Optimasi Komposisi Makanan Untuk Ibu Hamil Menggunakan Hybrid Algoritme Genetika dan Simulated Annealing
Vol. 2, No. 11, November 2018, hlm. 4325-4332 http://j-ptiik.ub.ac.id
Optimasi Komposisi Makanan Untuk Ibu Hamil Menggunakan Hybrid
Algoritme Genetika dan Simulated Annealing
1 2 3 1, 2Fatthul Iman , Dian Eka Ratnawati , Titis Sari Kusuma
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 3 1 Program Studi Ilmu Gizi, Fakultas Kedokteran, Universitas Brawijaya 2 3 Email: imanvisious86@gmail.com, dian_ilkom@ub.ac.id, titis_fahreza.fk@ub.ac.id
Abstrak
Ketidakseimbangan antara asupan nutrisi ibu hamil untuk memenuhi kebutuhan dan pengeluaran energi harus lah selalu terjaga, karena apabila tidak akan berakibat pada keadaan Kekurangan Energi Kronis (KEK) pada ibu dan janin yang ada di kandungan. Oleh karena itu diperlukan komposisi makanan yang sesuai untuk memenuhi gizi dan energi untuk ibu hamil, sehingga dapat membantu ibu hamil untuk menentukan makanannya sendiri. Permasalahan komposisi makanan untuk ibu hamil dapat diselesaikan dengan hybrid Algoritme Genetika dan Simulated Annealing. Tujuan dari penggabungan metode ini adalah untuk menghasilkan solusi yang lebih baik dibandingakan dengan menggunakan Algoritme Genetika saja. Dalam proses penyelesaian permasalahan ini pada menggunakan metode crossover yaitu
one-cut point , mutasi menggunakan metode reciprocal exchange, seleksi menggunakan elitsm, dan
Simulated Annealing. Berdasarkan hasil pengujian dari parameter yang digunakan dalam sistem
optimasi komposisi makanan menggunakan hybrid Algoritme Genetika dan Simulated Annealing, didapatkan nilai parameter-parameter terbaik yaitu : jumlah populasi = 2900, Cr = 0,4, Mr = 0,6, T0 = 1, alpha = 0,7 dan jumlah generasi = 220. Sehingga hasil dari sistem berupa rekomendasi makanan dengan menggunakan hybrid Algoritme Genetika dan Simulated Annealing dapat memenuhi batas toleransi yang sudah ditetapkan oleh ahli gizi sebesar ±10%.
Kata kunci: ibu hamil, gizi, Algoritme Genetika, Simulated Annealing
Abstract
The imbalance between the nutritional intake of pregnant women to meet the needs and energy
expenditure must always be monitored, because the imbalance itself can result in Chronic Energy
Deficiency both in mother and fetus in the womb. Therefore it needs an appropriate food composition
to meet the nutrients and energy for pregnant women, so it can help them to determine their own food.
The problem of food composition for pregnant women can be solved by hybrid genetic algorithm and
Simulated Annealing. The purpose of combining this method is to produce a better solution than using
a genetic algorithm alone. This problem solving process have used crossover method is one-cut point,
mutation using reciprocal exchange method, selection using elitsm, and Simulated Annealing. Based on
the results of the test of the parameters used in the optimization system of food composition that using
genetic algorithm hybrid and Simulated Annealing, was obtained the best parameter values are:
population number = 2900, Cr = 0.4, Mr = 0.6, T0 = 1, alpha = 0.7 and the number of generations =
220. So the results of the system is in the form of food composition recommendation using hybrid genetic
algorithm and Simulated Annealing that can meet the tolerance limit set by the nutritionists at ± 10%.
