Optimasi Gizi Pada Bahan Makanan Balita
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 2, No. 8, Agustus 2018, hlm. 2817-2823
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Optimasi Gizi Pada Bahan Makanan Balita Menggunakan Algoritme
Genetika
Vivilia Putri Agustin1, Imam Cholissodin2, Bayu Rahayudi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: [email protected], [email protected], [email protected]
Abstrak
Balita atau anak usia dibawah lima tahun memiliki fase yang penting dalam tumbuh kembang anak.
Berdasarkan data Riset Kesehatan Dasar tahun 2013, perkembangan balita di Jawa Timur masih
mengalami permasalahan gizi. Penyebab yang pertama, kurangnya pengetahuan orang tua terhadap
kebutuhan gizi balita. Penyebab yang kedua, kurangnya memperhatikan harga bahan makanan yang
sesuai dengan bahan makanan yangh memiliki gizi seimbang. Salah satu upaya yang dilakukan yaitu
Dinkes kota Malang melibatkan kader posyandu melakukan penyuluhan terkait pemberian makanan
penunjang untuk memperbaiki gizi balita. Namun upaya tersebut masih mengalami kendala berupa
jumlah porsi makanan yang diberikan kepada setiap balita belum disesuaikan berdasarkan berat badan
dan umur, selain itu kurangnya variasi bahan makanan. Sehingga, diperlukan suatu sistem untuk
mengoptimasi hal tersebut. Algoritme genetika merupakan agoritme yang sering digunakan untuk
mengatasi permasalahan optimasi. Hasil sistem berupa daftar bahan makanan beserta berat dan harga
yang disesuaikan dengan berat dan umur balita. Berdasarkan hasil pengujian didapatkan parameter yang
optimal yaitu jumlah populasi sebesar 100, jumlah generasi yang optimal sebesar 70 dan kombinasi nilai
cr dan nilai mr yang optimal yaitu 0,5 dan 0,5 menghasilkan nilai fitness 50,821.
Kata kunci: balita, optimasi, algoritme genetika.
Abstract
In the Golden Age (children under five years old) have an important phase in child growth. Based on
Basic Health Research in 2013, the development of children in East Java is still experiencing nutritional
problems. The first because, lack of knowledge of parents to the nutritional needs of children. The
second because, the lack of attention to the price of food in accordance with food ingredients that have
balanced nutrition.One efforts of Dinkes Malang was involving Posyandu to do counseling related to
improve child nutrition. However, these efforts were still experiencing obstacles in the form of the
number of portions of food given to each children has not been adjusted based on weight and age, in
addition the children lack variety of foodstuffs. Thus, the reseracher search a system to optimize it.
Genetic algorithm was a Algorithm that was often used to overcome the problem of optimization. The
results of the system in the form of lists of food and weight and price adjusted to the weight and age of
children.Based on the test results obtained optimal parameters that the optimal population amount of
100, the optimal generation amount of 70 and the optimal combination of cr value and mr value was
0.5 and 0.5 resulted in a fitness value of 50.821.
Keywords: children, optimization,genetic algorithm
4,9%, gizi kurang 14,2%, gizi baik 76,7% dan
gizi lebih 4,1%. Sehingga dapat disimpulkan
bahwa perkembangan balita di Jawa Timur
masih mengalami masalah gizi.Beberapa upaya
untuk menyelesaikan permasalahan tersebut
antara lain meningkatkan pengetahuan orang tua
atau pengasuh mengenai kandungan gizi yang
harus diberikan kepada balita sesuai kebutuhan.
Upaya selanjutnya yaitu meningkatkan
1. PENDAHULUAN
Masa balita merupakan masa penting
selama proses tumbuh kembang manusia.
Perkembangan dan pertumbuhan di masa itu
menjadi penentu keberhasilan pertumbuhan dan
perkembangan anak di periode selanjutnya.
prevalensi balita menurut status gizi bb/u
menyatakan balita yang memiliki gizi buruk
Fakultas Ilmu Komputer
Universitas Brawijaya
2817
2818
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pelayanan kesehatan di masyarakat contohnya,
Dinkes kota Malang melibatkan kader posyandu
melakukan penyuluhan terkait pemberian
makanan penunjang untuk memperbaiki gizi
balita (beritajatim.com, 2016).
Namun upaya tersebut masih mengalami
kendala berupa jumlah porsi makanan yang
diberikan kepada setiap balita belum disesuaikan
berdasarkan berat badan dan umur. Kendala
yang kedua yaitu daftar bahan makanan yang
disarankan kurang bervariasi sehingga masih
bisa dioptimalkan berdasarkan kandungan gizi
dan biaya yang optimal. Kendala yang ketiga
terkait pemilihan bahan makanan yang kurang
tepat dari segi harga. Kendala lainnya yaitu para
orang tua sulit untuk menghafal menu-menu
yang dianjurkan saat penyuluhan. Berdasarkan
kendala tersebut, maka diperlukan suatu sistem
untuk optimasi asupan gizi balita menggunakan
algoritme genetika yang dapat diakses oleh
posyandu untuk memberikan daftar bahan
makanan yang seimbang disertai berat dan harga
setiap bahan makanan.
Algoritme genetika merupakan algoritme
pencarian heuristik yang menggunakan
mekanisme evolusi biologis (Kusumadewi,
2013). Beberapa penelitian sebelumnya
(Kusumaningsih, Cholissodin, & Setiawan,
2016) menghasilkan menu makanan pada
keluarga dalam kurun waktu 7 hari berdasarkan
harga yang minimum. Penelitian selanjutnya
dengan objek berbeda dan metode yang sama
yaitu oleh (Sari, Mahmudy, & Dewi, 2014).
Hasil penelitian ini sama dengan penelitian
sebelumnya yaitu berupa bahan makanan yang
bergizi seimbang dengan kebutuhan ibu hamil
sehat dengan harga minimal. Berdasarkan
penelitian-penelitian yang dipaparkan, maka
dapat disimpulkan bahwa algoritme genetika
sering digunakan dalam masalah optimasi dan
mempunyai kemampuan untuk menghasilkan
solusi yang baik untuk masalah-masalah yang
rumit (Mahmudy, 2015). Dengan demikian hasil
sistem diharapkan dapat memberikan solusi
optimal untuk mengkombinasikan bahan
makanan yang seimbang sesuai kebutuhan
balita.
2. DASAR TEORI
2.1. Gizi Seimbang
Gizi seimbang merupakan susunan
makanan sehari-hari yang terdiri dari berbagai
ragam bahan makanan yang berkualitas dalam
jumlah dan porsi yang sesuai sehingga dapat
Fakultas Ilmu Komputer, Universitas Brawijaya
memenuhi kebutuhan gizi guna pemeliharaan
dan perbaikan sel tubuh dan proses kehidupan
serta pertumbuhan dan perkembangan secara
optimal (Nugraini, Hendrorini, & Miharti,
2013). Pola makan merupakan salah satu faktor
penting untuk kesehatan dan keadaan gizi Balita,
dikarenakan kuantitas dan kualitas makanan dan
minuman yang dikonsumsi dapat mempengaruhi
tingkat kesehatan balita.
