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

  

Vol. 1, No. 11, November 2017, hlm. 1321-1330 http://j-ptiik.ub.ac.id

Implementasi Algoritma Particle Swarm Optimization (PSO) untuk

Optimasi Pemenuhan Kebutuhan Gizi Balita

_{1 2 3} Leni Istikomah , Imam Cholissodin , Marji

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: 135150201111039@mail.ub.ac.id, imamcs@ub.ac.id, marji@ub.ac.id

  

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, C ^{1 =2, C 2 =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, C

¹ = 2, C ^{2 = 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 1. perkembangan dan pertumbuhan otak seorang

   PENDAHULUAN

  anak (Santoso, 2004). Seorang anak dikatakan Gizi adalah hal yang penting dan sangat balita jika rentang umurnya 1-5 tahun (Mitiyani, perlu diperhatikan pada setiap manusia.

  2010), istilah umumnya adalah anak dibawah

  Fakultas Ilmu Komputer Universitas Brawijaya

1321 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 menu- menu 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 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.

  =

  ( 4 − 5 ℎ ) (3) . = (10% × . ) ÷ 4 (4) . = (20%× . ) ÷ 9 (5) . ℎ = (70%× . ) ÷ 4 (6)

  = ( ∗ 2) + 8 (1) . = 100 ( 1 − 3 ℎ ) (2) . = 90

  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.

  (8)

  1 . 2 +

  1 . 1 +

2.2 Prosedur Algoritma PSO

  Jika diketahui jumlah anggota PH (Protein Hewani) = 40 dan batas atas=65, maka

  . 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).

  Posisi terbaru dapat diperoleh dari hasil penjumlahan Posisi sebelumnya dengan Kecepatan baru. Menghitung posisi terbaru menggunakan Persamaan (11) dibawah ini:

  Pbest j = nilai Pbest dari dimensi ke-j

  = posisi dimensi ke-j pada Iterasi ke-k

  X j ^k

  = bobot inertia C ^{1 = nilai koefisien akselerasi ke-1} C ^{2 = nilai koefisiean Akselerasi ke-2} = nilai random [0, 1]

  Keterangan: = velocity dimensi ke-j pada Iterasi ke-k

  (10)

  (9) = − −

  2 2 × ( − )

  1 1 × ( − ) +

  = +

  Pbest

  − 1 = (40 − 1) ( 18 − 1 65 − 1) + 1 = 11

  dan

  Gbest

  5. Memperbarui Kecepatan (Velocity) dan posisi partikel Nilai velocity didapatkan dari penjumlahan momentum dan pengalaman yang diambil dari

  4. Mencari Gbest sebagai partikel terbaik dari seleruh anggota swarm Nilai Gbest didapatkan dari nilai fitness Pbest tertinggi.

  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).

  − = (( − 1) ( −1 −1

  )) + 1 (7)

  Keterangan: = jumlah anggota jenis bahan makanan ke-i = nilai dimensi ke-i = batas atas angka permutasi

  2. Evaluasi partikel dengan cara membandingkan nilai fitness Nilai fitness digunakan sebagai acuan untuk menentukan Gbest dan Pbest. Pada penelitian yang dilakukan oleh Eliantara (2016) nilai fitness menggunakan Persamaan (8).

  Bahan makanan yang direkomendasikan pada dimensi 1 adalah bahan makanan berjenis protein hewani dengan nomor indeks 11.

  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.

• 1 +1

  =

• (11)

  Mulai 6.

  Melanjutkan langkah ke-2 jika stopping

  condition belum terpenuhi _{Data Balita, Parameter PSO} 3.

   METODOLOGI

  Dalam melakukan penelitian ini tahap

  Hitung Kebutuhan Gizi Balita

  pertama adalah melakukan studi literatur yang berhubungan dengan objek penelitian. Tahap selanjutnya adalah pengumpulan data, analisis

  Inisialisasi Populasi Awal

  kebutuhan, perancangan sistem, implementasi, pengujian dan analisis. Tahap terakhir adalah penarikan kesimpulan.