Keywords: pregnant women, nutrition, genetic algorithm, Simulated Annealing
yang selamat. Angka kematian ibu di Indonesia 1. bisa dikatakan tinggi jika dibandingkan dengan
PENDAHULUAN
Negara kawasan Asia Tenggara, meskipun telah Angka kematian ibu dan bayi terjadi penurunan dari 307 per 100.000 merupakan penanda dari kualitas kesehatan persalinan ibu secara normal menjadi 228 per masyarakat (DepkesRI, 2009) . Berdasarkan data
100.000 persalinan normal ibu dan angaka dari WHO 2004, angka kematian ibu di negara kematian bayi sebesar 34 per 100 persalinan berkembang adalah yang terbesar dengan 450 ditahun 2007. kasus yang terjadi dari 100 ribu kelahiran bayi
Fakultas Ilmu Komputer Universitas Brawijaya
Beberapa penyebab yang menjadi dampak dari kematian ibu. Penyebab langsung kematian pada ibu terjadi ketika persalinan dan sesudah persalinan. Penyebab langsung kematian ibu adalah pendarahan (28%), eklampsia (24%) dan infeksi (11%). Penyebab yang secara tidak langsung pada kematian ibu hamil seperti Kekurangan Energi Kronis (KEK) sebesar 37% dan anemia sebesar (40) (Riskesdas, 2013).
Gizi ibu hamil sangat perlu mendapatkan perhatian karena sangat berpengaruh terhadap perkembangan janin yang ada dikandungannya. Sejak janin sampai anak berumur dua tahun atau 1000 hari pertama kehidupan, kecukupan gizi sangat berpengaruh terhadap perkembangan fisik dan kognitif. Sehingga di masa kehamilannya ibu hamil wajib tetap memberikan asupan gizi yang layak bagi dirinya dan janin , karena gizi janin sangat bergantung pada gizi ibu dan kebutuhan gizi ibu juga harus terjaga dan tetap terpenuhi (Riskesdas, 2013). Kebutuhan energi bagi ibu hamil normal sebesar 80.000 kalori selama masa kehamilan. Selama masa kehamilan ibu memerlukan tambahan energi sebesar 300 kalori selama masa kehamilan (Lubis, 2003). Berdasarkan pedoman pemberian makanan tambahan pemulihan bagi ibu hamil Kekurangan Energi Kronis (KEK), bahwa kandungan energi 180-300 kkal dan 17 gram protein (KemenkesRI, 2012)). Oleh karena itu diperlukan komposisi bahan makanan yang sesuai untuk memenuhi gizi dan energi untuk ibu hamil, sehingga dapat membantu ibu hamil untuk menentukan makanannya sendiri dan tidak lagi harus menemui dokter atau ahli gizi untuk menanyakan makanan yang akan dikonsumsi oleh ibu hamil yang menderita Kekurangan Energi Kronis(KEK).
Permasalahan komposisi bahan makanan untuk ibu hamil dapat diselesaikan dengan salah satu metode heuristic yaitu Algoritme Genetika. Algoritme Genetika adalah Algoritme yang mendasar pada proses seleksi alam dan Genetika. Rangkaian pada metode Algoritme Genetika merupakan populasi yang dapat menghasilkan suatu kromosom serta menciptakan sebuah populasi dengan menggunakan fungsi fitness sebagai tolak ukur dari suatu kromosom dalam populasi. Algoritme Genetika sendiri memiliki kelemahan yaitu sifat konvergennya yang prematur, suatu kondisi dimana populasi dalam Algoritme Genetika tidak lagi dapat menghasilkan populasi yang lebih baik dari sebelumnya dan adanya kemungkinan untuk terjebak dalam lokal optimum (Efendi, Dayawati, & Wibowo, 2009). Untuk mengatasi kekurangan dari Algoritme Genetika, diperlukan penggabungan metode lain yaitu menggunakan Simulated Annealing. Penggabungan antara Algoritme Genetika dan
Simulated Annealing bertujuan untuk
memanfaatkan kelebihan Simulated Annealing yang mampu bertahan menghadapi lokal optimum dan proses pencarian yang dikendalikan oleh suhu untuk digunakan dalam menutupi kekuragan Algoritme Genetika tersebut (Sofianti, 2004).