2.2. Perhitungan Kebutuhan Gizi Balita
Setiap anak balita memiliki kebutuhan gizi
untuk menunjang pertumbuhan. Gizi yang
seimbang merupakan kebutuhan utama untuk
masa pertumbuhan balita. Terdapat beberapa
cara untuk menentukan kebutuhan gizi pada
balita (Rumah Sakit Citro Mangunkusumo dan
Persatuan Gizi (PERSAGI), 2003):
1. Menentukan Desirable Body Weight
(DBW) atau berat badan ideal. Penentuan
berat badan ideal digunakan untuk anak
balita (1 sampai 5 tahun).
��� = �
Keterangan:
×
+8
(1)
BBI = Berat Badan Ideal
2. Menentukan Estimasi kebutuhan Energi dan
Zat gizi total perhari.Terdapat 4 kandungan
gizi dalam setiap bahan makanan yaitu kalori,
protein, lemak dan karbohidrat. Berikut ini
perhitungan kebutuhan gizi pada balita:
a) Kebutuhan Kalori
Untuk menghitung kebutuhan kalori
yang dibutuhkan balita,
=
∗ �_
(2)
Keterangan :
KE_umur = Kebutuhan Energi sesuai
umur, sebagai berikut:
1. KE_umur untuk umur 1 s/d 3,5 tahun
= 100 kalori/kg BBI
2. KE_umur untuk umur > 3,5 s/d 5
tahun = 90 kalori/kg BBI
b) Kebutuhan Protein
Kebutuhan protein dapat diketahui
menggunakan perhitungan,
.�
=
%
� ��
c) Kebutuhan Lemak
(3)
Menghitung kebutuhan lemak pada
balita menggunakan perhitungan,
.
=
%
9
� ��
(4)
2819
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
d) Kebutuhan Karbohidrat
Kebutuhan karbohidrat digunakan untuk
menghitung kebutuhan karbohidrat
untuk balita menggunakan,
.
ℎ
=
7 %
� ��
(5)
2.2. Anjuran Porsi Makan
Data anjuran porsi yang digunakan untuk
menentukan porsi makan setiap individu sesuai
dengan sumber bahan makanan. 1 porsi makan
sama dengan berat makanan yang ada pada data
makanan. Tabel 1 merupakan daftar anjuran
porsi makanan berdasarkan kelompok umur.
Tabel 1. Anjuran Porsi Makan
Tipe
Umur
KH
PH
PN
L
B
S
1
1 – 3,5
3P
1P
1P
3P
3P
1,5P
2
>3,5 – 5
4P
2P
2P
4P
3P
2P
Sumber: PGS, Kementrian Kesehatan RI (2014)
Keterangan:
KH : Karbohidrat
PH : Protein Hewani
PN : Protein Nabati
L : Lemak
B : Buah
S : Sayuran
P : Porsi
Anjuran porsi tersebut digunakan untuk sekali
waktu makan pagi, siang, dan malam.
antara dua buah parent yang dipilih secara
random untuk menghasilkan offspring. Jumlah
offspring (child) tergantung pada nilai dari hasil
perkalian cr (crossover rate) dengan jumlah
populasi (popsize). Setelah itu proses mutasi
dengan cara memilih satu parent secara random.
Kemudian proses evaluasi dan dilanjutkan
seleksi. Berikut ini tahapan Algoritme genetika
dapat dilihat pada Gambar 1 diagram alir proses
Algoritme genetika.
mulai
Nama, BB, Umur,
popsize, cr, mr,
generasi, hari
Inisialisasi Populasi Awal
for i=0 to generasi -1
Crossover
Mutasi
Konversi indeks bahan
Evaluasi
Seleksi
3. PERANCANGAN ALGORITME
GENETIKA
Algoritme genetika merupakan cabang ilmu
dari algoritme evolusi, yang mengadopsi teori
evolusi terkait siklus mahluk hidup. Algoritme
genetika banyak digunakan dalam masalah
optimasi dan mempunyai kemampuan untuk
menghasilkan solusi yang baik untuk masalahmasalah yang rumit (Mahmudy, 2015).
Tahapan-tahapan proses algoritme genetika
yang pertama yaitu inisialisasi populasi awal
yang digunakan untuk menciptakan individuindividu secara acak yang memiliki susunan gen
(kromosom) tertentu, dibentuk berdasarkan
jumlah populasi (popsize) dan panjang
kromosom. Nilai setiap gen dibangkitkan secara
acak sesuai dengan batas permutasi yang telah
ditentukan.Langkah selanjutnya yaitu crossover
yang dilakukan dengan cara menukar silang
Fakultas Ilmu Komputer, Universitas Brawijaya
i
Individu terbaik
Selesai
Gambar 1. Diagram Alir Algoritme Genetika
Tahapan-tahapan penyelesaian optimasi pada
bahan makanan balita menggunakan algoritme
genetika berdasarkan Gambar 1 sebagai berikut:
1. Input berupa parameter-parameter yang
diperlukan untuk optimasi gizi balita.
Parameter tersebut antara lain nama balita,
berat badan (BB), umur balita, jumlah
2820
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
populasi (Popsize), cr ossover rate (cr ),
mutation rate (mr ), dan jumlah generasi.
2. Proses inisialisasi populasi awal sesuai
jumlah populasi (popsize) yang sudah
ditentukan. Pada penelitian ini menggunakan
169 daftar bahan makanan yang terdiri dari 6
kelompok
sumber
kandungan
yaitu
karbohidrat, protein hewani, protein
nabati,lemak, sayuran dan buah. Panjang
kromosom dalam satu hari yatu 18 kromosom
yang merepresentasikan 6 sumber jenis
bahan makanan untuk 3 kali makan. Nilai gen
diacak dengan rentang angka 1 – 65. Contoh
inisialisasi populasi awal pada Tabel 2.
Tabel 2. Representasi Kromosom
Parent
P1
P2
Kromosom
KH
52
18
PH
54
59
PN
32
46
L
20
15
B
62
46
S
29
52
Keterangan:
KH : Karbohidrat
PH : Protein Hewan
PN : Protein Nabati
L : Lemak
B : Buah
S : Sayur
3. Proses reproduksi yang pertama yaitu
crossover, metode crossover yang digunakan
yaitu extended intermediate crossover
dengan persamaan berikut ini:
C1 = P1 + a (P2 – P1)
(6)
C2 = P2 + a (P1 – P2)
(7)
Keterangan:
C1 : child 1
C2 : child 2
P1 : Parent 1
P2 : Parent 2
a
: batas random [-0,25 ; 1,25]
4. Metode mutasi yang digunakan yaitu
exchange mutation. Proses mutasi dilakukan
dengan mengambil salah satu parent secara
acak dan mengambil 2 titik gen secara acak
kemudian menukar nilai gen yang dipilih
secara acak. Contoh proses mutasi pada
Gambar 2.
