Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan Algoritme Genetika

  Vol. 2, No. 7, Juli 2018, hlm. 2760-2769 http://j-ptiik.ub.ac.id

  

Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi

Kronis (KEK) Menggunakan Algoritme Genetika

_{1 2 3} Ika Oktaviandita , Imam Cholissodin , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Unversitas Brawijaya _{1 2 3} Email: ikaoktaviandita@gmail.com, imamcs@ub.ac.id, adikara.putra@ub.ac.id

  

Abstrak

  Selama masa kehamilan ibu hamil disarankan untuk menjaga kecukupan gizi terutama energi dan protein. Asupan gizi yang tidak mencukupi akan menyebabkan ibu hamil berisiko mengalami Kurang Energi Kronis (KEK). Pada penelitian ini akan diberikan rekomendasi susunan bahan makanan yang memiliki gizi seimbang dengan harga minimal menggunakan algoritme genetika. Proses pencarian solusi adalah dengan melakukan kombinasi kromosom lalu diproses menggunakan operator genetika (crossover, mutasi, dan seleksi). Proses pindah silang (crossover) menggunakan metode one cut point, metode mutasi yang digunakan adalah exchange mutation, dan proses seleksi menggunakan metode seleksi elitism. Parameter algoritme genetika yang dibutuhkan adalah ukuran populasi, Crossover rate (Cr), Mutation rate (Mr), dan jumlah generasi. Pada sistem ini diperoleh hasil optimasi terbaik pada ukuran populasi sebanyak 100 populasi dengan rata-rata nilai fitness 17,744, nilai Cr sebesar 0,5 dan nilai Mr sebesar 0,5 dengan rata-rata nilai fitness 17,983, dan pada jumlah generasi 100 dihasilkan rata- rata nilai fitness sebesar 17,962. Hasil yang diperoleh adalah rekomendasi susunan bahan makanan selama 7 hari beserta biaya yang harus dikeluarkan. Namun hasil tersebut masih belum memenuhi kebutuhan ibu hamil secara maksimal.

  Kata kunci: ibu hamil kurang energi kronis, gizi, algoritme genetika

Abstract

Women during pregnancy are advised to maintain nutritional adequacy, especially energy and protein.

  

Inadequate nutrition intake will cause pregnant women at risk of Chronic Lack of Energy or in

Indonesian called as Kurang Energi Kronis (KEK). In this research given recommendations of the

composition of foodstuffs that have balanced nutrition with minimal price using genetic algorithm. The

process of finding a solution is to perform a combination of chromosomes and then processed using

genetic operators (crossover, mutation, and selection). Crossover process using one cut point method,

mutation method used is exchange mutation, and selection process using selection elitism method. Need

of parameters of genetic algorithm are population size, Crossover rate (Cr), Mutation rate (Mr), and

number of generations. In this system obtained the best optimization results on the population size of

100 population with average fitness value 17.744, Cr value of 0.5 and the value of Mr of 0.5 with average

fitness value 17.983, and on the number of generations 100 generated average Average fitness value of

17.962. The results obtained recommendations of the composition of foodstuffs for 7 days along with

the costs to be incurred. However, these results still do not meet the maximal needs during pregnancy.

  Keywords: lack chronic energy of pregnancy, nutrition, genetic algorithm

  pematangan dan penyempurnaan sehingga ibu 1. hamil disarankan untuk menjaga kecukupan gizi

   PENDAHULUAN terutama energi dan protein (Dinkes, 2015).

  Saat hamil kondisi fisiologis ibu mengalami Asupan energi dan protein yang tidak perubahan. Pada trimester I akan terjadi mencukupi akan menyebabkan ibu hamil pembentukan dan perkembangan beberapa berisiko mengalami Kurang Energi Kronis organ vital serta pembentukan kepala dan sel-sel (KEK). Wanita hamil dikatakan Kurang Energi otak janin. Kemudian di trimester II dan III Kronis (KEK) jika ukuran lingkar lengan atas semua fungsi organ pada janin akan mengalami

  Fakultas Ilmu Komputer Universitas Brawijaya

2760

  (LILA) kurang dari 23,5 cm (Kemenkes, 2016).

