Optimasi Menu Makanan Untuk Pemenuhan Gizi Penderita Kanker Dengan Algoritme Genetika

  

Vol. 1, No. 12, Desember 2017, hlm. 1850-1857 http://j-ptiik.ub.ac.id

Optimasi Menu Makanan Untuk Pemenuhan Gizi Penderita Kanker

Dengan Algoritme Genetika

_{1 2 3} Dellia Airyn , Imam Cholissodin , Budi Darma Setiawan

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: delliaairyn@gmail.com, imamcs@ub.ac.id, s.budidarma@ub.ac.id

Abstrak

  Salah satu penyakit yang paling ditakuti saat ini adalah kanker. Bagi penderita kanker, berbagai macam cara telah dilakukan, salah satunya kegiatan kemoterapi. Namun dalam pelaksanaan kemoterapi ini, penderita akan mengalami gangguan pencernaan dan penyerapan zat gizi, sehingga mempengaruhi status gizi penderita. Oleh karena itu, pengaturan menu untuk perbaikan gizi pada penderita kanker menjadi faktor penting untuk mengurangi efek samping kemoterapi, terutama dalam pemenuhan kebutuhan energi dan protein. Dalam penelitian ini digunakan 111 data menu makanan yang terdiri dari 31 menu makanan sumber karbohidrat, 34 menu makanan sumber protein hewani, dan 46 menu makanan sumber protein nabati. Metode yang digunakan adalah algoritme genetika, yaitu sebuah algoritme optimasi yang secara umum mirip dengan teori evolusi biologis dalam penentuan kromosom atau individunya. Representasi yang digunakan berupa representasi permutasi, dengan reproduksi menggunakan metode One-Cut Point Crossover dan Reciprocal Exchange Mutation. Hasil pengujian dan analisis kombinasi crossover rate dan mutation rate terhadap rata-rata nilai fitness menunjukkan 0,6;0,4 memiliki nilai rata-rata terbesar, yaitu 762,19. Pada pengujian banyak populasi, didapatkan rata- rata nilai fitness tertinggi 631,16 pada populasi ke 300. Sedangkan pada pengujian banyak generasi, didapatkan rata-rata nilai fitness tertinggi 666,22 pada generasi ke 200.

  Kata kunci optimasi, menu makanan, kanker, algoritme genetika

  :

  

Abstract

One of the most feared disease in the world today is cancer. For cancer patients, various ways have

been done, one of them is chemotherapy. But in chemoteraphy, patients will experience digestive and

absorption of nutrients disorder, thus affecting the nutritional status of patients. So, the menu orders for

cancer patients become the most important thing to reduce the side effect of chemoteraphy, especially

in term to fulfill the needs of energy and protein. In this study, there are 111 food menu, consist of 31

foods source of carbohydrate, 34 foods source of animal protein, and 46 foods source of plant

protein.The method in this study using genetic algorithm, which is an optimization algorithm that similar

to evolution theory in case determining the chromosomes or individual.The representation used is a

permutation representation, with One-Cut Point Crossover and Reciprocal Exchange Mutation

methods. The results and analysis of crossover rate and mutation rate combination against the average

fitness value showed 0,6;0,4 has the largest average value, which is 762,19. In population test, the

highest average fitness score was 631,16 in the 300th population. While in generation test, the highest

average fitness value was 666,22 in the 200th generation.

  Keywords optimization, food menu, cancer, genetic algorithm

  : kanker telah menyebabkan lebih dari 8.200.000

1. PENDAHULUAN jiwa meninggal dunia, yaitu sebesar 13% dari

  seluruh kasus kematian yang ada di dunia Kanker merupakan salah satu penyakit yang

  (WHO, 2016). Jenis penyakit kanker sendiri memiliki penderita terbanyak dan paling ditakuti terdapat lebih dari 100 jenis dan merebak di di dunia saat ini. Banyak orang masih dunia dengan bermacam-macam diagnosa dan beranggapan bahwa kanker merupakan penyakit pengobatan. Berbagai usaha telah dilakukan yang sulit untuk disembuhkan dan memiliki untuk mencegah dan bahkan menghilangkan resiko kematian yang tinggi. Kasus penyakit

  Fakultas Ilmu Komputer Universitas Brawijaya

1850 kanker, dengan operasi, kemoterapi, dan berbagai macam cara lainnya.