P2
18
C3
18
59
xp1
52
46
15
46
46
15
46
52
xp2
59
Gambar 2. Proses Mutasi
5. Konversi gen ke indeks bahan makanan
untuk menentukan jenis bahan makanan pada
Fakultas Ilmu Komputer, Universitas Brawijaya
setiap indeks gen menggunakan persamaan
berikut ini:
, =
ℎ�−
∗
−
−
+
(8)
Keterangan:
K, i : indeks gen ke- i
z
: jenis bahan makanan
n : nilai gen ke- i
x : batas atas angka random
y :batas bawah angka random
6. Proses evaluasi dengan menghitung nilai
fitness untuk mengetahui nilai kebugaran
pada masing-masing individu. Penelitian ini
menggunakan rumus fitness (Sulistiowati,
Cholissodin, & Marji, 2016).
F=
�
� �� �����
�
� � ��
+
×
+
(9)
Keterangan:
F : fitness ke-i
C1 : 10000000
C2 : 0,5
C3 : 10000
Nilai konstanta pada total harga yaitu
1000000 , nilai konstanta pada total variasi
bernilai 0,5 dan nilai konstanta pada penalti
bernilai 10000. Nilai konstanta tersebut
digunakan untuk menyeimbangkan hasil dari
total harga, total variasi dan nilai penalti.
7. Proses seleksi menggunakan elitisim
selection dengan menampung semua nilai
fitness, kemudian diurutkan dari yang
terbesar ke yang terkecil kemudian diambil
beberapa individu yang memiliki nilai fitness
terbaik (terbesar) sebanyak jumlah populasi
(popsize).
8. Proses berulang sampai memenuhi jumlah
generasi.
9. Hasil akhir berupa individu terbaik dari nilai
fitness terbesar.
4. PENGUJIAN DAN ANALISIS
4.1. Pengujian dan Analisis Jumlah Populasi
Pengujian jumlah populasi bertujuan untuk
mengetahui jumlah populasi yang optimal untuk
menghasilkan nilai fitness yang terbaik.
Percobaan ini dilakukan sebanyak 10 kali
percobaan dalam setiap populasi, kemudian
dihitung nilai rata-rata fitness masing-masing
populasi. Berikut ini parameter yang digunakan
untuk pengujian jumlah populasi:
Umur balita : 3,3 tahun
Berat Badan : 8,5 kg
2821
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Jumlah hari : 7
cr dan mr : 0,5 dan 0,5
Generasi
: 30
Hasil pengujian jumlah populasi dapat dilihat
pada Tabel 3 dan Gambar 3.
Tabel 3. Hasil Pengujian Jumlah Populasi
Size
10
20
30
40
50
60
70
80
90
100
110
120
Ratarata
Fitness
Percobaan Ke-
Pop
1
52,75
52,82
52,53
53,43
53,56
53,58
53,73
53,47
53,38
53,89
53,61
54,33
2
53,11
53,22
53,67
52,71
53,16
53,2
53,59
53,9
53,6
53,2
53,87
53,44
…
10
52,69
53,18
53,15
52,91
53,6
53,19
53,48
53,93
53,2
53,76
54,47
53,49
53,00
53,10
53,21
53,33
53,49
53,56
53,61
53,66
53,74
53,83
53,69
53,68
Berat Badan
: 8,5 kg
Jumlah Populasi : 100
Generasi
: 30
Tabel 4 dan Gambar 4 menunjukkan hasil
pengujian kombinasi nilai cr dan mr.
Tabel 4. Hasil Pengujian Kombinasi cr dan mr
cr
mr
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
Percobaan Ke1
53,1
52,4
52,7
53,9
53,9
53,8
53,7
53,3
52,6
50,5
48,6
2
51,8
52,9
53,5
53,7
54,0
53,9
53,8
53,1
52,6
51,3
48,1
…
10
52,81
52,28
52,85
53,04
53,27
53,39
53,21
53,18
51,18
49,48
46,58
Ratarata
Fitness
52,05
52,49
52,98
53,49
53,70
53,81
53,60
53,46
52,41
50,70
48,14
Pengujian Kombinasi cr dan mr
Rata-rata fitness
54,0
53,8
53,6
53,4
53,2
53,0
10
20
30
40
50
60
70
80
90
100
110
120
Rata-rata fitness
Hasil Pengujian Jumlah Populasi
Jumlah Populasi
Gambar 3. Grafik Pengujian Jumlah Populasi
Berdasarkan Tabel 3 dan Gambar 3
mengenai
pengujian
jumlah
populasi,
didapatkan rata-rata nilai fitness terendah pada
populasi 10 yaitu 53,002. Sedangkan rata-rata
nilai fitness terbesar berada pada jumah populasi
100 dengan nilai fitness 53,836. Sehingga
didapatkan jumlah populasi yang optimal yaitu
100.
4.2. Pengujian dan Analisis Kombinasi nilai
cr dan mr
Pengujian kombinasi nilai cr dan mr
digunakan untuk mengetahui kombinasi nilai cr
dan mr yang optimal untuk menghasilkan nilai
fitness terbaik. Berikut ini parameter yang
digunakan untuk pengujian kombinasi nilai cr
dan mr :
Umur balita
: 3,3 tahun
Fakultas Ilmu Komputer, Universitas Brawijaya
54,0
52,0
50,0
48,0
0;1 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 ;
; ; ; ; ; ; ; ; ; 0
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1
Kombinasi cr ; mr
Gambar 4. Grafik Pengujian Kombinasi cr dan mr
Berdasarkan Gambar 4 dapat disimpulkan
bahwa kombinasi nilai cr 0,5 dan mr 0,5
merupakan kombinasi yang optimal dengan
memiliki nilai fitness tertinggi yaitu 53,818.
4.3. Pengujian dan Analisis Jumlah Generasi
Pengujian jumlah generasi digunakan untuk
mengetahui banyaknya generasi yang optimal
untuk menghasilkan nilai fitness terbaik.
Percobaan jumlah generasi dilakukan sebanyak
10 kali dengan kelipatan 10. Berikut ini
parameter yang digunakan untuk pengujian
jumlah generasi:
Umur balita
: 3,3 tahun
Berat Badan
: 8,5 kg
Jumlah Hari
: 7 hari
Jumlah populasi : 100
Nilai cr
: 0,5
Nilai mr
: 0,5
2822
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tabel 5 dan Gambar 5 menunjukkan hasil
pengujian jumlah generasi.