  Di negara-negara berkembang seperti Bangladesh, India, Indonesia, Myanmar, Nepal, Srilanka dan Thailand prevalensi KEK sebesar 15-47% (Lubis, 2015). Berdasarkan data yang diperoleh Riset Kesehatan Dasar (Riskesdas) tahun 2013, prevalensi ibu hamil yang berisiko mengalami Kurang Energi Kronis (KEK) sebesar 24,2% (Kemenkes, 2016). Di Desa Banyuates Kabupaten Sampang, berdasarkan hasil wawancara dengan bidan setempat, pada tahun 2015 terdapat 162 ibu hamil yang mana 30% di antaranya menderita risiko tinggi atau kekurangan energi. Tingginya angka kurang gizi pada ibu hamil ini berkontribusi terhadap tingginya angka bayi dengan berat lahir rendah (BBLR) di Indonesia. Prevalensi angka BBLR di Indonesia pada anak usia 0-59 bulan memiliki berat lahir kurang dari 2.500 gram mencapai 11,1% (Riskesdas, 2013).

  Tingginya angka ibu hamil yang mengalami Kurang Energi Kronis (KEK) di Indonesia merupakan tanda bahwa sedikit ibu hamil yang mencukupi kebutuhan gizinya saat hamil. Selain dari ibu hamil itu sendiri, masalah gizi ini merupakan hal yang sangat perlu diperhatikan oleh pemerintah dan juga petugas kesehatan.

  Untuk mencukupi kebutuhan gizi pada saat hamil, makanan yang harus dikonsumsi oleh ibu hamil Kurang Energi Kronis (KEK) hendaknya mengandung jumlah yang cukup dan kualitas yang baik. Untuk menjaga asupan makanan yang harus dikonsumsi ibu hamil terutama yang mengalami Kurang Energi Kronis (KEK), dibutuhkan cara khusus yang dapat memenuhi kebutuhan gizi ibu hamil Kurang Energi Kronis (KEK) selama masa kehamilan. Salah satu cara yang dapat digunakan untuk memenuhi kebutuhan gizi ibu hamil Kurang Energi Kronis (KEK) adalah dengan memberikan ibu hamil susunan bahan makanan dengan gizi seimbang. Oleh karena itu, pada penelitian ini akan dikembangkan suatu sistem yang dapat membantu ibu hamil Kurang Energi Kronis (KEK) di Indonesia untuk mendapatkan susunan bahan makanan yang paling optimal.

  Dalam menentukan susunan bahan makanan yang memiliki gizi seimbang dengan harga minimal dibutuhkan suatu metode penyelesaian. Salah satu metode yang dapat digunakan adalah algoritme genetika. Algoritme genetika merupakan tipe Algoritme Evolusi yang memiliki kemampuan untuk menyelesaikan masalah. Algoritme genetika dapat dipakai di banyak kasus yang menghadapi masalah optimasi yang rumit bahkan sulit dibangun. Algoritme genetika adalah algoritme yang bisa digunakan untuk permasalahan optimasi dalam berbagai bidang yang memiliki area pencarian sangat luas. Selain itu algoritme genetika bisa digunakan untuk berbagai macam data seperti data numerik maupun analitik (Mahmudy, 2013).

  Pada penelitian sebelumnya, pernah dikembangkan sistem yang berhubungan dengan optimasi asupan gizi menggunakan algoritme genetika yang dilakukan oleh Ayu Puspo Sari yang mana penelitian ini ditujukan pada ibu hamil normal atau tidak mengalami gangguan kehamilan pada masa kehamilan. Penelitian tersebut menggunakan 150 data diuji dengan panjang kromosom 5-15 gen dan didapatkan hasil terbaik dengan rata-rata nilai fitness tertinggi yaitu 142670 yang mendekati kebutuhan gizi ibu hamil pada jumlah generasi 1500, ukuran populasi 150 dengan rata-rata nilai fitness sebesar 143050, nilai peluang crossover adalah 0,4 dan nilai peluang mutasi adalah 0,6 dengan rata-rata nilai fitness 142725. Keluaran atau output yang dihasilkan adalah nilai kebutuhan gizi ibu hamil, seperti nilai kebutuhan energi, lemak, protein, dan karbohidrat. Namun, dalam penelitian tersebut masih terdapat sedikit kekurangan yakni kebutuhan ibu hamil yang belum terpenuhi karena disebabkan oleh beberapa hal diantaranya adalah data bahan makanan yang tidak memiliki variasi berat konsumsi, tidak ada pengelompokan bahan makanan, dan pembobotan berat bahan makanan sesuai dengan pengelompokannya.