Berdasarkan penjelasan dari latar belakang dan penjelasan dari beberapa hasil penelitian di atas, penulis melakukan penelitian untuk membuat rancangan perangkat lunak untuk mengoptimasi komposisi bahan makanan untuk ibu hamil menggunakan hybrid Algoritme Genetika dan Simulated Annealing. Tujuan dari penggabungan metode ini adalah untuk menentukan komposisi makanan yang sesuai untuk ibu hamil untuk mengantisipasi kekurangan energi, agar kebutuhan gizi yang diperlukan oleh ibu hamil dapat terpenuhi dan dapan mencegah serta mengobati ibu hamil yang menderita Kekurangan Energi Kronis.
2. Kebutuhan Gizi Ibu Hamil
Pemenuhan gizi bagi ibu hamil sangat penting dilakukan untuk mempersiapkan bayinya sehingga terlahir dalam keadaan sehat dan mampu terhindar dari resiko-resiko penyakit seperti , penyakit jantung, diabetes, dan hipertensi. Pada umunya, dalam memenuhi gizi ibu dan bayi dapat dilakukan sejak 1.000 hari pertama kahidupan bayi sejak dalam kandungan (Riskesdas, 2013). Fase pemenuhan gizi ibu dan bayi sangat efektif pada saat sebelum masa kehamilan selanjutnya memfokuskan untuk memenuhi kebutuhan gizi pada 12 minggu pertama masa kehamilan.
WHO menganjurkan intake protein bagi ibu hamil sekitar 1,01 g/kg BB/hari dan kalori sebesar 46 kkal/kg.BB/hari untuk rata-rata wanita dengan berat badan 55 kg. sehinnga setiap Negara bisa menentukan rekomendasi yang sesuai dengan pola makanan di Negara tersebut sesuia dengan keadaan masyarakatnya.
2.1 Perhitungan Kebutuhan Gizi Ibu Hamil
- – 4,7 U
10% Memasak, menjahit, mengetik, menyetir, menyetrika, mengecat, duduk, berdiri.
simulated annealinng dan mendapatkan solusi
Pada sub bab ini menjelaskan tentang penyelesaian optimasi komposisi bahan makanan menggunakan hybrid Algoritme Genetika dan Simulated Annealing. Untuk menyelesaiakan permasalahan ini terdapat beberapa tahapan yaitu membangkitkan populasi awal, kemudian proses reproduksi yang terdiri dari crossover dan mutasi. Kemudian dilakukan penggabungan populasi dan dilakukan seleksi untuk mencari individu terbaik dari Algoritme Genetika untuk diproses kembali menggunakan
2.3 Penyelesaian Permasalahan Optimasi Menggunakan Hybrid Algoritme Genetika dan Simulated Annealing
memiliki kelebihan untuk keluar dari solusi lokal oprimum. Oleh karena itu, SA akan cocok bila dipadukan dengan GA untuk mengoptimmalkan hasil pencarian GA.
Annealing merupakan Algoritme pencarian yang
Optimasi menggunaka Algoritme Genetika dengan Simulated Annealing (GASA) merupakan Algoritme yang menerapkan hybrid antara dua jenis Algoritme yaitu Algoritme Genetika dan Simulated Annealing (Permana, Sulistiyo, & Wulandari, 2015). Proses dan elemen-elemen yang ada didalamnya pun berdasarkan Algoritme tersebut. Algoritme Genetika merupakan Algoritme yang dalam pencairannya sangat cepat untuk menemukan solusi yang mendekati optimum. Namun, dalam proses pencariannya, ada kemungkinan Algoritme Genetika akan terjebak dalam lokal optimum, sehingga solusi hasil pencariannya tidak akan optimal. Kemudian Simulated
2.2 Hybrid Algoritme Genetika dan Simulated Annealing
2 4-6 Trimester 2 20% 3 7-9 Trimester 3 30% Sumber: Darusman (2016)
Tabel 2 Food Induced Thermogenesis (FIT) No Bulan Trimester Nilai 1 1-3 Trimester 1 10%
Nilai Food Induced Thermogenesis (FIT) terdiri dari 3 kategori dapat dilihat pada Tabel 2.5 (Darusman,2016).