Tabel 5. Hasil Pengujian Jumlah Generasi
Percobaan Ke-
Gene
rasi
10
20
30
40
50
60
70
80
90
100
1
50,09
50,8
50,75
50,79
50,25
49,99
50,84
51,36
50,93
50,99
2
50,4
50,23
50,49
50,18
50,53
51,21
51,29
50,79
51,2
50,66
…
10
50,24
48,3
49,26
50,59
50,31
50,42
50,7
51,26
50,32
51,28
Ratarata
Fitness
Ratarata
Waktu
49,96
50,1
50,25
50,3
50,4
50,59
50,82
50,83
50,84
50,87
5,52
8,89
13,2
18,02
24,64
28,71
35,56
36
42,41
48,92
Tabel 6. Selisih Kandungan Gizi
Energi
Nama
(kkal)
Protein
Lemak
KH
Balita
15
50
-5%
345
-21%
410
-30%
165
-11%
550
37%)
-2
(-8%)
-2,5
(-6%)
7
-21%
-7
(-19%)
10,5
-28%
2,2
-10%
11
-31%
10,2
-34%
7
-22%
13,3
-40%
15
-9%
70,5
-25%
78
-33%
39
-15%
102,5
-39%
Selisih
Biaya
Konsumsi
(Rp)
14025,2
-40%
7962,7
-23%
12962
-37%
12962
-37%
13897,8
-40%
21%
3%
27%
24%
35%
Balita
10
Hasil Pengujian Jumlah Generasi
Rata-rata fitness
digunakan sesuai hasil pengujian parameter yang
optimal sebagai berikut:
Jumlah Populasi
: 100
Crossover Rate (cr) : 0,5
Mutation Rate (mr) : 0,5
Jumlah Generasi
: 70
Berdasarkan parameter hasil pengujian
optimal, maka didapatkan hasil selisih
kebutuhan gizi balita dengan kandungan gizi
hasil
rekomendasi
sistem.
Tabel
6
menunjukkan hasil selisih kebutuhan balita.
50,8
Balita
18
50,3
Balita
12
49,8
Balita
3
10 20 30 40 50 60 70 80 90 100
Jumlah Generasi
Gambar 5. Grafik Pengujian Jumlah Generasi
Berdasarkan Gambar 5 dapat dijelaskan
bahwa semakin banyak jumlah generasi maka
nilai fitness cenderung mengalami kenaikan. Hal
ini disebabkan karena iterasi digunakan untuk
memperbaiki nilai fitness, sehingga ruang
pencarian solusi semakin memiliki peluang yang
lebih baik. Hasil nilai fitness terendah pada
generasi 10 yaitu 49,969. sedangkan nilai fitness
tertinggi pada generasi 100 yaitu 50,975. Pada
pengujian jumlah generasi diatas 70 hasil nilai
fitness mengalami peningkatan nilai fitness yang
tidak terlalu signifikan. Sehingga dapat
dikatakan bahwa generasi diatas 70 sudah mulai
konvergen. Untuk menentukan jumlah generasi
yang optimal, perlu disesuaikan dengan
permasalahan yang ada. Pada penelitian ini,
jumlah generasi yang optimal yaitu jumlah
generasi ke-70 memiliki nilai fitness yang tidak
terlalu rendah dan waktu komputasi tidak terlalu
lama.
4.4. Analisis Global Hasil Pengujian
Parameter
algoritme
genetika
yang
Fakultas Ilmu Komputer, Universitas Brawijaya
Ratarata
Hasil perhitungan selisih kandungan gizi
pada Tabel 6. Selisih kandungan energi yang
direkomendasikan sistem yaitu 79%, kandungan
protein sebesar 97%, kandungan lemak sebesar
73%, kandungan karbohidrat sebesar 76%. Hasil
selisih kebutuhan biaya pengeluaran yang
direkomendasikan sistem, orangtua balita dapat
mengemat biaya konsumsi sebesar 35% dari
rata-rata biaya konsumsi sebelumnya yaitu Rp.
35000.
5. KESIMPULAN
Berdasarkan hasil penerapan algoritme
genetika pada optimasi gizi pada bahan makanan
balita, dapat disimpulkan sebagai berikut:
1. Implementasi algoritme genetika pada
penelitian ini menggunakan representasi
kromosom permutasi, metode crossover yang
digunakan yaitu extended intermediate
crossover, metode mutasi yang digunakan
yaitu exchange mutation, dan metode seleksi
yang digunakan yaitu elitism selection.
2. Parameter-parameter algoritme genetika
sangat berpengaruh untuk menghasilkan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
solusi yang terbaik. Hasil pengujian
parameter pada penelitian ini ataralain
jumlah populasi sebesar 100, nilai cr sebesar
0,5 dan nilai mr sebesar 0,5. Hasil pengujian
jumlah generasi yang optimal berdasarkan
kebutuhan permasalahan penelitian sebesar
70 generasi dikarenakan memiliki nilai
fitness tertinggi.
3. Hasil penerapan algoritme genetika pada
penelitian ini berupa rekomendasi susunan
bahan makanan selama 7 hari disertai berat
dan harga bahan makanan. Kualitas hasil
susunan bahan makanan menghasilkan bahan
makanan yang bervariasi selama sehari
dengan biaya konsumsi yang rendah.
4. Saran untuk penelitian selanjutnya yaitu
diharapkan dapat dikembangkan sistem
untuk balita yang memiliki kebutuhan khusus
seperti alergi makanan, dan juga dapat
dikembangkan sistem optimasi gizi dengan
menggabungkan 2 metode atau lebih untuk
menghasilkan solusi yang lebih baik disertai
metode crossover , mutasi dan seleksi yang
berbeda dari penelitian ini.
6. DAFTAR PUSTAKA
Beritajatim.com. 2016.
[Diakses
tanggal 13 November 2016].
Dokterindonesiaonline.com. 2012.
[Diakses tanggal 19 Desember
2016].
Kementerian Kesehatan Republik Indonesia.
2014. Pedoman Gizi Seimbang. Jakarta :
Kementerian Kesehatan RI.
Kementerian Kesehatan Republik Indonesia.
2015. Profil Kesehatan Indonesia Tahun
2014. Jakarta : Kementerian Kesehatan
RI.
Kusumadewi, Sri., 2003. Artificial Intelligence
(Teknik dan Aplikasinya). Yogyakarta :
Graha Ilmu.
Kusumaningsih, F.D., Cholissodin, I. &
Setiawan, B.D. 2016. Penerapan
Algoritma genetika pada optimasi
susunan
bahan
makanan
untuk
pemenuhan kebutuhan gizi keluarga.
Skripsi.
FILKOM.
Universitas
Brawijaya. Malang.
Fakultas Ilmu Komputer, Universitas Brawijaya
2823
Mahmudy,W.F., 2015. Algoritma Evolusi.
FILKOM.
Universitas
Brawijaya.
Malang.
Nugraini, S., Hendrorini, A., & Miharti, T.,
2013. Ilmu Gizi 2. Kementerian
Pendidikan dan Kebudayaan.
Riset Kesehatan Dasar. 2013. Prevalensi Status
Gizi Balita Berdasarkan Berat Badan
Menurut Umur (Bb/U). Jakarta :
Kementerian Kesehatan RI.
RSCM dan PERSAGI, 2003. Penuntun DIIT
Anak. Jakarta : PT Gramedia Pustaka
Utama.
Sari, A.P., Mahmudy, W.F., & Dewi, C, 2014.
Optimasi Asupan Gizi Pada Ibu Hamil
Dengan
Menggunakan
Algoritma
Genetika .
Skripsi.
FILKOM.