  Berdasarkan pemaparan latar belakang di atas, penulis melakukan penelitian berjudul “Optimasi Susunan Bahan Makanan Untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan Algoritme Genetika”. Penelitian tersebut menggunakan metode algoritme genetika untuk menghasilkan kombinasi kromosom terbaik sehingga akan diperoleh susunan bahan makanan untuk ibu hamil penderita KEK yang memiliki kandungan gizi seimbang dengan harga yang minimal.

  2. DASAR TEORI

  2.1 Kurang Energi Kronis (KEK)

  Departemen Kesehatan RI tahun 2002 menyatakan bahwa Kurang Energi Kronis (KEK) adalah suatu kondisi kekurangan gizi akut yang disebabkan oleh kurangnya konsumsi makanan dalam jumlah cukup atau nilai gizinya (Total Kebutuhan Energi) kurang yang dapat berlangsung pada wanita usia TEE KEK : TEE pada ibu hamil penderita subur (WUS) dan wanita yang sedang hamil kurang energi (Lubis, 2015). Ibu hamil dapat mengalami BEE : Basal Energy Expenditure Kurang Energi Kronis (KEK) biasanya karena (Kebutuhan Energi Basal) sejak sebelum hamil ibu telah kekurangan energi BB: Berat Badan (digunakan berat badan sedangkan saat masa kehamilan dibutuhkan yang tertimbang saat ini) lebih banyak energi. Kehamilan menyebabkan TB : Tinggi Badan metabolisme energi meningkat sehingga U : Usia dibituhkan lebih banyak energi dan zat gizi KF : Kegiatan Fisik lainnya yang dibutuhkan dalam pertumbuhan NKF : Nilai Kegiatan Fisik dan perkembangan janin, organ kandungan yang FIT : Food Induced Thermogenesis bertambah besar, persiapan ibu melahirkan dan T : Trimester menyusui, perubahan komposisi dan

  Kegiatan fisik ibu hamil dibagi menjadi metabolisme tubuh ibu (Sari, et al., 2011). kegiatan sangat ringan, ringan, sedang, dan

  Kurang Energi Kronis (KEK) pada ibu berat. Tabel 1 menjelaskan kegiatan fisik ibu hamil dapat mengakibatkan ibu terus menerus hamil. merasa letih, sering kesemutan, muka terlihat pucat, akan mengalami kesulitan saat

  Tabel 1. Kegiatan Fisik

  melahirkan, dan ASI pada ibu setelah

  No Kegiatan Nilai Keterangan

  melahirkan tidak cukup untuk memenuhi

  Fisik

  kebutuhan bayi. Selain itu Kurang Energi Kronis

  1 Sangat 10% Duduk, berdiri, mengecat,

  (KEK) juga berdampak buruk bagi janin yang

  ringan menyetir, mengetik,

  sedang dikandung. Kurang Energi Kronis (KEK)

  menjahit, menyetrika,

  dapat menyebabkan terganggunya pertumbuhan

  memasak

  janin, bayi berat lahir rendah (BBLR),

  2 Ringan 20% Ibu rumah tangga

  perkembangan otak janin terhambat sehingga

  3 Sedang 30% Mengangkat beban,

  dapat menyebabkan bayi lahir prematur, serta

  bersepeda, berdagang

  dapat menyebabkan kematian pada bayi (Lubis,

  4 Berat 40% Berjalan dengan beban

  2015). Menurut Departemen Kesehatan RI tahun

  berat

  1996, risiko Kurang Energi Kronis (KEK) dapat

  Sumber: Darusman (2016)

  dapat diketahui dengan mengukur lingkar lengan atas (LILA) jika < 23,5 cm. Selain menggunakan Nilai Food Induced Thermogenesis (FIT) LILA (Ariyani, 2012). dapat dilihat pada Tabel 2.