  Kegiatan kemoterapi yang dilakukan oleh penderita kanker menimbulkan beberapa efek samping seperti mual, muntah, sariawan, radang tenggorokan, dan gangguan pencernaan. Selain itu, efek samping dari kemoterapi yang dilakukan oleh penderita kanker mempengaruhi pencernaan dan penyerapan zat gizi sehingga mempengaruhi status gizi penderita tersebut (Sartono, dkk). Kondisi ini sering disebut sebagai malnutrisi. Terjadinya malnutrisi biasanya disebabkan karena kurangnya asupan makanan dan malabsorpsi akibat tumor atau kanker yang diderita dan perubahan proses metabolisme dalam tubuh penderita. Dari kondisi ini, penderita kanker memerlukan nutrisi atau gizi yang baik sebagai terapi nutrisi penderita kanker (Kusuma, 2014). Oleh karena itu perbaikan gizi pada penderita kanker menjadi faktor penting dalam proses penyembuhan penyakit, dapat meningkatkan daya tahan tubuh terhadap infeksi dan mengurangi gejala akibat efek samping pengobatan atau kemoterapi yang dijalankan.

  Pengaturan menu bagi penderita kanker sangat penting sesuai dengan kebutuhan gizi penderita tersebut, terutama dalam pemenuhan energi dan protein (Uripi, 2002). Tidak hanya energi dan protein yang diperhitungkan, namun faktor gizi seperti karbohidrat dan lemak juga harus diperhatikan agar tetap seimbang. Pada penelitian yang dilakukan oleh Sartono, dkk. menyebutkan pula bahwa penderita kanker yang menjalani kemoterapi diberikan makanan dengan kandungan utama berupa protein, glukosa, vitamin A dan C. Oleh karena itu digunakan kombinasi zat gizi berupa karbohidrat, protein, dan lemak dalam penelitian ini.

  Pada penelitian yang dilakukan oleh Wahid (2015), algoritme genetika digunakan sebagai metode untuk mengoptimasikan komposisi makanan untuk penderita kolesterol, yang menghasilkan rekomendasi bahan makanan yang sesuai dengan kebutuhan gizi dari penderita kolesterol tersebut beserta dengan detail kandungan gizinya. Penelitian lain yang dilakukan oleh Suci (2015) membuktikan bahwa algoritme genetika dapat mengoptimasi biaya pemenuhan gizi dan nutrisi pada manusia lanjut usia, menghasilkan menu seimbang selama satu hari dengan total biaya yang minimum. Oleh karena itu, algoritme genetika dinilai sebagai metode yang paling tepat dan akan digunakan sebagai metode optimasi dalam penelitian ini.

  Penelitian ini menggunakan data primer dan data sekunder. Data tersebut berupa 111 menu makanan untuk penderita kanker di Rumah Sakit Cipto Mangunkusumo Jakarta dan data pasien kanker aktual untuk melakukan pengujian.

  Tujuan dari penelitian ini adalah untuk merancang dan suatu sistem optimasi yang dapat membatu penderita kanker untuk mengetahui komposisi menu makanan yang dapat dikonsumsi sesuai dengan kebutuhan gizinya. Selain itu, diharapkan dengan adanya optimasi menu makanan ini dapat membantu penderita kanker menentukan menu makanan yang sesuai dan bervariasi.

  2. KANKER

  Kanker adalah suatu penyakit karena adanya sel yang berkembang dan penyebarannya tak terkontrol, menyerang berbagai bagian tubuh manusia, seperti di sel otak, sel darah, sel kulit, sel hati, dan sel lainnya. Kanker dapat diawali dari tumor yang berkembang di bagian tubuh yang terus berkembang dan menyebar dengan cepat.