  For i= 1 to itermax

  Data Balita diperoleh dari Posyandu Jember dan wawancara pakar ahli gizi balita (Ummu Ditya Erliana, S.Gz., M.Sc.).

  Update Kecepatan

  Data daftar harga didapatkan berdasarkan dari penelitian sebelumnya oleh Felia

  survey Eliantara tahun 2016.

  Update Posisi

  Perancangan sistem secara umum dan Hitung fitness ditunjukkan pada Gambar 2 yang terdiri dari

  Input , Proses dan Ouput. Proses Implementasi Update Pbest

  Algoritma Particle Swarm Optimization (PSO) untuk Pemeneuhan Kebutuhan Gizi Balita dapat dilihat pada Gambar 3.

  Update Gbest Input Proses

  Output i

  Nama, Rekomendasi umur, berat Bahan

  PSO badan, Makanan Partikel Terbaik tinggi badan

  Selesai Gambar 2. Perancangan Sistem 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 Umur BB TB Nama (tahun) (kg) (cm)

  Celsi

  3.6

  15.5

  96

  Tabel 2. Parameter PSO _{Jumla Bat}

  18

  12

  25

  60 _{Partike h C Iterm Wm l 1 ax ax C 2 rand 1 rand 2 Wmin as Atas}

  11

  5

  60

  3 _{2 2 2 0.9342 0.396 2 0.4 0.7 65}

  60

  46

  49

  33 ₃ X2

  46

  30

  59 57 190.5

  12

  38

  11

  3

3.2 Hitung Kebutuhan Gizi

  43

  50

  5

  36 Sebelum menghitung kebutuhan gizi, perlu

  3.3.3 Inisialisasi Pbest dan Gbest diketahui Berat Badan Ideal seorang balita.

  Pada awal Iterasi, nilai Pbest disamakan Contoh perhitungan Berat Badan Ideal: dengan posisi awal partikel dan nilai Gbest

  = (3.6×2) + 8 = 15.2 didapatkan dari nilai fitness Pbest yang tertinggi.

  Setelah mendapatkan BBI, kebutuhan energi Contoh inisilisasi Pbest dan Gbest dapat dilihat pada Tabel 4 dan 5. balita dapt dihitung dengan Persamaan (2). Berikut ini contoh perhitungan kebutuhan energi

  Tabel 4. Contoh Inisialisasi Pbest

  dan kebutuhan gizi balita:

  Pbest Nilai Dimensi Fitness . = 100 18 12 … 25 60

15.2 Pbest

  ¹

  11

  5

  60 3 186.72 = 1520

  60

  46

  49

  33 . = (10%×1520 ) ÷ 4

  46

  30

  59

  57 = 38 Pbest ²

  12

  38

  11 3 190.5 . = (20%×1520 ) ÷ 9

  43

  50

  5

  36 = 33.8 . ℎ = (70%×1520 ) ÷ 4

  Tabel 5. Contoh Inisialisasi Gbest = 266 Gbest Nilai Dimensi Fitness

  46

  30 … 59 57

3.3 Insialisasi Populasi Awal

  Gbest ¹

  12

  38

  11 3 190.5

  3.3.1 Inisialisasi Kecepatan Awal

  43

  50

  5

  36 Setiap partikel memiliki kecepatan dan

  3.4 Update Kecepatan kecepatan awal setiap partikel di set dengan nol.

  Untuk menghitung kecepatan baru dapat

  3.3.2 Inisialisasi Partikel

  menggunakan Persamaan (9), namun sebelum Inisialisasi Partikel merupakan cara untuk menghitung kecepatan baru perlu diketahui nilai mendapatkan nilai dimensi dan untuk w yang dapat dilihat pada Persamaan (10). menyederhanakan masalah. Pada penelitian ini

  Berikut ini contoh update kecepatan dan masalah direpresentasikan dalam bilangan menghitung nilai w pada iterasi=1: permutasi dimana setiap bahan makanan