4 Berat 40% Berjalan dengan beban berat Sumber: Darusman (2016)
3 Sedang 30% Berdagang, mengangkat beban, bersepeda
2 Ringan 20% Ibu Rumah Tangga
1 Sangat Ringan
Kebutuhan gizi yang dibutuhkan ibu hamil berupa kebutuhan energi, karbohidrat, protein, dan lemak. Untuk memenuhi kebutuhan energi ibu hamil dapat dihitung dengan menggunakan persamaan Harria Bennedict (Arisman, 2003).
Fisik Nilai Keterangan
Tabel 1 Kegiatan Fisik No Kegiatan
Kegiatan fisik ibu hamil terdiri dari 4 kelompok yang dijelaskan pada Tabel 2.1 (Darusman,2016).
Keterangan: BEE : Basal Energy Expenditure BB : Berat Badan TB : Tinggi Badan U : Umur KF : Kegiatan Fisik NKF : Nilai Kegiatan Fisik FIT : Food Induced Thermogenesis T : Trisemester
Karbohidrat = 60% * Energi (6) Protein = 15% * Energi (7) Lemak = 25% * Energi (8)
Untuk kebutuhan kebutuhan karbohidrat, protein dan lemak dapat dihitung menggunakan persamaan 6, persamaan 7 dan persamaan 8.
Energi = TEE + 300 Kkal (5)
Kebutuhan energi yang dibutuhkan ibu hamil dihitung dengan menambahkan energi sebanyak 300 kkal (per hari) dari TEE seperti pada persamaan 5.
TEE = BEE + KF + FIT (4)
Sehingga untuk menghitung total kebutuhan energi (Total Energy Ecxpenditure/TEE) menggunakan persamaan 4.
KF = NKF * BEE (2) FIT = T * (BEE + KF) (3)
(1)
BEE =655 9,6 BB + 1,4 TB
yang optimal. Berukut ini adalah langkah-
(3) Keterangan :
(Arifudin, 2011). Pada penelitian ini proses mutasi menggunakan metode reciprocal
Fitness = C
Kemudian menghitung nilai fitness , fungsi nilai fitness sendiri adalah untuk melihat apakah solusi yang dihasilkan oleh setiap individu dari suatu populasi terdapat perbandingan. Untuk mencari nilai fitness dilakukan dengan menggunakan persamaan (3).
Total berat = berat makanan x presentasi makan x porsi (2)
Kemudian menghitung berat total makanan bertujuan untuk menghitung selisih dari kandungan gizi antara makanan yang dikonsumsi dengan yang dibutuhkan. Untuk menghitung berat total makanan dapat dilihat pada persamaan (2).
)). (1).
= + (( − ) ∗ ( − −
Konversi dilakukan untuk menetukan index bahan makanan yang akan digunakan. Konversi gen dapat dilakukan dengan menggunakan persamaan (Sulistiowati, Marji, & Cholissodin, 2016) (1)
Gambar 4. Proses Mutasi Selanjutnya dilakukan penggabungan populasi dengan cara menggabungkan semua kromosom dari proses crossover dan proses mutasi. Kemudian dilanjutkan dengan menghitung nilai fitness dari setiap kromosom tersebut. Untuk mendapatkan nilai fitness diperlukan beberapa tahapan yaitu konversi gen dan menghitung berat total makanan.
exchange mutation. Proses mutasi ditunjukan pada Gambar 4.
Gambar 3. Proses Crossover Mutasi merupakan proses mengubah nilai dari satu gen dalam satu kromosom secara acak
langkah penyelesaian yang ditunjukkan pada Gambar 1.
untuk menghasilkan individu-individu baru atau kromosom baru dengan cara menggabungkan dua kromosom induk. Pada penelitian ini metode crossover yang digunakan adalah one-cut point. Proses crossover dapat dilihat pada Gambar 3.
Crossover merupakan proses yang dilaukan
Setelah inisialisasi populasi awal terbentuk, dilanjutkan dengan proses reproduksi yang terdiri dari proses crossover dan mutasi.
Gambar 2. Representasi Kromosom Keterangan : K : Karbohidrat PN : Protein Nabati PH : Protein Hewani L : Lemak S : Selingan
1 sampai 50 yang ditunjukkan pada Gambar 2.