  Menurut Harmanto (2005), ada beberapa faktor yang menjadi penyebab tumbuhnya kanker seperti faktor keturunan dari orang tua atau dari nenek moyang, sinar UV dan radioaktif dari matahari, makanan yang dibakar, infeksi menahun, diet tidak sesuai panduan dokter, konsumsi obat-obatan, konsumsi alkohol, merokok, makan makanan berlemak tinggi, memiliki daya tahan tubuh buruk, dan selalu berganti pasangan dalam hal seks.

  Bagi penderita kanker, terapi nutrisi menjadi salah satu hal yang paling penting untuk mencegah defisiensi nutrien, mempertahankan berat badan tubuh, dan mengurangi efek samping dari radioterapi atau kemoterapi yang dijalani. Untuk kebutuhan nutrisi harus memenuhi kebutuhan nutrien dengan mengkonsumsi sumber protein, karobhidrat, lemak, mineral, vitamin, dan cairan (Hariani, 2007).

  Menurut pakar, penderita kanker secara normal membutuhkan 45%-65% karbohidrat, 10%-20% protein, dan 25%-35% lemak dari kalori yang dihitung. Kalori tersebut dapat ditentukan dengan menghitung indeks massa tubuh seperti pada persamaan (1).

  ) (TBxTB

  BB

  IMT 

  (1) Keterangan: IMT = Indeks Massa Tubuh BB = Berat Badan TB = Tinggi Badan 3.

ALGORITME GENETIKA

  Algoritme Genetika pertama kali dikenalkan oleh John Holland untuk menyelesaikan masalah optimasi. Proses yang terjadi dalam algoritme genetika secara umum mirip dengan teori evolusi biologis penentukan kromosom atau individu dengan kualitas tinggi dlam suatu kawasan yang dikenal sebagai populasi (Saputro & Mahmudy, 2015).

  2

  20

  8 Malam KH PH PH PN

  1

  10

  39

  53 Gambar 2. Representasi Kromosom

  Keterangan: KH = Karbohidrat PH = Protein Hewani PN = Protein Nabati

  Dalam 1 hari, 1 kromosom terdiri dari pagi, siang, dan malam. Masing-masing waktu memiliki 4 gen, yang terdiri dari 1 sumber karbohidrat, 2 sumber protein hewani, dan 1 sumber protein nabati. Sehingga apabila terdiri dari 2 hari, panjang kromosom adalah 24 gen.

  3.2. Proses Crossover Proses crossover dilakukan pada masing- masing hari. Dalam penelitian ini, metode yang digunakan berupa one-cut point crossover. Contoh proses crossover dapat dilihat pada Gambar 3.

  Hari-1 P1

  16

  22

  13 3 1 45 52 ... P2

  40

  1

  3 6 7 23 45 ... C1

  2

  16

  13 3 1 23 45 ... C2

  40

  1

  3 6 7 45 52 ...

  44

  21

  Menurut Hannawati, dkk (2002), secara umum algoritme genetika memiliki beberapa tahapan sebagai berikut: 1. Penentukan nilai awal.

  14

  2. Populasi awal.

  3. Proses reproduksi.

  4. Proses kawin silang.

  5. Mutasi.

  6. Proses seleksi.

  Perancangan sistem pada penelitian ini dibuat berdasarkan tahapan pada algoritme genetika. Alur penyelesaian masalah optimasi menu makanan untuk penderita kanker ditunjukkan pada Gambar 1. _{Mulai berat badan(bb), tingg badan(tb), pop, cr, mr, jumlah}

  generasi Selesai ^{int i = 0; i to gen erasi-1 i Poppulasi Baru Perhitungan Kebutuhan Kalori Penderita Inisialisasi Populasi Awal One-Cut Point Crossover Reciprocal Exchange Mutation Populasi Gabungan Evaluasi Seleksi Elitism}

  Gambar 1. Alur Perancangan Sistem

  Representasi kromosom yang digunakan pada penelitian ini berupa representasi permutasi dengan jangkauan 1-55. Pada satu kromosom terdiri dari beberapa gen yang terbentuk dari hasil 12 gen dikali banyaknya hari. Setiap gen pada kromosom merepresentasikan 1 sumber makanan, namun khusus untuk protein hewani direpresentasikan dengan 2 gen. Contoh representasi kromosom untuk 2 hari ditunjukkan pada Gambar 2.