  0.7 − 0.4

  diwakili satu dimensi oleh setiap partikel

  = 0.7 − 1 = 0.55

  2

  sehingga terdapat 189 dimensi berdasarkan dari

  1

  1

  1

  7 hari 3 kali makan dan 9 jenis bahan makanan. = × ( + −

  1

  1

  1

  1

  1 1 ) +

  1 Jenis Bahan Makanan berjumlah 197 yaitu × ( − )

  2

  2

  1

  1

  berdasarkan jenis bahan makanan Protein

  1 = 0.55 ∗ 0 + 2 ∗ 0.9342×(18 − 18) + 2

  1 Hewani sebanyak 40, Protein Nabati sebanyak ∗ 0.3963×(46 − 18) = 22.2

  13, Lemak sebanyak 12, Karbohidrat sebanyak Tabel 6 menunjukkan hasil perhitungan

  17, Sayuran jenis A sebanyak 10, Sayuran Jenis Update Kecepatan pada partikel X1 dan X2. B sebanyak 52, Gula sebanyak 6, Buah sebanyak 40 dan Susu sebanyak 7. Contoh nilai dimensi

  Tabel 6. Hasil Perhitungan Update Kecepatan dapat dilihat pada Tabel 3.

  Iterasi =1 Tabel 3. Contoh Inisialisasi Partikel

  22.2 14.3 … 26.9 -2.38

  V1

  0.79 26.16 -39 Partikel Fitness

  Nilai Dimensi

• 13.5 3.17 -35

  2.38 X1 PH PN … SA SB 186.72 Pada Tabel 9 menunjukkan nilai fitness terbesar adalah dari Pbest ^{1 , sehingga Gbest}

  V2

  iterasi=1 adalah nilai dimensi dari Pbest ^1.

  Tabel 8. Hasil Update Pbest

3.5 Update Posisi dan Hitung Fitness

  Iterasi =1

  Dalam menghitung update posisi

  Fitnes Pbest Nilai Dimensi (posisi)

  menggunakan Persamaan (11) contoh

  s

  menghitung update posisi: 51.

  57.6

  40.2

  26.3

• 1 +1

  … = +

  9

  2 0+1 0+1

• Pbest

  31.1 21. 191.1 = = 18 + 22 = 40

  1

  1

  1 ₁ 11.8 …

  3

  6

  2

  3 Hasil update posisi dapat dilihat pada Tabel

  46.5

  7 dibawah ini:

  49.2

  14

  35.4 …

  3 Tabel 7. Contoh Hasil Update Posisi

  46

  30

  59

  57 … Pbest

  12 38 …

  11 3 190.5 Iterasi =1 ₂

  43 50 …

  5

  36

  22.2 14.3 … 26.9 -2.38

  X1

  0.79 26.16 -39 Tabel 9. Hasil Update Gbest

• 13.5 3.17 -35

2.38 Iterasi =1

  46

  30

  59

57 Gbest Nilai Dimensi (posisi) Fitness

  X2

  12

  38

  11

  3

  46 30 … 59 57

  43

  50

  5

  36 Gbest _{1 … 11}

  12

  38 3 190.5

  43

  50

  5

  Jika penalti dan total harga Partikel X1 yang didapat adalah 721.1 dan 40886.63. Penalti dan

  36 …

  3.7 Hasil Optimasi

  Total Harga Partikel X2 adalah 710.725 dan 50501.59. Sedangkan variasi Partikel X1 dan

  Hasil optimasi didapatkan dari Gbest pada Partikel X2 adalah 26 dan 30, maka: iterasi terakhir, dapat dilihat pada Tabel 10 Hasil