(T n ), alpha ( α). Selanjutnya representasi kromosom yang terdiri dari bilangan acak antara
(Mr), temperatur awal (T ), temperature akhir
Langkah pertama adalah memasukkan parameter yang dibutuhkan sistem. Parameter untuk menetukan kebutuhan gizi ibu hamil meliputi berat badan, tinggi badan, usia kehamilan, aktivitas fisik untuk menghitung kebutuhan gizi dari ibu hamil. Kemudian parameter untuk menyelesaikan proses optimasi yaitu memasukkan jumlah popsize, jumlah generasi, Crossover rate (Cr), mutation rate
Gambar 1. Flowchart Hybrid Algoritme Genetika dan Simulated Annealing
- – f(x)
Untuk persamaan (3) dapat digunakan untuk mencari nilai minimum. Pada persamaan (3) merupakan nilai konstan yang harus diterpkan sebelumnya. Konstan dengan nilai 100.000 digunakan untuk memudahkan pertimbangan dalam perhitungan nilai fitness dengan hasil nilai positif dan jika meenggunakan nilai konstanta 1.000 maka menghasilkan nilai
A = Nilai Objektif (S’) – Nilai Objektif (S). iii.
Pengujian ini menggunakan parameter jumlah populasi sebanyak 2900, jumlah generasi sebanyak 20. Kemudian paramter T yang digunakan adalah 0,4 dan nilai alpha sebesar 0,6. Hasil dari pengujian kombinasi Cr dan Mr ditunjukkan pada Gambar 6.
3.2 Pengujian dan Analisis Kombinasi Cr dan Mr
Gambar 5. Hasil Pengujian Populasi Dari Gambar 5 dapat dilihat bahwa nilai rata-rata fitness tertinggi pada pengujian jumlah populasi ke-2900 dengan nilai rata-rata fitness 48,60. Dari pengujian 2000 populasi hingga 2900 populasi terjadi kenaikan yang stabil dari rata-rata nilai fitness. Nilai rata-rata terendah pengujian sebesar 46,00 pada populasi ke-2100 dan nilai rata-rata fitness tertinggi pengujian sebesar 48,60 pada populasi ke-2900. Dari pengujian tersebut menunjukkan bahwa semakin banyak populasi dapat mempengaruhi tingginya nilai fitness yang hasilkan. Nilai rata-rata fitness tertinggi kemudian dijadikan sebagai parameter jumlah populasi pada pengujian yang lainnya.
Pengujian ini menggunakan jumlah generasi sebanyak 20 generasi. Nilai Cr menggunakan nilai 0,3 dan Mr menggunakan nilai 0,5. Pada parpameter Simulated Annealing nilai To yang digunakan adalah 0,4 dan nilai alpha yang digunakan adalah 0,6. Hasil dari pengujian populasi ditunjukkan pada gambar 5.
Dalam pengujian populasi dilakukan sebanyak 10 kali percobaan dan dihitung nilai rata-rata fitness setiap 10 kali prcobaan.
Pengujian dan Analisis
Turunkan T, T = alpha * T c. Dapatkan solusi optimal 3.
b.
Jika A<0, maka tetapkan S=S’ dengan probabilitas exp(-A/T).
ii.
fitness negative. (Cahyaningtyas, Ratnawati, & Sutrisno, 2016).
Cari solusi neighbourhoodS’ dari S menggunakan metode yang dapat ditentukan sendiri.
Lakukan L kali: i.
3. Saat keadaan titik frozen, dilakukan: a.
2. Menetapkan nilai temperatur awal T dengan nilai yang tinggi dimana, T>0.
Mencari penyelesaian awal S menggunakan parameter awal dan metode heuristik awal yang dapat ditentukan sendiri.
sebegai berikut (Jawahar, Aravindan, & Ponnambalam, 1999): 1.