  Hari-1 Pagi Siang KH PH PH PN KH PH PH PN

  5

  11

  31

  2

  7

  9

  17

  55 Malam KH PH PH PN

  52

  43

  47

  27 Hari-2 Pagi Siang KH PH PH PN KH PH PH PN

  38

  33

3.1. Representasi Kromosom

  Contoh tab Kromosom Awal ditunjukkan pada Gambar 6. Sedangkan untuk contoh tab Reproduksi ditunjukkan pada Gambar 7.

  44

  ) ( ) ) ( 1000 ( ) ( i si nilaiVaria i ti totalPenal i fitness  

  Perhitungan fitness dilakukan pada masing- masing kromosom dengan menghitung penalti gizi dan variasi. Menghitung penalti gizi dapat menggunakan rumus pada Persamaan (2).

  3.4. Perhiungan Fitness

  7 Gambar 4. Proses Mutasi

  50

  40

  45 31 ...

  fitness(i) = nilai fitness individu ke-i totalPenalti(i) = total penalti gizi individu ke-i nilaiVariasi(i) = nilai variasi individu ke-i

  25

  28

  51

  7 C3

  50

  40

  31

  (2)

  Perhitungan totalPenalti masing-masing kromosom dilakukan dengan menggunakan Persamaan (3) dan Persamaan (4).

  25

  totalPenalti(i)

  Gambar 5. Antarmuka Halaman Home Halaman Home berisi tampilan form yang dapat diisi oleh user untuk memasukkan parameter penderita dan parameter algoritme genetika yang dibutuhkan. Sedangkan untuk implementasi halaman Algoritme Genetika terdiri dari 4 tab yang berisi detail dari perhitungan, yaitu tab Kromosom Awal, tab Reproduksi, tab Gabungan dan Seleksi, dan tab Individu Terbaik. Selain itu, terdapat pula implementasi halaman Daftar Menu Makanan yang berisi data makanan dalam database.

  Implementasi antarmuka pada penelitan ini terdiri dari 3 tab utama, yaitu halaman Home, halaman Algoritme Genetika, dan halaman Data Menu Makanan. Implementasi antarmuka halaman Home ditunjukkan pada Gambar 5.

  4. IMPLEMENTASI

  masing-masing kromosom, dilakukan dengan melihat menu yang dibuat untuk hari yang berbeda. Apabila terdapat kesamaan, maka nilai variasinya 0. Apabila tidak ada kesamaan dengan hari lainnya, maka nilai variasinya 1.

  nilaiVariasi

  = total penalti individu-j yang terdiri dari total penalti Sedangkan untuk melakukan perhitungan

  hari ke-i

  penalti(i)= α1*|(grKh-kh(i))| + α2*|(grPr-pr(i))|

  lm(i) = total lemak yang didapatkan dari menu

  hari ke-i

  pr(i) = total protein yang didapatkan dari menu

  menu hari ke-i

  penalti(i) = penalti hari ke-i pada satu kromosom α1 = bilangan konstanta karbohidrat α2 = bilangan konstanta protein α3 = bilangan konstanta lemak grKh = kebutuhan karbohidrat penderita grPr = kebutuhan protein penderita grKh = kebutuhan karbohidrat penderita kh(i) = total karbohidrat yang didapatkan dari

  Keterangan:

  totalPenalti(j)= penalti(i) + penalti(i+1) +...+ penalti(n) (4)

  45 44 ...

  28

  Hari-2 P1

  28 22 ...

  26 C2

  28 22 ...

  31

  21

  30

  26 C1

  31

  38

  38

  36

  41 P2

  8 36 ...

  12

  21

  30

  36

  12

  51

  20

  55 Hari-2 P3

  21

  20

  16 42 ... 8 11

  10

  55 C3

  21

  11 42 ... 8 16

  8 36 ...

