. Pada keluarga 2 memiliki rata-rata selisih kalori -26.58%, ratarata selisih karbohidrat -28.66%, rata-rata selisih protein -41.27%, rata-rata selisih lemak -4.8% dan rata-rata selisih kolesterol -91.76%. Berdasarkan Gambar 8 biaya konsumsi per hari keluarga 1 yaitu Rp54,167,00.-dengan jumlah lauk nabati sebanyak 3 macam, jumlah lauk hewani 3 macam, jumlah sayur 3 macam dan jumlah buah 3 macam. Pada keluarga 2 memiliki biaya konsumsi per hari sebesar Rp51,521,00.- dengan jumlah lauk nabati sebanyak 3 macam, jumlah lauk hewani 3 macam, jumlah sayur 3 macam dan jumlah buah 3 macam. Menurut standar yang ditentukan oleh pakar, selisih dari kebutuhan gizi dengan konsumsi kandungan gizi memiliki batas toleransi ±10%, sehingga pada keluarga 1 kalori, kandungan karbohidrat, protein, lemak dan kolesterol melebihi batas toleransi sedangkan pada keluarga 2 hanya kandungan lemak saja yang memenuhi batas toleransi dan kebutuhan kalori, karbohidrat, protein serta kolesterol melebihi batas toleransi. Kondisi gizi tidak terpenuhi dapat disebabkan oleh luasnya ruang pencarian solusi terbaik karena semakin luas ruang pencariannya maka akan meningkatkan nilai fitness gizi. Hal ini juga dapat disebabkan faktor nilai konstanta pada perhitungan fitness gizi dan fitness harga. Nilai konstanta pada perhitungan fitness gizi dan fitness harga berfungsi sebagai penyeimbang nilai fitness dan juga sebagai sebuah prioritas, misalnya ketika konstanta pada fitness harga bernilai lebih besar dari fitness gizi maka sistem lebih memprioritaskan penekanan biaya konsumsi daripada pemenuhan kandungan gizi. Hasil rekomendasi sistem yang belum mencapai pemenuhan gizi dipengaruhi oleh sistem yang tidak memperhatikan berat makanan, kondisi keseharian dan hanya


mengikuti anjuran porsi sehari sesuai dengan kategori jenis makanan, umur dan jenis kelamin. Sama halnya dengan kondisi gizi, penekanan biaya konsumsi pada keluarga 2 oleh sistem juga belum terpenuhi karena selisih dari biaya aktual dengan biaya hasil sistem cukup mahal namun pada keluarga 1 sudah mampu untuk menekan biaya konsumsi. Hasil dari bahan makanan rekomendasi sistem berbeda dengan kebiasaan konsumsi keluarga tersebut sehingga terdapat perbedaan harga yang cukup tinggi. Dalam permasalahan yang sama setiap kali sistem dijalankan maka akan menghasilkan solusi yang berbeda. Pencarian solusi pada rekomendasi sistem menggunakan teknik optimasi yang bersifat stochastic yang berarti menggunakan nilai random dalam pencariannya.

2986 hari dengan waktu makan 3 kali dalam sehari yaitu pagi, siang dan malam dengan nilai parameter yang mendekati optimal diantaranya nilai ukuran populasi sebesar 100, crossover rate sebesar 0.8, mutation rate sebesar 0.2, nilai batas permutasi sebesar 115 dan generasi sebesar 65.

DAFTAR PUSTAKA Adriani, M. & Wirjatmadi, B., 2014. Peranan Gizi Dalam Siklus Kehidupan. Jakarta: Prenada Media Group. Almatsier, S., 2004. Penuntun Diet. Jakarta: Gramedia Pustaka Utama. Brown, J. E., 2011. Nutrition Through The Life Cycle. California: Wadsworth Cengage Learning. Caballero, B., 2012. Modern Nutrition In Health and Disease. Philadelphia: Wolters Kluwer Health.

Gambar 7 Hasil Selisih Sistem Dengan Data Aktual Keluarga 1

Cholissodin, I. & Dewi, R. K., 2017. Optimization of Healthy Diet Menu Variation using. Journal of Information Technology and Computer Science, 2(1), pp. 28-40. Hamidah, C. P. & Cholissodin, I., 2016. Implementasi Hybrid Algoritma Genetika Dengan Simulates Annealing Pada Optimasi Bahan Makanan Untuk Pemenuhan Gizi Keluarga.

Gambar 8 Hasil Selisih Sistem Dengan Data Aktual Keluarga 2

Lestari, A. R. T. et al., 2017. Penentuan Komposisi Bahan Makanan Bagi Penderita Gagal. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) , 4(1), pp. 1-7. Mahmudy, W., 2013. Algoritma Evolusi. Malang: Universitas Brawijaya.

Gambar 9 Konsumsi per Hari Hasil Sistem

12. KESIMPULAN 1. Pada algoritme genetika untuk penyusunan bahan makanan keluarga penderita penyakit hiperkolesterolemia dapat digunakan untuk menyelesaikan permasalahan bahan makanan untuk keluarga. 2. Hasil dari implementasi algoritme genetika untuk penyusunan bahan makanan keluarga penderita penyakit hiperkolesterolemia adalah susunan bahan makanan selama 7 Fakultas Ilmu Komputer, Universitas Brawijaya

Rianawati, A. & Mahmudy, W., 2015. Implementasi Algoritma Genetika Untuk Optimasi Komposisi Makanan Bagi Penderita Diabetes Mellitus. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya. Wahid, N. & Mahmudy, W., 2015. Optimasi Komposisi Makanan Untuk Penderita Kolesterol Menggunakan Algoritma Genetika. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya.

Penyusunan Bahan Makanan Keluarga Penderita Penyakit Hiperkolesterolemia Menggunakan Algoritme Genetika

Recommend Documents