Annealing. Proses Simulated Annealing adalah
Setelah mendapatkan individu dengan nilai fitness tertinggi, selanjutnya individu tersebut dimasukkan kedalam proses Simulated
Setelah mendapatkan nilai fitness , kemudian dilakukan seleksi untuk menyaring individu dari kumpulan populasi dan offspring kemudian memilih beberapa individu dengan nilai fitness tertinggi untuk dipertahankan dan dilanjutkan ke proses berikutnya. Dalam penelitian ini proses seleksi menggunakan metode elitism yaitu mengurutkan semua individu berdasarkan nilai fitness yang tertinggi.
3.1 Pengujian dan Analisis Jumlah Populasi
Gambar 6. Hasil Pengujian Kombinasi Cr dan Mr Dari Gambar 6.2 tentang pengujian kombinasi Cr dan Mr dapat diketahui nilai rata- rata fitness tertinggi pada kombinasi nilai Cr 0,4 dan Mr 0,6 dengan nilai rata-rata sebesar 49,2. Kemudian nilai rata-rata fitness terkecil pada kombinasi nilai Cr 0,5 dan nilai Mr 0,5 dengan nilai rata-rata fitness sebesar 43,5. Dari pengujian tersebut nilai rata-rata fitness tersebut cenderung tidak stabil. Dengan didapatkannya kombinasi nilai Cr 0,4 dan Mr 0,6, maka sesuai dengan penelitian sebelumnya menyatakan bahwa tingkat Crossover yang terlalu besar dan mutasi yang kecil akan menurunkan kemampuan Algoritme Genetika untuk mengeksplorasi daerah pencarian. Pada kondisi sebaliknya (tingkat Crossover kecil, mutasi besar) akan menurunkan kemampuan Algoritme Genetika untuk belajar dari generasi sebelumnya dan tidak mampu mengekplorasi daerah local optimum (Sari, Mahmudy, & Dewi, 2014).
3.3 Pengujian dan Analisis Temperatur Awal (T )
Dalam pengujian ini jumlah populasi yang digunakan adalah 2900 populasi dengan nilai Cr 0,4 dan Mr 0,6, kemudian jumlah generasi yang digunakan sebanyak 20 generasi dan nilai alpha yang digunakan adalah 0,6. Hasil dari pengujian T ditunjukkan pada gambar 7.
Gambar 7. Hasil Pengujian Temperatur Awal (T )
3.4 Pengujian dan Analisis Nilai Alpha
Nilai parameter yang digunakan dalam pengujian ini adalah populasi dengan nilai 2900, nilai Cr 0,4 dan Mr 0,6, nilai temperatur yang digunakan adalah 1 dan nilai generasi yang digunakan sebanyak 20. Hasil dari pengujian nilai alpha ditunjukkan pada gambar 8.
Gambar 8. Hasil Pengujian Nilai Alpha Dari Gambar 8 hasil pengujian nilai alpha, diperoleh nilai rata-rata fitness tertinggi pada nilai alpha 0,7 sebesar 47,3 dan nilai yang terendah pada nilai alpha 0,2 dengan rata-rata
fitness sebesar 42,6. Kemudian pada pengujian
nilai alpha 0,2 sampai dengan 0,6 terjadi penurunan nilai rata-rata fitness. Sedangkan pada nilai alpha 0,7 sampai dengan 0,9 terjadi penurunan dan kenaikann nilai rata-rata fitness. Dari hal tersebut dapat disimpulkan bahwa semakin besar nilai alpha dapat memperluas ruang dalam pencarian solusi tetapi hal tersebut belum tentu mendapatkan solusi terbaik dengan nilai rata-rata fitness tertinggi.
3.5 Pengujian dan Analisis Jumlah Generasi
Nilai dari parameter-parameter yang digunakan dalah pengujian jumlah generasi adalah jumlah populasi 2900, nilai Cr 0,4 dan Mr 0,6, nilai temperatur yang digunakan adalah 1 dan nilai alpha 0,7
. Hasil dari pengujian jumlah generasi ditunjukka pada gambar 9.