Universitas Brawijaya. Malang.
Vol. 2, No. 8, Agustus 2018, hlm. 2817-2823
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Optimasi Gizi Pada Bahan Makanan Balita Menggunakan Algoritme
Genetika
Vivilia Putri Agustin1, Imam Cholissodin2, Bayu Rahayudi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: [email protected], [email protected], [email protected]
Abstrak
Balita atau anak usia dibawah lima tahun memiliki fase yang penting dalam tumbuh kembang anak.
Berdasarkan data Riset Kesehatan Dasar tahun 2013, perkembangan balita di Jawa Timur masih
mengalami permasalahan gizi. Penyebab yang pertama, kurangnya pengetahuan orang tua terhadap
kebutuhan gizi balita. Penyebab yang kedua, kurangnya memperhatikan harga bahan makanan yang
sesuai dengan bahan makanan yangh memiliki gizi seimbang. Salah satu upaya yang dilakukan yaitu
Dinkes kota Malang melibatkan kader posyandu melakukan penyuluhan terkait pemberian makanan
penunjang untuk memperbaiki gizi balita. Namun upaya tersebut masih mengalami kendala berupa
jumlah porsi makanan yang diberikan kepada setiap balita belum disesuaikan berdasarkan berat badan
dan umur, selain itu kurangnya variasi bahan makanan. Sehingga, diperlukan suatu sistem untuk
mengoptimasi hal tersebut. Algoritme genetika merupakan agoritme yang sering digunakan untuk
mengatasi permasalahan optimasi. Hasil sistem berupa daftar bahan makanan beserta berat dan harga
yang disesuaikan dengan berat dan umur balita. Berdasarkan hasil pengujian didapatkan parameter yang
optimal yaitu jumlah populasi sebesar 100, jumlah generasi yang optimal sebesar 70 dan kombinasi nilai
cr dan nilai mr yang optimal yaitu 0,5 dan 0,5 menghasilkan nilai fitness 50,821.
Kata kunci: balita, optimasi, algoritme genetika.
Abstract
In the Golden Age (children under five years old) have an important phase in child growth. Based on
Basic Health Research in 2013, the development of children in East Java is still experiencing nutritional
problems. The first because, lack of knowledge of parents to the nutritional needs of children. The
second because, the lack of attention to the price of food in accordance with food ingredients that have
balanced nutrition.One efforts of Dinkes Malang was involving Posyandu to do counseling related to
improve child nutrition. However, these efforts were still experiencing obstacles in the form of the
number of portions of food given to each children has not been adjusted based on weight and age, in
addition the children lack variety of foodstuffs. Thus, the reseracher search a system to optimize it.
Genetic algorithm was a Algorithm that was often used to overcome the problem of optimization. The
results of the system in the form of lists of food and weight and price adjusted to the weight and age of
children.Based on the test results obtained optimal parameters that the optimal population amount of
100, the optimal generation amount of 70 and the optimal combination of cr value and mr value was
0.5 and 0.5 resulted in a fitness value of 50.821.
Keywords: children, optimization,genetic algorithm
4,9%, gizi kurang 14,2%, gizi baik 76,7% dan
gizi lebih 4,1%. Sehingga dapat disimpulkan
bahwa perkembangan balita di Jawa Timur
masih mengalami masalah gizi.Beberapa upaya
untuk menyelesaikan permasalahan tersebut
antara lain meningkatkan pengetahuan orang tua
atau pengasuh mengenai kandungan gizi yang
harus diberikan kepada balita sesuai kebutuhan.
Upaya selanjutnya yaitu meningkatkan
1. PENDAHULUAN
Masa balita merupakan masa penting
selama proses tumbuh kembang manusia.
Perkembangan dan pertumbuhan di masa itu
menjadi penentu keberhasilan pertumbuhan dan
perkembangan anak di periode selanjutnya.
prevalensi balita menurut status gizi bb/u
menyatakan balita yang memiliki gizi buruk
Fakultas Ilmu Komputer
Universitas Brawijaya
2817
2818
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pelayanan kesehatan di masyarakat contohnya,
Dinkes kota Malang melibatkan kader posyandu
melakukan penyuluhan terkait pemberian
makanan penunjang untuk memperbaiki gizi
balita (beritajatim.com, 2016).
Namun upaya tersebut masih mengalami
kendala berupa jumlah porsi makanan yang
diberikan kepada setiap balita belum disesuaikan
berdasarkan berat badan dan umur. Kendala
yang kedua yaitu daftar bahan makanan yang
disarankan kurang bervariasi sehingga masih
bisa dioptimalkan berdasarkan kandungan gizi
dan biaya yang optimal. Kendala yang ketiga
terkait pemilihan bahan makanan yang kurang
tepat dari segi harga. Kendala lainnya yaitu para
orang tua sulit untuk menghafal menu-menu
yang dianjurkan saat penyuluhan. Berdasarkan
kendala tersebut, maka diperlukan suatu sistem
untuk optimasi asupan gizi balita menggunakan
algoritme genetika yang dapat diakses oleh
posyandu untuk memberikan daftar bahan
makanan yang seimbang disertai berat dan harga
setiap bahan makanan.
Algoritme genetika merupakan algoritme
pencarian heuristik yang menggunakan
mekanisme evolusi biologis (Kusumadewi,
2013). Beberapa penelitian sebelumnya
(Kusumaningsih, Cholissodin, & Setiawan,
2016) menghasilkan menu makanan pada
keluarga dalam kurun waktu 7 hari berdasarkan
harga yang minimum. Penelitian selanjutnya
dengan objek berbeda dan metode yang sama
yaitu oleh (Sari, Mahmudy, & Dewi, 2014).
Hasil penelitian ini sama dengan penelitian
sebelumnya yaitu berupa bahan makanan yang
bergizi seimbang dengan kebutuhan ibu hamil
sehat dengan harga minimal. Berdasarkan
penelitian-penelitian yang dipaparkan, maka
dapat disimpulkan bahwa algoritme genetika
sering digunakan dalam masalah optimasi dan
mempunyai kemampuan untuk menghasilkan
solusi yang baik untuk masalah-masalah yang
rumit (Mahmudy, 2015). Dengan demikian hasil
sistem diharapkan dapat memberikan solusi
optimal untuk mengkombinasikan bahan
makanan yang seimbang sesuai kebutuhan
balita.
2. DASAR TEORI
2.1. Gizi Seimbang
Gizi seimbang merupakan susunan
makanan sehari-hari yang terdiri dari berbagai
ragam bahan makanan yang berkualitas dalam
jumlah dan porsi yang sesuai sehingga dapat
Fakultas Ilmu Komputer, Universitas Brawijaya
memenuhi kebutuhan gizi guna pemeliharaan
dan perbaikan sel tubuh dan proses kehidupan
serta pertumbuhan dan perkembangan secara
optimal (Nugraini, Hendrorini, & Miharti,
2013). Pola makan merupakan salah satu faktor
penting untuk kesehatan dan keadaan gizi Balita,
dikarenakan kuantitas dan kualitas makanan dan
minuman yang dikonsumsi dapat mempengaruhi
tingkat kesehatan balita.
