Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI
Vol. 2, No. 7, Juli 2018, hlm. 2706-2712 http://j-ptiik.ub.ac.id
Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika
Dalam Penentuan Kebutuhan Gizi Bayi MPASI
1 2 3 Marwa Mudrikatussalamah , Candra Dewi , Bayu RahayudiProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: marwasalmaa@gmail.com, dewi_candra@ub.ac.id, ubay1@ub.ac.id
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 1.
PENDAHULUAN makanan yang dimakan oleh sang ibu agar bayi dapat terpenuhi gizinya dengan baik.
ASI adalah makanan utama yang paling Proses pemberian ASI eksklusif diberikan ideal untuk bayi. Pemberian ASI ekselusif sejak bayi umur 0-24 bulan. Bayi yang sudah kepada bayi merupakan hal yang sangat penting berumur 6-24 bulan akan membutuhkan untuk tumbuh kembang sang bayi. Menurut data makanan pendamping ASI (MPASI). Pemberian dari Riskesdas 2010 memperlihatkan bahwa jenis makanan pendamping yang diberikan pun hanya 15,3% bayi di Indonesia yang bertahap, mulai dari makanan lunak hingga mendapatkan ASI eksklusif selama 6 bulan. Hal makanan keluarga dengan tetap memperhatikan ini terjadi karena ketidakyakinan sang ibu kandungan energy dan gizi yang dibutuhkan terhadap kualitas ASInya serta kurangnya oleh sang bayi. Cara pemberian MPASI menurut dukungan keluarga. Pemberian ASI ekselusif WHO pada 2003 melalui 4 syarat, yaitu pun perlu dipantau dengan melihat diberikan pada waktu yang tepat, makanan yang
Fakultas Ilmu Komputer Universitas Brawijaya
2706 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.
2.1.2 Kebutuhan Energi
70% - 90% Tinggi Sangat Kurang
Panjang Badan menurut Umur(PB/U) Tinggi Baik 90% - 110% Tinggi Kurang
Gizi Baik 80% - 120% Gizi Kurang 60% - 80% Gizi Buruk <60%
Tabel 1. Nilai Pada Status Gizi Anak Indeks Kategori Status Gizi Ambang Batas Berat Badan menurut Umur(BB/U)
(2)
= /
(1)
= /
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).
Dalam menentukan status gizi pada seorang bayi dapat menggunakan dua cara, yatiu nilai z- score 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.
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
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)
2.1 GIZI BAYI
2. KAJIAN PUSTAKA
MPASI bayi.
Berdasarkan uraian diatas, pada penelitian ini mengoptimasi fungsi keanggotaan dari metode fuzzy tsukamoto menggunakan algortima genetika untuk penentuan kebutuhan gizi pada
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 BBP- PPA 98.7%. Sehingga dapat disimpulkan bahwa algoritma genetika dapat digunakan untuk memperoleh hasil optimasi yang lebih baik.
inference system tsukamoto yang akan
yang akan dikombinasikan sehingga didapatkan fungsi keanggotaan yang optimal. Metode fuzzy
sistem terdapat beberapa fungsi keanggotaan
<70%
- – 120% Obesitas >120%
2.2 Fuzzy Tsukamoto
− − ; ≤ ≤ −
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.
D e rajat K e an g g o taan domain 0,2 0,4 0,6 0,8
1 1,2 a b c
0,2 0,4 0,6 0,8
Berat Badan menurut Panjang Badan(BB/PB) Gizi Baik >90% - 110% Gizi Kurang 70% - 90% Gizi Buruk <70% Gizi Lebih >110
− ; ≤ ≤ c. Representasi Kurva Trapesium
Fungsi Keanggotaan :
[ ] = { 0; ≤ ≥
2.2.1 Fungsi Keanggotaan
b. Representasi Kurva Segitiga Gambar 2. Contoh Representasi Kurva Segitiga
Gambar 3. Contoh Representasi Kurva Trapesium
1; ≥
[ ] = { 0; ≤ ≥ −
− ; ≤ ≤ 1; ≤ ≤ −
− ; ≥
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
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
1 a b domain
[ ] = { 0; ≤ − − ; ≤ ≤
Fungsi Keanggotaan :
a. Representasi Linear Gambar 1. Contoh Representasi Linear
1 a b c d D e rajat K e an g g o taan domain
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 ;
Fungsi Keanggotaan : 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)
2.3.5 Fitness
(3) 3.
= 100%
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.
METODOLOGI PENELITIAN
2.3.3 Mutasi
2.3.2 Crossover
Permasalahan pada penelitian ini mengenai status gizi seorang bayi dilihat dari beberapa kondisi pada bayi tersebut untuk dapat terpenuhi kebutuhan gizinya. Dalam permasalahan ini Parent 1 terdapat beberapa kriteria yang digunakan dalam 1 2 8 4 5 7 6 13 14 3 11 12 10 15 9 Parent 2 1 2 8 11 5 7 6 13 14 3 4 12 10 15 9 Child 1 1 2 8 4 5 7 6 13 11 14 3 12 10 15 9 Parent 1 10 7 4 15 12 9 6 3 13 2 5 8 11 14 Child 1 10 7 2 15 12 9 6 3 13 4 5 8 11 14
4.1 Formulasi Permasalahan
4. PERANCANGAN
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.
3.1 Data yang digunakan
Gambar 6. Tahapan 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.
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).
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.
Metode mutasi yang digunakan pada penelitian ini adalah repcirocal exchange
Gambar 4. Contoh Crossover One Cut Point
digunakan pada generasi berikutnya (Mahmudy, 2013).