Gambar 9. Hasil Pengujian Jumlah Generasi
3.6 Analisis Hasil Pengujian Berdasarkan hasil pengujian dari parameter yang digunakan dalam sistem optimasi komposisi bahan makanan menggunakan hybrid Algoritme Genetika dan Simulated Annealing, didapatkan nilai parameter-parameter terbaik yaitu : jumlah populasi = 2900, Cr = 0,4, Mr = 0,6, T0 = 1, alpha = 0,7 dan jumlah generasi = 220. Selanjutnya nilai parameter yang sudah didapatkan tersebut diujikan dengan data ibu hamil dengan usia 38 tahun, usia kehamilan 16 minggu, berat badan 52 kg, tinggi badan 149 cm, dan kegiatan fisik ringan. Dari data tersebut dilakukan pengujian untuk mengetahui kebutuhan gizi ibu hamil dalam satu hari dan didapatkan kebutuhan gizi berupa energi 1863,14 Kkal, karbohidrat 279,472 gram, protein 69,8678 gram dan lemak 51,754 gram.
Dari kebutuhan gizi tersebut, kemudian dibandingkan dengan hasil dari rekomendasi sistem yang ditunjukka pada Tabel 3.
, menghitung fitness, dan seleksi mnggunakan metode elitism. Kemudian dilanjutkan dengan proses
Arifudin, R. (2011). Optimasi Penjadwalan Proyek Dengan Penyeimbangan Biaya menggunakan Kompinasi CPM dan Algoritma Genetika. Jurnal Masyarakat
temperatur awal (T0) sebesar 1 dan menghasilkan nilai rata-rata fitness sebesar 48,8, pada nilai alpha = 0,7 menghasilkan nilai rata-rata fitness sebesar 47,3, dan pada jumlah generasi sebanyak 220 generasi menghasilkan rata-rata nilai fitness sebesar 46,60. Dari hasil yang didapatkan tersebut menampilkan hasil rekomendasi bahan bahan makanan untuk ibu hamil dalam sehari.
fitness sebesar 45,1, kemudian nilai
dan Mr = 0,6 menghasilkan nilai rata-rata
fitness sebesar 48,60. Pada nilai Cr = 0,4
inputan yang digunakan. Hasil terbaik yang diperoleh sistem dengan jumlah populasi sebanyak 2900 menghasilkan nilai rata-rata
hybrid Algoritme Genetika dan Simulated Annealing dipengaruhi oleh parameter
2. Hasil dari optimasi komposisi bahan makanan untuk ibu hamil menggunakan
iterasi maksimum dan mendapatkan solusi yang optimal.
Simulated Annealing hingga mencapai
Cr ossover menggunakan metode one cut- point , mutasi menggunakan metode reciprocal exchange
Tabel 3. Selisih Selisih Kebuthan Gizi Ibu Hamil dan Kandungan Gizi Bahan Makanan
proses Algoritme Genetika yang tahap- tahapnya adalah inisialisasi kromosom,
Annealing dilakukan dengan dimulai dari
1. Penerapan optimasi komposisi bahan makanan ibu hamil menggunakan hybrid Algoritme Genetika dan Simulated
Berdasarkan hasil pengujian dari penelitian tentang optimasi komposisi bahan makanan untuk ibu hamil menggunakan hybrid Algoritme Genetika dan Simulated Annealing, dapat diambil kesimpulan sebagai berikut :
4. Kesimpulan
lama untuk mendapatkan solusi yang lebih baik.
hybrid Algoritme Genetika dan Simulated Annealing dapat mememakan waktu yang cukup
dapat membantu Algoritme Genetika untuk bertahan dalam menghadapi lokal optimum dan mampu menghasilkan solusi yang lebih baik dibandingakan dengan menggunakan Algoritme Genetika saja, akan tetapi dengan menggunaka
Dan dari hasil percobaan yang telah dilakukan didapatkan akurasi sistem sebesar 70%. Ditambahkan nya Simulated Annealing
Simulated Annealing dapat memenuhi batas toleransi yang sudah ditetapkan oleh ahli gizi.