2.2. Perhitungan Kebutuhan Gizi Balita
Setiap anak balita memiliki kebutuhan gizi
untuk menunjang pertumbuhan. Gizi yang
seimbang merupakan kebutuhan utama untuk
masa pertumbuhan balita. Terdapat beberapa
cara untuk menentukan kebutuhan gizi pada
balita (Rumah Sakit Citro Mangunkusumo dan
Persatuan Gizi (PERSAGI), 2003):
1. Menentukan Desirable Body Weight
(DBW) atau berat badan ideal. Penentuan
berat badan ideal digunakan untuk anak
balita (1 sampai 5 tahun).
��� = �
Keterangan:
×
+8
(1)
BBI = Berat Badan Ideal
2. Menentukan Estimasi kebutuhan Energi dan
Zat gizi total perhari.Terdapat 4 kandungan
gizi dalam setiap bahan makanan yaitu kalori,
protein, lemak dan karbohidrat. Berikut ini
perhitungan kebutuhan gizi pada balita:
a) Kebutuhan Kalori
Untuk menghitung kebutuhan kalori
yang dibutuhkan balita,
=
∗ �_
(2)
Keterangan :
KE_umur = Kebutuhan Energi sesuai
umur, sebagai berikut:
1. KE_umur untuk umur 1 s/d 3,5 tahun
= 100 kalori/kg BBI
2. KE_umur untuk umur > 3,5 s/d 5
tahun = 90 kalori/kg BBI
b) Kebutuhan Protein
Kebutuhan protein dapat diketahui
menggunakan perhitungan,
.�
=
%
� ��
c) Kebutuhan Lemak
(3)
Menghitung kebutuhan lemak pada
balita menggunakan perhitungan,
.
=
%
9
� ��
(4)
2819
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
d) Kebutuhan Karbohidrat
Kebutuhan karbohidrat digunakan untuk
menghitung kebutuhan karbohidrat
untuk balita menggunakan,
.
ℎ
=
7 %
� ��
(5)
2.2. Anjuran Porsi Makan
Data anjuran porsi yang digunakan untuk
menentukan porsi makan setiap individu sesuai
dengan sumber bahan makanan. 1 porsi makan
sama dengan berat makanan yang ada pada data
makanan. Tabel 1 merupakan daftar anjuran
porsi makanan berdasarkan kelompok umur.
Tabel 1. Anjuran Porsi Makan
Tipe
Umur
KH
PH
PN
L
B
S
1
1 – 3,5
3P
1P
1P
3P
3P
1,5P
2
>3,5 – 5
4P
2P
2P
4P
3P
2P
Sumber: PGS, Kementrian Kesehatan RI (2014)
Keterangan:
KH : Karbohidrat
PH : Protein Hewani
PN : Protein Nabati
L : Lemak
B : Buah
S : Sayuran
P : Porsi
Anjuran porsi tersebut digunakan untuk sekali
waktu makan pagi, siang, dan malam.
antara dua buah parent yang dipilih secara
random untuk menghasilkan offspring. Jumlah
offspring (child) tergantung pada nilai dari hasil
perkalian cr (crossover rate) dengan jumlah
populasi (popsize). Setelah itu proses mutasi
dengan cara memilih satu parent secara random.
Kemudian proses evaluasi dan dilanjutkan
seleksi. Berikut ini tahapan Algoritme genetika
dapat dilihat pada Gambar 1 diagram alir proses
Algoritme genetika.
mulai
Nama, BB, Umur,
popsize, cr, mr,
generasi, hari
Inisialisasi Populasi Awal
for i=0 to generasi -1
Crossover
Mutasi
Konversi indeks bahan
Evaluasi
Seleksi
3. PERANCANGAN ALGORITME
GENETIKA
Algoritme genetika merupakan cabang ilmu
dari algoritme evolusi, yang mengadopsi teori
evolusi terkait siklus mahluk hidup. Algoritme
genetika banyak digunakan dalam masalah
optimasi dan mempunyai kemampuan untuk
menghasilkan solusi yang baik untuk masalahmasalah yang rumit (Mahmudy, 2015).
Tahapan-tahapan proses algoritme genetika
yang pertama yaitu inisialisasi populasi awal
yang digunakan untuk menciptakan individuindividu secara acak yang memiliki susunan gen
(kromosom) tertentu, dibentuk berdasarkan
jumlah populasi (popsize) dan panjang
kromosom. Nilai setiap gen dibangkitkan secara
acak sesuai dengan batas permutasi yang telah
ditentukan.Langkah selanjutnya yaitu crossover
yang dilakukan dengan cara menukar silang
Fakultas Ilmu Komputer, Universitas Brawijaya
i
Individu terbaik
Selesai
Gambar 1. Diagram Alir Algoritme Genetika
Tahapan-tahapan penyelesaian optimasi pada
bahan makanan balita menggunakan algoritme
genetika berdasarkan Gambar 1 sebagai berikut:
1. Input berupa parameter-parameter yang
diperlukan untuk optimasi gizi balita.
Parameter tersebut antara lain nama balita,
berat badan (BB), umur balita, jumlah
2820
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
populasi (Popsize), cr ossover rate (cr ),
mutation rate (mr ), dan jumlah generasi.
2. Proses inisialisasi populasi awal sesuai
jumlah populasi (popsize) yang sudah
ditentukan. Pada penelitian ini menggunakan
169 daftar bahan makanan yang terdiri dari 6
kelompok
sumber
kandungan
yaitu
karbohidrat, protein hewani, protein
nabati,lemak, sayuran dan buah. Panjang
kromosom dalam satu hari yatu 18 kromosom
yang merepresentasikan 6 sumber jenis
bahan makanan untuk 3 kali makan. Nilai gen
diacak dengan rentang angka 1 – 65. Contoh
inisialisasi populasi awal pada Tabel 2.
Tabel 2. Representasi Kromosom
Parent
P1
P2
Kromosom
KH
52
18
PH
54
59
PN
32
46
L
20
15
B
62
46
S
29
52
Keterangan:
KH : Karbohidrat
PH : Protein Hewan
PN : Protein Nabati
L : Lemak
B : Buah
S : Sayur
3. Proses reproduksi yang pertama yaitu
crossover, metode crossover yang digunakan
yaitu extended intermediate crossover
dengan persamaan berikut ini:
C1 = P1 + a (P2 – P1)
(6)
C2 = P2 + a (P1 – P2)
(7)
Keterangan:
C1 : child 1
C2 : child 2
P1 : Parent 1
P2 : Parent 2
a
: batas random [-0,25 ; 1,25]
4. Metode mutasi yang digunakan yaitu
exchange mutation. Proses mutasi dilakukan
dengan mengambil salah satu parent secara
acak dan mengambil 2 titik gen secara acak
kemudian menukar nilai gen yang dipilih
secara acak. Contoh proses mutasi pada
Gambar 2.