2.2 Perhitungan Kebutuhan Gizi

  Tabel 2. Food Induced Thermogenesis (FIT)

  Untuk menghitung kebutuhan energi dapat

  No Minggu Bulan Trimester Nilai

  digunakan metode Harris Benedict seperti dalam persamaan (1) sampai (3) (Darusman, 2016):

  1 1-12 1-3 Trimester 1 10% = 655 + (9,6 × ) + (1,4 × ) − 2 13-24 4-6 Trimester 2 20%

  (1)

  (4,7 × ) 3 25-36 7-9 Trimester 3 30%

  (2) Sumber: Darusman (2016)

  = ×

  (3) Persentase makan pagi sebanyak 25% dari

  = × ( + )

  total TEE KEK, makan siang adalah 25% dari Selanjutnya untuk menghitung kebutuhan total TEE KEK, dan makan malam sebanyak energi menggunakan persamaan (4).

  20% dari TEE KEK (Kristiyanasari, 2010). (4)

  = + + Kebutuhan karbohidrat = 60% dari TEE KEK. Kebutuhan protein = 12% dari TEE KEK.

  Kebutuhan energi ibu hamil KEK dapat Kebutuhan lemak = 25% dari TEE KEK. dihitung dengan persamaan (5).

  (5)

  = + 360 3.

ALGORITME GENETIKA

  Keterangan: Proses awal dalam algoritme genetika

  TEE : Total Energy Expenditure adalah inisialisasi yang mana pada proses ini akan diciptakan individu baru yang memiliki kromosom. Proses selanjutnya adalah reproduksi. Dalam proses ini akan dihasilkan

  child (offspring) dari semua individu yang terdapat dalam populasi (Mahmudy, 2013). Offspring di-generate dengan teknik kawin

  Pada proses Crossover harus ditentukan lebih dulu nilai probabilitas crossover (Pc) atau

  reciprocal exchange mutation dan insertion mutation . Penelitian ini menggunakan metode

  Metode mutasi yang biasa digunakan pada representasi kromosom permutasi yaitu

   Mutasi

  Tabel 3. Contoh Proses Crossover _{P 2 1 2 8 2 9 1 5 5 2 2 8 3 5 4 3 2 2 4 7 4 2 1 5 3 9 P 3 3 7 1 1 3 1 2 3 3 2 2 4 2 4 1 7 4 1 2 7 5 4 8 2 8 1 2 6 C 1 1 2 8 2 9 1 5 5 2 2 4 2 4 4 3 2 2 4 7 4 2 1 1 2 6} C ₂ ³ ₇ ¹ ₁ ³ ₁ ² ₃ ³ ₂ ² ₈ ³ ₅ ¹ ₇ ⁴ ₁ ² ₇ ^{5 4} ₈ ² ₈ ⁵ _{3 9} b.

  bilangan biner dan permutasi (Mahmudy, 2013). Contoh proses one-cut-point Crossover ditunjukkan oleh Tabel 3.

  crossover , salah satunya adalah metode one cut point yang digunakan dalam representasi

  dihasilkan adalah sebanyak Cr ×popSize. Terdapat beberapa metode dalam proses

  Crossover rate (Cr). Nilai offspring yang

  a. Crossover

  silang (crossover) dan mutasi (mutation). Proses selanjutnya adalah evaluasi untuk menghitung nilai fitness setiap kromosom. Jika nilai fitness yang dihasilkan tinggi, maka peluang kromosom tersebut terpilih menjadi menjadi calon solusi juga akan semakin besar. Selanjutnya adalah proses seleksi. Proses ini dilakukan untuk memilih individu dari populasi gabungan untuk dipakai lagi pada generasi selanjutnya. Individu memiliki peluang besar terpilih jika memiliki nilai fitness tinggi (Mahmudy, 2013).

  Proses reproduksi merupakan tahap untuk menciptakan individu baru dari individu di dalam populasi. Individu baru tersebut bisa didapatkan dengan cara pindah silang (crossover) dan mutasi (mutation) (Mahmudy, 2013).

  3.3 Reproduksi

  Menurut Mahmudy (2013), proses inisialisasi merupakan langkah awal pemecahan untuk pencarian solusi yang mana pada tahap ini akan dihidupkan kumpuan menyelesaian secara acak (random) yang berisi string kromosom. Kromosom tersebut akan dialokasikan di sebuah populasi atau popSize.