  10

  Hari-1 P3

  . Contoh proses mutasi dapat dilihat pada Gambar 4.

  reciprocal exchange mutation

  Proses mutasi dilakukan pada masing- masing hari dalam satu kromosom. Dalam penelitian ini, metode yang digunakan berupa

  3.3. Proses Mutasi

  41 Gambar 3. Proses Crossover

• α3*|(grLm-lm(i))| (3)

  pengujian terhadap parameter banyak generasi.

  5.1. Hasil dan Analisis Pengujian Kombinasi Cr dan MR

  Pengujian kombinasi cr dan mr dilakukan dengan menggunakan 11 jenis kombinasi yaitu 0;1, 0,1;0,9, 02;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; 1;0. Dalam pengujian parameter ini, digunakan data pasien dengan berat badan 56 kg, tinggi badan 169 cm, dan banyak hari untuk susunan menu sebanyak 2 hari. Sedangkan parameter algoritme genetika yang digunakan berupa 400 populasi dan 200 generasi. Dari data hasil pengujian dapat dibuat

  Gambar 6. Antarmuka tab Kromosom Awal

  grafik untuk mengetahui pengaruh kombinasi cr dan mr terhadap nilai fitness seperti pada Gambar 9.

  Hasil Pengujian Kombinasi Cr dan Mr 800,00 ss e 700,00 itn

  600,00 F i

  500,00 a il N 400,00 ;1 ,4 ;0

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

  Cr;Mr Gambar 9. Hasil Pengujian Kombinasi Cr dan Mr Gambar 7. Antarmuka tab Reproduksi

  Hasil pengujian kombinasi Cr dan Mr pada Gambar 9 menunjukkan hasil rata-rata fitness tertinggi berada pada kombinasi Cr dan Mr 0,6;0,4 dengan nilai 762,19. Sedangkan untuk rata-rata fitness terendah berada pada kombinasi 0;1 dengan rata-rata fitness 508,74. Grafik tersebut membuktikan bahwa nilai crossover

  rate

  yang rendah dengan nilai mutation rate yang tinggi akan menghasilkan generasi yang tidak dapat belajar dari generasi sebelumnya, sehingga dalam ruang pencarian tingkat eksploitasinya rendah. Sedangkan nilai

  crossover rate tinggi dan mutation rate rendah,

  tidak dapat membuat beragam populasi, karena

  Gambar 8. Antarmuka tab Individu Terbaik

  proses algoritme genetika hanya bergantung pada salah satu proses reproduksi saja dan Pada Gambar 8 ditunjukkan hasil individu menghasilkan populasi baru yang mirip dengan terbaik yang ditampilkan dalam bentuk text. induknya (Mahmudy, 2015).

5. PENGUJIAN DAN ANALISIS

  5.2. Hasil dan Analisis Pengujian Terhadap Parameter Banyak Populasi

  Pada penelitian ini terdapat 3 jenis pengujian, yaitu pengujian kombinasi crossover Pengujian terhadap parameter banyak

  rate (Cr) dan mutation rate (Mr), pengujian

  populasi dilakukan dengan menggunakan 14 terhadap parameter banyak populasi, dan data dengan interval 50, 100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 650, dan 700. Dalam pengujian parameter ini, digunakan data pasien dengan berat badan 56 kg, tinggi badan 169 cm, dan banyak hari untuk susunan menu sebanyak 2 hari. Sedangkan parameter algoritme genetika yang digunakan berupa crossover rate 0,6, mutation rate 0,4, dan 200 generasi. Dari data hasil pengujian dapat dibuat grafik untuk mengetahui pengaruh banyak populasi terhadap nilai fitness seperti pada Gambar 10.