  1

1 Optimasi.

  ( 1,1) = 721.07 100000 + 40886.63 1000000 + 28 = 191.13

  Tabel 10. Hasil Optimasi

  1

  1 Hari Waktu Nama Jumlah Harg Total ( 2,1) = 710.725 100000 + 50501.59 1000000 + 30 ke- Makan Bahan Keb. a Harga

  = 190.50 Makanan Berat (g) Perhar i

  Setelah melakukan update posisi dapat _{10 1080 16787.}

  1 Pagi Daging ₇

  melakukan Normalisasi Posisi, digunakan agar

  Kambing _{3.75 137.5} Kacang

  perpindahan posisi tidak melebihi range yang

  Tanah

  telah ditentukan. Pada contoh perhitungan ini

  Kupas

  menggunakan batas bawah = 1 dan batas atas = ^{3.75 100.5}

  Minyak Kelapa

  65, sehingga apabila ada perpindahan posisi _{75 1050}

  Nasi

  yang melebihi batas atas maka di set menjadi 65

  Ketan

  dan apabila kurang dari batas bawah maka posisi

  Putih _{75 450} Labu Air

  di set menjadi 1. ₇₅ Daun

  Kecipir

3.6 Update Pbest dan Gbest

  _{26 468} Siang Putih Telur

  Nilai Pbest baru didapatkan dengan cara

  Ayam _{8 120} Kacang

  membandingkan nilai fitness partikel baru dan

  Tolo

  Pbest sebelumnya. Nilai fitness terbesar

  fitness _{18 3924} Keju

  dijadikan sebagai Gbest terbaru. Contoh hasil

  Krim _{120 1920} Nasi

  Update Pbest pada iterasi=1 dan Update Gbest

  Ketan

  pada iterasi=1 dapat dilihat pada Tabel 8 dan

  Hitam

  Tabel 9 yang membutuhkan Nilai fitness terbaru 120 1440

  Slada ₁₂₀ Daun

  daru Update Posisi pada iterasi=1.

  Pepaya _{12.25 980} Halaman Rekomendasi Bahan Makanan.

  Mala Ikan m Kakap _{7 105} Kacang Tolo _{5.25 140.7} Minyak

  Kelapa _{52.5 2362.} Krekers _{105 2509. 5} Lobak _{105 5} Daun Pepaya _{12.5 375 24098.9}

  2 Pagi Usus Sapi _{10 350 3} Oncom _{15 450} Gambar 5. Halaman Rekomendasi Bahan Makanan Mayonnais e _{37.5 1125} Makaroni _{75 450} Ketimun _{75 6000}

  4. HASIL DAN PEMBAHASAN Bit _{14 420} Siang Otak _{22 220}

  4.1 Hasil Pengujian Jumlah Partikel Pete Segar _{6 900} Minyak

  Semakin banyak jumlah partikel maka

  Zaitun _{84 4830} semakin tinggi nilai fitness dan semakin lama Roti Putih _{120 1440} Slada waktu komputasi yang dihabiskan. ₁₂₀ Daun

  Mangkoka _{Pengujian Jumlah Partikel} n _{19.25 346.5} Malam Telur ₁₅₂₀ Ayam _{8.75 87.5 1440 e ss} Kacang _{Fi tn} Kedele _{21 630 a ta 1360} Mayonnais

• _{-r ta 1280} e a
_{52.5 2362. R} Krekers _{105 2799. 5 1200 5 10 15 20 25 30 35 40 45 50} Kangkung _{105 1312. 93 Jumlah Partikel Total Harga 40886.6} Kol _{5 3} Gambar 6. Grafik Hasil Pengujian Jumlah Partikel _{Pengujian Jumlah Partikel}

  Halaman Hasil Optimasi menunjukkan hasil _{it )} dari proses perhitungan dari algortima PSO. _{e n m 2,65} Halaman Hasil Optimasi ditunjukkan pada _{kt u ( 2,15} Gambar 4.