Rekomendasi Sistem Dari Tabel 3 dapat dilihat hasil rekomendasi sistem mengenai kandungan gizi dari bahan makanan dan kebutuhan gizi ibu hamil dan juga selisih nilainya. Dapat diketahui bahwa selisih nilai dari rekomendasi sistem dengan menggunakan hybrid Algoritme Genetika dan Simulated Annealing dengan kebutuhuan gizi adalah energi sebesar 1%, karbohidrat sebesar 1%, protein 0% dan lemak 1%. Sedangkan selisih nilai dari rekomendasi sistem hanya menggunakan Algoritme Genetika saja memiliki selisih energi sebesar 12%, karbohidrat sebesar 20%, protein sebesar 26% dan lemak sebsar 37%. Hasil dari sistem dengan menggunakan hybrid Algoritme Genetika dan
DAFTAR PUSTAKA
Sari, A., Mahmudy, W., & Dewi, C. (2014).
Informatika, Vol.2, No.4, ISSN 2086- 4930 .
Optimasi Asupan Gizi Pada Ibu Hamil Dengan Menggunakan Algoritma
Arisman. (2003). GIZI DALAM DAUR Genetika. DORO: Repository Jurnal
KEHIDUPAN : BUKU AJAR ILMU Mahasiswa PTIIK Universitas GIZI. Jakarta: Buku Kedokteran.
Brawijaya, vol.4, no.5 .
Cahyaningtyas, Y. N., Ratnawati, D., & Sofianti, T. (2004). Penjadwalan Multipurpose
Sutrisno. (2016). Implementasi Hybrid Batch Chemical Plant Dengan Metode
Algoritma Genetika dan Simulated
Optimasi Gabungan : Algoritma
Annealing Untuk Penjadwalan Mata Genetika-Simulated Annealing. Pelajaran (Studi Kasus: SMP Negeri 1 Sukomoro) . Stephanie, P., & Kartika, S. K. (2016).
Gambaran Kejadian Kurang Energi DepkesRI. (2009). Indikator Kesehatan
Kronik Dan Pola Makan Wanita Usia Indonesia. GAMBARAN KEJADIAN
Subur Di Desa Pesinggahan Kecamatan
KURANG ENERGI KRONIK DAN
Dawan Klungkung Bali 2014. E-Jurnal
POLA MAKAN WANITA USIA SUBUR Medika, VOL 5 NO.6 . DI DESA PESINGGAHAN KECAMATAN DAWAN KLUNGKUNG Sulistiowati, F., Marji, & Cholissodin. (2016).
BALI 2014 . Optimasi Susunan Bahan Makanan Sehat Untuk Pemenuhan Gizi Keluarga
Efendi, M., Dayawati, R., & Wibowo, A. (2009).
Dengan Algoritma Evolition Strategies.
Sistem Penjadwalan Kuliah Malang: Universitas Brawijaya
ITTELKOM Dengan Hybrid Algoritma [SKRIPSI]. Genetika Simulated Annealing (GA- SA).
Jawahar, N., Aravindan, P., & Ponnambalam, S.
(1999). A Simulated Anealing Algorithm For Job Shop Scheduling.
vol. 10, no. 8, pp.767-77 .
KemenkesRI. (2012). Pedoman Penyelenggaraan Pemberian Makanan Tambahan Pemulihan Bagi Ibu Hamil KEK dan Balita Gizi Kurang. Jurnal
Kesehatan "Pengaruh Pemberian Makanan Tambahan Terhadap Pningkatan Berat Badan Ibu Hamil KEK (Kekurangan Energi Kronis) Di Wilayah Kerja Puskesmas Labuan Lombok .
Lubis. (2003). Status Gizi Ibu Hamil Serta
Pengaruhnya terhadap Bayi yang Dilahirkan: Semarang. IKM-UNNES
INFOKES, VOL.3 NO.3 November 2013 .
Permana, A., Sulistiyo, M., & Wulandari, G.
(2015). Optimasi Genetic Algorithm dengan Simulated Annealing Untuk Multiple Depot Capacitated Vehicle Routing Problem. Indonesia Symposium On Computing 2015, ISSN :2460-3295 .
Riskesdas. (2013). InfoDATIN. SITUASI GIZI.