  Gambar 10. Hasil Pengujian Terhadap Parameter Banyak Populasi

  Hasil pengujian terhadap parameter banyak populasi pada Gambar 10 menunjukkan hasil rata-rata fitness tertinggi berada pada populasi ke 300 dengan nilai 631,16. Sedangkan untuk rata- rata fitness terendah berada pada populasi ke 50 dengan nilai 384,15. Setelah populasi ke 300 mengalami penurunan dan kenaikan yang tidak terlalu signifikan. Penurunan nilai rata-rata

  fitness terjadi karena kromosom yang disusun

  pada setiap pengujian terdiri dari gen-gen yang acak, sehingga susunan pada satu kromosom belum tentu memiliki nilai yang baik. Gen acak tersebut tidak hanya didapat dari inisialisasi awal, melainkan pada proses crossover dan proses mutasi juga. Pada pengujian populasi ke- 600 telah mencapai nilai konvergen karena tidak terjadi perubahan rata-rata nilai fitness yang signifikan. Pada pengujian populasi ke-600 rata- rata nilai fitness yang dihasilkan lebih kecil dari populasi sebelumnya. Hal ini menunjukkan bahwa semakin besar populasi belum tentu menghasilkan nilai yang optimal karena susunan kromosom acak untuk setiap pengujian bisa saja mirip satu dengan yang lainnya, sehingga tidak didapatkan populasi yang terlalu beragam.

  5.3. Hasil dan Analisis Pengujian Terhadap Parameter Banyak Generasi

  Pengujian terhadap parameter banyak generasi dilakukan dengan menggunakan 14 data dengan interval 50, 100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 650, dan 700. Dalam pengujian parameter ini, digunakan data pasien dengan berat badan 56 kg, tinggi badan 169 cm, dan banyak hari untuk susunan menu sebanyak 2 hari. Sedangkan parameter algoritme genetika yang digunakan berupa crossover rate 0,6, mutation rate 0,4, dan 300 populasi. Dari data hasil pengujian dapat dibuat grafik untuk mengetahui pengaruh banyak generasi terhadap nilai fitness seperti pada Gambar 11.

  Gambar 11. Hasil Pengujian Terhadap Parameter Banyak Generasi

  Hasil pengujian terhadap parameter banyak generasi pada Gambar 11 menunjukkan hasil rata-rata fitness tertinggi berada pada generasi ke 200 dengan nilai 666,22. Sedangkan untuk rata- rata fitness terendah berada pada generasi ke-50 dengan nilai 282,96. Pada pengujian generasi ke- 50 hingga ke generasi ke-150 mengalami kenaikan yang signifikan. Hal ini terjadi karena pada generasi tersebut terjadi proses perbaikan turunan dari proses reproduksi secara optimal. Sedangkan, pada generasi ke-200, nilai fitness sudah mulai stabil menuju konvergen, karena pada generasi tersebut proses untuk memperbaiki turunan sudah tidak dilakukan secara optimal. Pada pengujian generasi ke-400 telah mencapai nilai konvergen karena tidak ada perubahan rata-rata nilai fitness yang signifikan. Pada pengujian generasi ke-400 rata-rata nilai

  fitness

  yang dihasilkan lebih kecil dari generasi sebelumnya, hal ini menunjukkan bahwa

  0,00 100,00 200,00 300,00 400,00 500,00 600,00 700,00

  50 100 150 200 250 300 350 400 450 500 550 600 650 700 N il ai Fi tn es s

  Banyak Populasi Hasil Pengujian Terhadap Parameter Banyak Populasi

  0,00 100,00 200,00 300,00 400,00 500,00 600,00 700,00

  50 100 150 200 250 300 350 400 450 500 550 600 650 700 N il ai Fi tn es s

  Banyak Generasi Hasil Pengujian Terhadap Parameter Banyak Generasi semakin besar generasi belum tentu sebanyak 33,9 gram. Hasil pengujian sistem menghasilkan nilai yang optimal. terhadap Penderita B menunjukkan bahwa sistem memenuhi 142,1 gram kebutuhan

5.4. Analisis Global Hasil Pengujian

  karbohidrat, 57,65 gram kebutuhan protein, dan 38,6 gram kebutuhan lemak. Sedangkan hasil

  Berdasarkan hasil pengujian parameter pengujian sistem terhadap Penderita C agoritma genetika, maka didapatkan nilai menunjukkan bahwa sistem memenuhi 175,3 parameter optimal dengan jumlah populasi gram kebutuhan karbohidrat, 69,1 gram sebanyak 300, jumlah generasi sebanyak 200, kebutuhan protein, dan 47,1 gram kebutuhan dan kombinasi Cr;Mr adalah 0,6;04. lemak. Kemudian masing-masing kandungan

  Tabel 1 akan menjabarkan contoh penderita gizi tersebut dihitung persentase toleransinya, yang digunakan untuk proses pengujian masing-masing kandungan gizi ±10%.