• _{-r ta a a ta 1,15 W R} ^a _{0,65 1,65 0,15}
_{5 10 15 20 Jumlah Partikel 25 30 35 40 45 50} Gambar 7. Gafik Hasil Waktu Komputasi

  berdasarkan Jumlah Partikel

  Berdasarkan Gambar 6 dan 7 dapat diambil kesimpulan bahwa jumlah partikel

  30 Gambar 4. Halaman Hasil Optimasi merupakan jumlah partikel paling optimal dengan waktu komputasi sebesar 1.44 menit atau

  Pada halaman hasil Optimasi akan mendapatkan nilai fitness tertinggi dan partikel sebesar 1 menit 44 detik yang tidak terlalu kecil yang terbaik. jumlah partikelnya dan tidak terlalu lama waktu Halaman Rekomendasi Bahan Makanan komputasinya. 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

  

4.2 Hasil Pengujian Kombinasi Wmin dan semakin tinggi nilai fitness. Dalam pemilihan

Wmax

  jumlah iterasi yang optimal dapat mempertimbangkan waktu komputasi yang Semakin besar rentang selisih antara nilai diperlukan dalam proses optimasi, karena dalam

  Wmin dan Wmax dapat menyebabkan nilai W percobaan ini waktu komputasi paling cepat semakin besar, sehingga daya eksplorasi swarm sebesar 1.36 menit atau 1 menit 36 detik. akan menyuluruh yang dapat memberikan solusi terbaik. Kombinasi Wmin dan Wmax yang

  Pengujian Jumlah Iterasi

  dianggap dapat memberikan solusi terbaik untuk penyelesaian masalah adalah 0.4 dan 0.7. Grafik 1750 _{e 1650 ss} Hasil Pengujian Kombinasi Wmin dan Wmax _{F itn 1550} dapat dilihat pada Gambar 8. _{ta a -r a ta 1450 R 1350 10 20 30 40 50 60 70 80 90 100 e itn ss 1400 1500} Pengujian Kombinasi Wmin dan Wmax _{Jumlah Iterasi F -r ta a ta a 1200 1300}

  Gambar 10. Grafik Hasil Pengujian Jumlah Iterasi _{R Wmax;Wmin (m e ktu t) ni 11,30 13,80 8,80} Pengujian Jumlah Iterasi a

  Gambar 8. Grafik Hasil Pengujian Kombinasi _{W 6,30} Wmin dan Wmax _{ta 3,80 -r a R a ta 1,30 10 20 30 40 50 60 70 80 90 100}

  4.3 Hasil Pengujian Koefisien Akselerasi _{Jumlah Iterasi}

  Pengujian Koefisien Akselerasi digunakan untuk mengetahui pengaruhnya terhadap nilai

  Gambar 11. Gafik Hasil Waktu Komputasi

  Grafik hasil pengujian dapat dilihat pada fitness.

  berdasarkan Jumlah Partikel Gambar 9. _{Pengujian Koefisien Akselerasi} Berdasarkan Gambar 10 dan

  11 ₁₄₀₀ menghasilkan jumlah iterasi optimal sebesar 40 ₁₃₇₅ dengan waktu komputasi selama 6 menit 52 _{e ss 1350} detik yang dapat dikatakan, tidak terlalu lama _{Fi tn ta 1325} apabila dibandingkan dengan waktu konsultasi _{a ta 1300 -r a} pada dokter/ahli gizi atau konsultasi pada _{R 1250 1275} petugas Posyandu. _{1;1 1;1,5 1;2 1,5 ; 1 1,5;1,5 1,5;2 2;1 2;1,5 2;2}

  4.5 Hasil Pengujian Batas Atas Angka _C1;C2 Permutasi

  Berdasarkan hasil pengujian maka didapatkan batas angka permutasi yang optimal

  Gambar 9. Grafik Hasil Pengujian Koefisien

  adalah 75. Gambar 12 menunjukkan Grafik

  Akselerasi Hasil Pengujian Batas Atas Angka Permutasi.

  Berdasarkan Grafik diatas, nilai C ^{1 dan C 2} 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

  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.