2.3.1 Inisialisasi
Metode seleksi yang digunakan pada penelitian ini adalah elitism selection dengan cara mengumpulkan semua individu gabungan pada suatu populasi. Individu dengan nilai
2.3.4 Seleksi
Gambar 5 Contoh Repcirocal Exchange Mutation
parent lalu ditukarkan pada posisi tersebut untuk menjadi child yang baru.
mutation, dengan memilih dua posisi pada satu
fitness terbesar menjadi pilihan yang akan 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
Pengujian populasi ini menggunakan 6 ukuran populasi yang berbeda dengan 10
70
65
60
percobaan pada tiap ukurannya. Ukuran generasi
ss
55 e
50
yang digunakan sebesar 10 serta nilai crossover
45 tn
40
35
0.5 dan mutasi 0.5. Berikut hasil pengujian dari
Fi
30
25 ai
ukuran populasi yang ditunjukkan pada gambar
20 il
Fitness
15 N
10 8.
5 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 semakin bagus nilai fitness dan fitness menjadi konvergen.
Cr & Mr
80
5.2 Hasil dan Analisa Pengujian Jumlah
75
70
65 ss Generasi
60 e
55
50 tn
45 Pengujian generasi dilakukan untuk
40 Fi
35
30 ai
mengetahui jumlah generasi yang optimal. Pada
25 il
20
15 N
pengujian generasi ini dilakukan 10 kali
10 Fitness
5
pengujian dengan 5 ukuran generasi yang
0.8
0.7
0.6
0.4
0.3
0.2
berbeda-beda. Ukuran populasi yang digunakan
; ; ; ; ; ;
sebesar 50 serta nilai crossover 0.5 dan mutasi
0.2
0.3
0.4
0.6
0.7
0.8
0.5. Berikut hasil pengujian dari ukuran generasi
Nilai Cr & Mr yang ditunjukkan pada gambar 9. Gambar 10. Grafik Pengujian Nilai Crossover Rate
Generasi dan Mutation Rate
72
71 Pada gambar 10 dapat dilihat rata-rata nilai ss e
70 fitness terbesar diperoleh pada nilai crossover tn
69 Fi
dan mutasi 0.3 dan 0.7 dengan nilai 71. Hasil
ai
68 il
Fitness pada pengujian nilai crossover semakin kecil N
67 relatif lebih besar nilai fitness yang didapatkan.
66 50 100 150 200 250
5.4 Hasil Pengujian Nilai Parameter Terbaik Jumlah Generasi
Pada pengujian ini akan dilakukan pengujian dengan nilai parameter terbaik yang telah
Gambar 9. Grafik Hasil Pengujian Jumlah Generasi
dilakukan dipengujian sebelumnya yang dilihat dari nilai fitness yang terbesar pada tiap Pada gambar 9 dapat dilihat rata-rata nilai pengujiannya. Pengujian parameter terbaik akan fitness dari ukuran generasi 50 hingga 250. dilakukan sebanyak 10 kali dengan melihat nilai
Melihat grafik tersebut rata-rata nilai fitness akurasinya. Ukuran populasi yang digunakan terbesar diperoleh ukuran generasi 150 dengan adalah 50, ukuran generasi 150 dan nilai nilai fitness 71.5. Pada perbandingan nilai rata-
crossover dan mutasi 0.3 dan 0.7. Setelah
rata fitness populasi terjadi naik turunnya nilai dilakukan pengujian menggunakan nilai terbaik
fitness yang cukup signifikan dan didapatkan
akan dibandingkan dengan penilaian menurut nilai fitness terbesar pada generasi 150. hasil pakar. Data uji yang digunakan sebanyak 20 buah. Berikut hasil perbandingan hasil
5.3 Hasil Pengujian Nilai Crossover rate dan
optimasi dengan hasil penilaian dengan pakar
Mutation rate yang ditunjukkan pada tabel 2.
Pengujian nilai crossover dan mutasi
Tabel 2. Hasil Pengujian Parameter Terbaik
dilakukan agar mengetahui nilai crossover dan mutasi yang optimal. Pada pengujian nilai
Hasil Hasil Uji Akurasi crossover dan mutasi ini menggunakan 5 nilai
Optimasi crossover dan mutasi yang berbeda dengan 10
1 75 75%
percobaan pada tiap nilainya. Ukuran populasi
2 77.5 60%
yang digunakan sebesar 50 dan ukuran generasi
3 72.5 70%
300. Berikut hasil pengujian dari nilai crossover
4 65 75% dan mutasi yang ditunjukkan pada gambar 10.
5 65 55%
6 67.5 65%
7 75 70%
8 70 60%
9 67.5 60%
10 77.5 75% Ilmu Komputer. Universitas Brawijaya.
Malang 6.
KESIMPULAN
Robandi, Imam. (2006). Desain Sistem Tenaga Modern . Yogyakarta: Penerbit ANDI. Berdasarkan hasil pengujian yang telah dilakukan pada bab sebelumnya, maka dapat
Saputra, Yogi. 2012. Pemenuhan Zat Gizi Pada diberi kesimpulan sebagai berikut :
Bayi.
1. Dalam optimasi fungsi keanggotaan fuzzy http://materikuliahkesehatankeperawatan.b menggunakan Algoritma genetika dalam logspot.co.id/2012/11/pemenuhan-zat-gizi- penentuan kebutuhan gizi bayi mpasi, pada-bayi.html. [Diakses : 14 Maret 2017] algoritma genetika digunakan untuk
Situmpul, Ewa Molika. 2014. Buku Pintar Bayi menentukan batas-batas pada fungsi
MPASI: Bayi 6 bulan sampai dengan 1
keanggotaan fuzzy. Batas-batas nilai pada tahun. Lembar Langit Indonesia.
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 nilai- nilai 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