P2
18
C3
18
59
xp1
52
46
15
46
46
15
46
52
xp2
59
Gambar 2. Proses Mutasi
5. Konversi gen ke indeks bahan makanan
untuk menentukan jenis bahan makanan pada
Fakultas Ilmu Komputer, Universitas Brawijaya
setiap indeks gen menggunakan persamaan
berikut ini:
, =
ℎ�−
∗
−
−
+
(8)
Keterangan:
K, i : indeks gen ke- i
z
: jenis bahan makanan
n : nilai gen ke- i
x : batas atas angka random
y :batas bawah angka random
6. Proses evaluasi dengan menghitung nilai
fitness untuk mengetahui nilai kebugaran
pada masing-masing individu. Penelitian ini
menggunakan rumus fitness (Sulistiowati,
Cholissodin, & Marji, 2016).
F=
�
� �� �����
�
� � ��
+
×
+
(9)
Keterangan:
F : fitness ke-i
C1 : 10000000
C2 : 0,5
C3 : 10000
Nilai konstanta pada total harga yaitu
1000000 , nilai konstanta pada total variasi
bernilai 0,5 dan nilai konstanta pada penalti
bernilai 10000. Nilai konstanta tersebut
digunakan untuk menyeimbangkan hasil dari
total harga, total variasi dan nilai penalti.
7. Proses seleksi menggunakan elitisim
selection dengan menampung semua nilai
fitness, kemudian diurutkan dari yang
terbesar ke yang terkecil kemudian diambil
beberapa individu yang memiliki nilai fitness
terbaik (terbesar) sebanyak jumlah populasi
(popsize).
8. Proses berulang sampai memenuhi jumlah
generasi.
9. Hasil akhir berupa individu terbaik dari nilai
fitness terbesar.
4. PENGUJIAN DAN ANALISIS
4.1. Pengujian dan Analisis Jumlah Populasi
Pengujian jumlah populasi bertujuan untuk
mengetahui jumlah populasi yang optimal untuk
menghasilkan nilai fitness yang terbaik.
Percobaan ini dilakukan sebanyak 10 kali
percobaan dalam setiap populasi, kemudian
dihitung nilai rata-rata fitness masing-masing
populasi. Berikut ini parameter yang digunakan
untuk pengujian jumlah populasi:
Umur balita : 3,3 tahun
Berat Badan : 8,5 kg
2821
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Jumlah hari : 7
cr dan mr : 0,5 dan 0,5
Generasi
: 30
Hasil pengujian jumlah populasi dapat dilihat
pada Tabel 3 dan Gambar 3.
Tabel 3. Hasil Pengujian Jumlah Populasi
Size
10
20
30
40
50
60
70
80
90
100
110
120
Ratarata
Fitness
Percobaan Ke-
Pop
1
52,75
52,82
52,53
53,43
53,56
53,58
53,73
53,47
53,38
53,89
53,61
54,33
2
53,11
53,22
53,67
52,71
53,16
53,2
53,59
53,9
53,6
53,2
53,87
53,44
…
10
52,69
53,18
53,15
52,91
53,6
53,19
53,48
53,93
53,2
53,76
54,47
53,49
53,00
53,10
53,21
53,33
53,49
53,56
53,61
53,66
53,74
53,83
53,69
53,68
Berat Badan
: 8,5 kg
Jumlah Populasi : 100
Generasi
: 30
Tabel 4 dan Gambar 4 menunjukkan hasil
pengujian kombinasi nilai cr dan mr.
Tabel 4. Hasil Pengujian Kombinasi cr dan mr
cr
mr
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
Percobaan Ke1
53,1
52,4
52,7
53,9
53,9
53,8
53,7
53,3
52,6
50,5
48,6
2
51,8
52,9
53,5
53,7
54,0
53,9
53,8
53,1
52,6
51,3
48,1
…
10
52,81
52,28
52,85
53,04
53,27
53,39
53,21
53,18
51,18
49,48
46,58
Ratarata
Fitness
52,05
52,49
52,98
53,49
53,70
53,81
53,60
53,46
52,41
50,70
48,14
Pengujian Kombinasi cr dan mr
Rata-rata fitness
54,0
53,8
53,6
53,4
53,2
53,0
10
20
30
40
50
60
70
80
90
100
110
120
Rata-rata fitness
Hasil Pengujian Jumlah Populasi
Jumlah Populasi
Gambar 3. Grafik Pengujian Jumlah Populasi
Berdasarkan Tabel 3 dan Gambar 3
mengenai
pengujian
jumlah
populasi,
didapatkan rata-rata nilai fitness terendah pada
populasi 10 yaitu 53,002. Sedangkan rata-rata
nilai fitness terbesar berada pada jumah populasi
100 dengan nilai fitness 53,836. Sehingga
didapatkan jumlah populasi yang optimal yaitu
100.
4.2. Pengujian dan Analisis Kombinasi nilai
cr dan mr
Pengujian kombinasi nilai cr dan mr
digunakan untuk mengetahui kombinasi nilai cr
dan mr yang optimal untuk menghasilkan nilai
fitness terbaik. Berikut ini parameter yang
digunakan untuk pengujian kombinasi nilai cr
dan mr :
Umur balita
: 3,3 tahun
Fakultas Ilmu Komputer, Universitas Brawijaya
54,0
52,0
50,0
48,0
0;1 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 ;
; ; ; ; ; ; ; ; ; 0
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1
Kombinasi cr ; mr
Gambar 4. Grafik Pengujian Kombinasi cr dan mr
Berdasarkan Gambar 4 dapat disimpulkan
bahwa kombinasi nilai cr 0,5 dan mr 0,5
merupakan kombinasi yang optimal dengan
memiliki nilai fitness tertinggi yaitu 53,818.
4.3. Pengujian dan Analisis Jumlah Generasi
Pengujian jumlah generasi digunakan untuk
mengetahui banyaknya generasi yang optimal
untuk menghasilkan nilai fitness terbaik.
Percobaan jumlah generasi dilakukan sebanyak
10 kali dengan kelipatan 10. Berikut ini
parameter yang digunakan untuk pengujian
jumlah generasi:
Umur balita
: 3,3 tahun
Berat Badan
: 8,5 kg
Jumlah Hari
: 7 hari
Jumlah populasi : 100
Nilai cr
: 0,5
Nilai mr
: 0,5
2822
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tabel 5 dan Gambar 5 menunjukkan hasil
pengujian jumlah generasi.