  Rat a -rat a Fi tnes s Range Pengujian Batas Atas Angka Permutasi

  1350 1400 1450 1500

  Rekomendasi Sistem _{Nama Selisih Energi (kkal) Selisih Protei n (gram) Selisih Lemak (gram) Selisih Karbohi drat (gram) Selisih Harga Balita 1 238.25} (14.08 _%) ^{-7.2 (-} _{17.02 %)} ^{1 (2.66%} ₎ ^{71.5 (24.15%) 8,360.57 (23.89%} _{) Balita 2 430.2 (28.68 %) 3.5 (9.33% ) 7.0333 33 (21.10 %) 92.5 (35.24%) 9,203.92 (26.30% )} Balita 3 485.9 _{(31.15 %)} ⁵ _{(12.82 %)} ^8.1666 _{67 (23.56 %)} ¹⁰³ _(37.73%) ^12,635.0 _{(36.10% ) Balita 4 80.4 (4.96% ) -12.9 (- 31.85} %)

• ^{-5.8 (-}
^{16.11 %) 51.9 (18.31%) 8,343.71 (23.84% )} _{Balita 5 356.25 (25.09 %) 1.5 (4.23% ) 5.4555 56 (17.29 %) 78.5 (31.59%) 11,113.7 1 (31.75% ) Balita 6 42.9 (2.68%} )
• ^{-11.45 (-}
^28.59 _%) ^{-10.1 (- 28.37} _%) ^{53.6 (19.12%) 9,040.71 (25.83% )} _{Balita 7 206.9 (12.36 %) 1.85 (4.42% ) 0.4 (1.08% ) 69.95 (23.88%) 13,977.0 5 (39.93% ) Balita 8 -10.7} (- _0.74%) ^{-14 (-} _{38.89 %)} ^{-4.3 (-} _{13.44 %)} ^{29 (11.51%) 8,051.26 (23.00%} _{) Balita 9 393.9 (26.98 %) 2.2 (6.03% ) 5.9444 44 (18.32 %) 84.6 (33.11%) 8,047.14 (22.99% )} Balita ₁₀ ^258.6 _{(15.12 %)} ^-0.55 _{(- 1.29%)} ^0.9 _{(2.37% )} ^75.35 _(25.18%) ^11,191.4 _{3 (31.97% ) Rata- rata 248.26 (16.04 %) -3.21 (- 8.08%) 0.87 (2.85% ) 70.99 (25.98%) 9,996.45 (28.56% )}

4.6 Hasil Analisis Global

  39.0 34.7 273.0 Balita 4 5 1620

  40.5 36.0 283.5 Balita 5 3.1 1420

  35.5 31.6 248.5 Balita 6 4.9 1620

  40.5 36.0 283.5 Balita 7 5.3 1674

  41.9 37.2 293.0 Balita 8 4 1440

  37.5 33.3 262.5 Balita 3 3.8 1560

  36.5 32.4 255.5 Balita 10 5.5 1710

  42.8 38.0 299.3 Tabel 12. Kandungan Gizi Bahan Makanan

  42.3 37.6 296.1 Balita 2 3.5 1500

  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, C ¹ =2,

  Tabel 11. Kebutuhan Gizi Aktual _{Nama Umur (tahun) Energi (kkal) Protei n (gram) Lemak (gram) Karbohidra t (gram)} Balita 1 5.4 1692

  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.

  36.0 32.0 252.0 Balita 9 3.3 1460

2 C =1.5, Jumlah iterasi=40, Batas Atas angka dengan Algoritma Evolution Strategies.

  permutasi sebesar 75. Berdasarkan S1. Universitas Brawijaya Malang. parameter optimal dapat menghasilkan rata-

  Sutomo, B. 2010. Menu Sehat Alami untuk rata selisih energi, protein, lemak dan

  Batita dan Balita. Jakarta: Demedia.

  karbohidrat sebesar 16.04%, -8.08%, 2.85% Widjaja, dr., W.C. 2008. Gizi tepat untuk dan 25.98% yang mampu menghemat

  perkembangan otak dan kesehatan balita .

  pengeluaran orangtua balita sebesar 28.56%.

  Kawan Pustaka.

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:

   [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