  Tabel 1. Data Aktual Pasien

  Dilihat dari hasil pengujian terhadap tiga

  No. Nama Karbohidrat Protein Lemak

  orang penderita kanker tersebut, Penderita A

  (gram) (gram) (gram)

  memiliki selisih karbohidrat -26%, Penderita B memiliki selisih karbohidrat sebanyak -14%, dan

  1. Penderita 168

  56

  33 Penderita C memiliki selisih karbohidrat A

  sebanyak -30%. Selisih negatif yang dihasilkan

  2. Penderita 165

  41

  31

  sistem menunjukkan bahwa kandungan gizi

  B

  yang diberikan dari hasil rancangan sistem tidak

  3. Penderita 250

  67

  47 memenuhi kebutuhan penderita tersebut. C

  Sedangkan pada penderita B, kandungan gizi protein dan lemak memiliki persentase toleransi yang melebihi batas yang disarankan yaitu

  Kemudian nilai parameter tersebut diuji sebesar 29% dan 20%. dengan data aktual pasien untuk diketahui

  Pada pengujian terjadi selisih negatif yang persentase kecukupan kandungan gizi antara kurang dari batas toleransi dan selisih positif data aktual pasien dengan hasil sistem seperti yang melebihi batas toleransi karena susunan pada Tabel 2. kromosom dibuat secara acak pada inisialisasi

  Tabel 2. Hasil Pengujian Sistem awal dan proses reproduksinya, sehingga Nama Hari Karbohidrat Protein Lemak kromosom yang terbentuk tidak selalu memiliki ke- (gram) (gram) (gram)

  nilai yang baik. Selain itu, kombinasi crossover

  rate

  dan mutation rate juga berpengaruh dalam

  Penderita 1 124,1 52,4 35,1

  pengujian. Hasil optimal yang didapatkan pada

  A 2 125,4 50,7 32,7 crossover rate menunjukkan nilai yang lebih

  tinggi. Hal ini menyebabkan kromosom yang

  124,75 (- 51,55 33,9 Rata-Rata

  terbentuk pada pengujian tidak terlalu bervariasi

  26%) (-8%) (3%)

  dan berdampak pada solusi yang diberikan

  Penderita 1 141,5 57,5

  39

  menjadi tidak optimal. Hal lain yang

  B 2 142,7 57,8 38,2

  menyebabkan hasil tidak sesuai dengan data aktual adalah kromosom yang digunakan dalam

  142,1 (- 57,65 38,6 Rata-Rata

  pengujian dengan pasien tidak mengoptimasi

  14%) (29%) (20%)

  dari segi porsi. Porsi menu makanan yang

  Penderita 1 175,9 69,2 47,2

  digunakan pada sistem ini seluruhnya berjumlah

  C

  1 porsi, sehingga hasil rekomendasi menu

  2 174,7

  69

  47

  makanan yang dihasilkan oleh sistem belum

  175,3 (- 69,1 47,1 Rata-Rata

  tentu mencukupi kebutuhan gizi dari masing-

  30%) (3%) (0%) masing penderita.

  6. KESIMPULAN

  Dilihat dari hasil pengujian terhadap tiga orang penderita kanker tersebut, Penderita A, Berdasarkan penelitian mengenai optimasi sistem memenuhi kebutuhan karbohidrat menu makanan untuk pemenuhan gizi penderita sebanyak 124,75 gram, kebutuhan protein kanker dengan algoritme genetika, didapatkan sebanyak 51,55 gram, dan kebutuhan lemak beberapa kesimpulan yang dijabarkan sebagai berikut:

  1. Algoritme genetika dapat diterapkan untuk melakukan optimasi menu makanan untuk pemenuhan gizi penderita kanker dengan memberikan rekomendasi menu makanan yang lebih beragam dan dapat memenuhi kebutuhan gizi penderita tersebut. Pada penelitian ini, kebutuhan gizi yang terpenuhi berupa karbohidrat, protein, dan lemak yang dikonversi ke dalam gram. Selain itu, data yang dimasukkan di dalam algoritme genetika untuk optimasi menu makanan berupa 111 data menu yang terdiri dari karbohidrat, protein hewani, dan protein nabati. Menu makanan tersebut diambil dari data menu makanan Rumah Sakit Cipto Mangunkusumo Jakarta.

  17. Uripi, Vera, S. Ked. 2002. Menu untuk Penderita

  Palembang. Saputro, H.A., Wayan F.M. dan Candra D. 2015.

  Zat Gizi (Energi, Protein), Asupan Antioksidan (Vitamin A dan C) dengan Status Gizi Pasien Kanker Leher Rahim yang Menjalani Kemoterapi di RSUP Dr. Mohammad Hoesin Palembang .

  Yunita Nazarena, S.Gz. Analisis Asupan

  Brawijaya. Malang. Sartono, SKM, M.Kes, Terati, SKM, M.Si dan

  Evolusi. Program Teknologi Informasi dan Ilmu Komputer . Universitas

  Mahmudy, W.F. 2015. Modul Algoritma

  2. Representasi kromosom yang digunakan untuk melakukan optimasi menu makanan untuk pemenuhan gizi penderita kanker ini berupa representasi permutasi. Setiap gen pada kromosom menggambarkan 1 jenis sumber makanan, khusus untuk protein hewani terdiri dari 2 gen. Pada bagian reproduksi, dilakukan dua tahap yaitu

  12. Suci, W.W., Wayan F.M. dan Rekyan R.M.P. 2015. Optimasi Biaya Pemenuhan Gizi

  dan Nutrisi Pada Manusia Lanjut Usia Menggunakan Algoritma Genetika.

  DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya vol. 15 no.

  Kanker . Jakarta: Puspa Swara.

  DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol 5 no.

  Wahid, N., Wayan F.M. 2015. Optimasi

  Komposisi Makanan untuk Penderita Kolesterol Menggunakan Algoritma Genetika . DORO: Repository Jurnal

  Mahasiswa PTIIK Universitas Brawijaya, vol 5 no. 15. World Health Organization. Cancer. http://www.who.int/cancer/en/ (diakses: 27 Maret 2016).

  3. Solusi yang dihasilkan pada tahap pengujian menunjukkan hasil optimal dari sistem berada pada populasi sebanyak 300 dengan rata-rata fitness 631,16, generasi sebanyak 200 dengan rata-rata fitness 666,22, nilai crossover rate sebesar 0,6, dan nilai mutation rate sebesar 0,4.

  adalah seleksi elitism.

  Reciprocal Exchange . Tahapan seleksi yang digunakan

  menggunakan metode

  Point , sedangkan untuk mutasi

  digunakan untuk crossover adalah One-Cut

  crossover dan mutasi. Metode yang

  Implementasi Algoritma Genetika untuk Optimasi Penggunaan Lahan Pertanian.

7. DAFTAR PUSTAKA

  2014. Hubungan Asupan Protein dan

  Elektro vol. 2 no. 2. Kusuma, H.S., Maghfiroh dan Sufiati Bintanah.

  Pencarian Rute Optimum Menggunakan Algoritma Genetika . Jurnal Teknik

  . Depok: PT Agromedia Pustaka. Hannawati, A., Thiang dan Eleazar. 2002.

  Penderita Kanker

  . Indonesian Journal of Cancer 4, hal. 140-143. Harmanto, N. 2005. Menu Aman & Sehat Bagi

  Pasien Kanker

  Hariani, R. 2007. Kecukupan Nutrisi pada

  Kadar Albumin Pada Pasien Kanker di Rumah Sakit Roemani Muhammadiyah Semarang . Jurnal Gizi Universitas Muhammadiyah Semarang vo.l 3 no. 2.