Tabel 5. Hasil Pengujian Jumlah Generasi
Percobaan Ke-
Gene
rasi
10
20
30
40
50
60
70
80
90
100
1
50,09
50,8
50,75
50,79
50,25
49,99
50,84
51,36
50,93
50,99
2
50,4
50,23
50,49
50,18
50,53
51,21
51,29
50,79
51,2
50,66
…
10
50,24
48,3
49,26
50,59
50,31
50,42
50,7
51,26
50,32
51,28
Ratarata
Fitness
Ratarata
Waktu
49,96
50,1
50,25
50,3
50,4
50,59
50,82
50,83
50,84
50,87
5,52
8,89
13,2
18,02
24,64
28,71
35,56
36
42,41
48,92
Tabel 6. Selisih Kandungan Gizi
Energi
Nama
(kkal)
Protein
Lemak
KH
Balita
15
50
-5%
345
-21%
410
-30%
165
-11%
550
37%)
-2
(-8%)
-2,5
(-6%)
7
-21%
-7
(-19%)
10,5
-28%
2,2
-10%
11
-31%
10,2
-34%
7
-22%
13,3
-40%
15
-9%
70,5
-25%
78
-33%
39
-15%
102,5
-39%
Selisih
Biaya
Konsumsi
(Rp)
14025,2
-40%
7962,7
-23%
12962
-37%
12962
-37%
13897,8
-40%
21%
3%
27%
24%
35%
Balita
10
Hasil Pengujian Jumlah Generasi
Rata-rata fitness
digunakan sesuai hasil pengujian parameter yang
optimal sebagai berikut:
Jumlah Populasi
: 100
Crossover Rate (cr) : 0,5
Mutation Rate (mr) : 0,5
Jumlah Generasi
: 70
Berdasarkan parameter hasil pengujian
optimal, maka didapatkan hasil selisih
kebutuhan gizi balita dengan kandungan gizi
hasil
rekomendasi
sistem.
Tabel
6
menunjukkan hasil selisih kebutuhan balita.
50,8
Balita
18
50,3
Balita
12
49,8
Balita
3
10 20 30 40 50 60 70 80 90 100
Jumlah Generasi
Gambar 5. Grafik Pengujian Jumlah Generasi
Berdasarkan Gambar 5 dapat dijelaskan
bahwa semakin banyak jumlah generasi maka
nilai fitness cenderung mengalami kenaikan. Hal
ini disebabkan karena iterasi digunakan untuk
memperbaiki nilai fitness, sehingga ruang
pencarian solusi semakin memiliki peluang yang
lebih baik. Hasil nilai fitness terendah pada
generasi 10 yaitu 49,969. sedangkan nilai fitness
tertinggi pada generasi 100 yaitu 50,975. Pada
pengujian jumlah generasi diatas 70 hasil nilai
fitness mengalami peningkatan nilai fitness yang
tidak terlalu signifikan. Sehingga dapat
dikatakan bahwa generasi diatas 70 sudah mulai
konvergen. Untuk menentukan jumlah generasi
yang optimal, perlu disesuaikan dengan
permasalahan yang ada. Pada penelitian ini,
jumlah generasi yang optimal yaitu jumlah
generasi ke-70 memiliki nilai fitness yang tidak
terlalu rendah dan waktu komputasi tidak terlalu
lama.
4.4. Analisis Global Hasil Pengujian
Parameter
algoritme
genetika
yang
Fakultas Ilmu Komputer, Universitas Brawijaya
Ratarata
Hasil perhitungan selisih kandungan gizi
pada Tabel 6. Selisih kandungan energi yang
direkomendasikan sistem yaitu 79%, kandungan
protein sebesar 97%, kandungan lemak sebesar
73%, kandungan karbohidrat sebesar 76%. Hasil
selisih kebutuhan biaya pengeluaran yang
direkomendasikan sistem, orangtua balita dapat
mengemat biaya konsumsi sebesar 35% dari
rata-rata biaya konsumsi sebelumnya yaitu Rp.
35000.
5. KESIMPULAN
Berdasarkan hasil penerapan algoritme
genetika pada optimasi gizi pada bahan makanan
balita, dapat disimpulkan sebagai berikut:
1. Implementasi algoritme genetika pada
penelitian ini menggunakan representasi
kromosom permutasi, metode crossover yang
digunakan yaitu extended intermediate
crossover, metode mutasi yang digunakan
yaitu exchange mutation, dan metode seleksi
yang digunakan yaitu elitism selection.
2. Parameter-parameter algoritme genetika
sangat berpengaruh untuk menghasilkan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
solusi yang terbaik. Hasil pengujian
parameter pada penelitian ini ataralain
jumlah populasi sebesar 100, nilai cr sebesar
0,5 dan nilai mr sebesar 0,5. Hasil pengujian
jumlah generasi yang optimal berdasarkan
kebutuhan permasalahan penelitian sebesar
70 generasi dikarenakan memiliki nilai
fitness tertinggi.
3. Hasil penerapan algoritme genetika pada
penelitian ini berupa rekomendasi susunan
bahan makanan selama 7 hari disertai berat
dan harga bahan makanan. Kualitas hasil
susunan bahan makanan menghasilkan bahan
makanan yang bervariasi selama sehari
dengan biaya konsumsi yang rendah.
4. Saran untuk penelitian selanjutnya yaitu
diharapkan dapat dikembangkan sistem
untuk balita yang memiliki kebutuhan khusus
seperti alergi makanan, dan juga dapat
dikembangkan sistem optimasi gizi dengan
menggabungkan 2 metode atau lebih untuk
menghasilkan solusi yang lebih baik disertai
metode crossover , mutasi dan seleksi yang
berbeda dari penelitian ini.
6. DAFTAR PUSTAKA
Beritajatim.com. 2016.
[Diakses
tanggal 13 November 2016].
Dokterindonesiaonline.com. 2012.
[Diakses tanggal 19 Desember
2016].
Kementerian Kesehatan Republik Indonesia.
2014. Pedoman Gizi Seimbang. Jakarta :
Kementerian Kesehatan RI.
Kementerian Kesehatan Republik Indonesia.
2015. Profil Kesehatan Indonesia Tahun
2014. Jakarta : Kementerian Kesehatan
RI.
Kusumadewi, Sri., 2003. Artificial Intelligence
(Teknik dan Aplikasinya). Yogyakarta :
Graha Ilmu.
Kusumaningsih, F.D., Cholissodin, I. &
Setiawan, B.D. 2016. Penerapan
Algoritma genetika pada optimasi
susunan
bahan
makanan
untuk
pemenuhan kebutuhan gizi keluarga.
Skripsi.
FILKOM.
Universitas
Brawijaya. Malang.
Fakultas Ilmu Komputer, Universitas Brawijaya
2823
Mahmudy,W.F., 2015. Algoritma Evolusi.
FILKOM.
Universitas
Brawijaya.
Malang.
Nugraini, S., Hendrorini, A., & Miharti, T.,
2013. Ilmu Gizi 2. Kementerian
Pendidikan dan Kebudayaan.
Riset Kesehatan Dasar. 2013. Prevalensi Status
Gizi Balita Berdasarkan Berat Badan
Menurut Umur (Bb/U). Jakarta :
Kementerian Kesehatan RI.
RSCM dan PERSAGI, 2003. Penuntun DIIT
Anak. Jakarta : PT Gramedia Pustaka
Utama.
Sari, A.P., Mahmudy, W.F., & Dewi, C, 2014.
Optimasi Asupan Gizi Pada Ibu Hamil
Dengan
Menggunakan
Algoritma
Genetika .
Skripsi.
FILKOM.
Universitas Brawijaya. Malang.