  3.2 Inisialisasi Populasi Awal

  Penelitian ini menggunakan 176 daftar bahan makanan yang dibagi menjadi 8 kelompok sumber kandungan (karbohidrat, protein hewani, protein nabati, sayuran, buah, gula, lemak dan susu). Panjang kromosom per hari adalah 24 gen yang merepresentasikan 8 jenis bahan makanan untuk 3 kali makan dalam sehari. Index bahan makanan diwakili oleh angka permutasi dari 1 sampai 55

  Representasi kromosom adalah proses untuk memetakan penyelesaian dari persoalan menjadi kromosom. Bentuk-bentuk representasi kromosom yaitu biner, integer, real, dan permutasi. Belum tentu semua bentuk representasi kromosom pantas untuk suatu permasalahan, maka bentuk kromosom yang digunakan menyesuaikan dengan permasalahan yang akan diselesaikan (Mahmudy, 2013).

  Gambar 1. Diagram Alir Algoritme Genetika

  Tahapan penyelesaian masalah menggunakan algoritme genetika dijelaskan Gambar 1.

3.1 Representasi Kromosom

  reciprocal exchange mutation yang mana cara

  kerja metode tersebut ialah memilih dua gen secara acak dan menukar nilai posisi kedua gen tersebut. Gambar 2 menunjukkan cara kerja metode exchange mutation.

  Gambar 2. Cara Kerja Exchange Mutation

  3.4 Evaluasi

  Tahap evaluasi merupakan proses untuk menghitung fitness dari setiap kromosom yang ada (Mahmudy, 2013). Pada kasus optimasi, jika penyelesaian yang dicari mengoptimalkan fungsi f(x) maka nilai fitness adalah nilai f(x) tersebut seperti yang ditunjukkan persamaan 6, sedangkan pada permasalahan minimasi, nilai

  Gambar 3. Diagram Alur Penelitian fitness dapat dicari dengan persamaan 7.

  (6)

  = ( )

  4.1 Studi Literatur

  1

  (7) Studi literatur dibutuhkan untuk

  = × ( )

  mempelajari serta menjelaskan dasar teori dan Keterangan: kajian pada buku maupun hasil penelitian

  f = nilai fitness

  sebelumnya dalam melakukan langkah

  C = konstanta untuk menghindari selanjutnya.

  pembagian nol

  4.2 Pengumpulan Data

  3.5 Seleksi

  Cara yang dilakukan untuk mengumpulkan Proses seleksi merupakan tahapan data yang dibutuhkan adalah dengan melakukan menentukan individu mana yang tetap bertahan studi literatur dan survei langsung. Berikut data dan digunakan pada generasi setelahnya. yang diperlukan untuk penelitian ini:

  Terdapat beberapa metode dalam proses seleksi 1.

  Daftar bahan makanan penukar yaitu binary tournament, elitism, dan roulette

  2. Daftar harga bahan makanan di daerah wheel (Mahmudy, 2013).

  Malang yang didapat dengan melakukan survei

4. METODOLOGI PENELITIAN 3.

  Data ibu hamil KEK didapat dari Bidan Praktik Swasta (BPS) di Desa Banyuates

  Penelitian ini dimulai dari mencari studi Kabupaten Sampang literatur, mengumpulkan data, melakukan analisis dan merancang sistem, membuat

  implementasi, melakukan uji coba sistem dan memberikan kesimpulan. Tahapan atau alur Analisis kebutuhan sistem dilakukan untuk metode penelitian akan diuraikan pada Gambar mengetahui kebutuhan yang wajib ada dalam sistem. Kebutuhan yang harus dalam sistem terdiri dari kebutuhan fungsional dan kebutuhan non fungsional. Pada penelitian ini, kebutuhan sistem meliputi:

  4.3 Analisis dan Perancangan Sistem

  1. Sistem dapat menampilkan susunan bahan makanan sesuai kebutuhan ibu hamil Kurang Energi Kronis (KEK) dengan harga minimum

  Tahap terakhir yang akan dilakukan adalah mengambil kesimpulan. Penarikan kesimpulan didasarkan pada hasil yang didapat pada tahap yang telah dilakukan sebelumnya. Kesimpulan merupakan jawaban dari rumusan masalah yang telah disebutkan pada bab 1. Selain kesimpulan, langkah akhir penelitian akan memberi saran mengenai penelitian tersebut agar dapat digunakan sebagai bahan penelitian selanjutnya.

  fitness yang dihasilkan. Pada pengujian ini, nilai Cr dimulai dari angka 0,1 sampai 0,9 dan nilai

  Pengujian berdasarkan kombinasi nilai Cr dan Mr dilakukan untuk mengetahui pengaruh kedua parameter tersebut terhadap rata-rata nilai

  5.2 Hasil dan Analisis Pengujian Berdasarkan Kombinasi Nilai Cr dan Mr

  Berdasarkan grafik tersebut, diketahui bahwa semakin banyak jumlah populasi belum tentu nilai fitness yang dihasilkan akan tinggi. Hal ini dikarenakan pada pembangkitan populasi awal algoritme genetika dilakukan secara acak (random). Jumlah populasi yang banyak dapat menghasilkan nilai fitness yang semakin baik. Mahmudy (2013) menyatakan bahwa nilai jumlah populasi yang banyak akan memperluas ruang eksplorasi sehingga peluang untuk mendapatkan solusi terbaik menjadi lebih besar sedangkan dengan jumlah populasi yang terlalu sedikit dapat mempersempit area pencarian solusi (Mahmudy dalam Kusumaningsih, 2013).

  fitness tertinggi pada jumlah populasi ke-100 dengan rata-rata nilai fitness sebesar 17,744.

  Pengujian ini menghasilkan rata-rata nilai

  Gambar 4. Grafik Hasil Pengujian Berdasarkan Jumlah Populasi

  Pengujian berdasarkan jumlah populasi dilakukan untuk mengetahui pengaruh jumlah populasi terhadap rata-rata nilai fitness yang dihasilkan. Pengujian ini menggunakan 10 populasi yang dimulai dari populasi dengan jumlah 10 sampai populasi berjumlah 100 dengan kelipatan 10. Pengujian berdasarkan jumlah populasi ini dilakukan sebanyak 10 kali percobaan pada dengan menggunakan jumlah generasi sebanyak 100 generasi. Nilai Cr yang digunakan adalah 0,6 dan Mr yang digunakan adalah 0,4. Gambar 4 menunjukkan grafik hasil pengujian berdasarkan jumlah populasi.

  5.1 Hasil dan Analisis Pengujian Berdasarkan Jumlah Populasi

  4.6 Kesimpulan

  2. Sistem bisa melakukan input dan menampilkan parameter umur, usia kandungan, berat badan, tinggi badan, aktivitas, dan lingkar lengan atas (LILA)

  Banyaknya generasi.

  mutation rate (Mr); 3.

  Jumlah populasi; 2. Kombinasi Crossover rate (Cr) dan

  akan diuji dalam pengujian sistem ialah: 1.

  fitness yang diperoleh sistem. Parameter yang

  Setelah proses implementasi, selanjutnya akan dilakukan pengujian sistem. Pada tahap ini akan dilakukan pengamatan terhadap kestabilan

  4.5 Pengujian Sistem

  Dalam proses ini, sistem akan diaplikasikan sesuai dengan perencanaan sistem yang telah dilakukan. Implementasi sistem mencakup implementasi database dan implementasi program. Database akan diimplementasikan dengan MySQL dan program akan diterapkan dengan bahasa pemrograman Java menggunakan aplikasi Netbeans.

  4.4 Implementasi

  3. Sistem mampu menampilkan kebutuhan gizi ibu hamil Kurang Energi Kronis (KEK) yang terdiri dari kebutuhan energi, karbohidrat, lemak, dan protein serta rekomendasi susunan bahan makanan Perancangan sistem adalah langkah untuk mempersiapkan perangkat lunak sesuai dengan implementasi algoritme genetika pada optimasi susunan bahan makanan untuk ibu hamil Kurang Energi Kronis (KEK).

5. HASIL DAN PEMBAHASAN

  Mr dimulai dari 0,9 sampai 0,1. Pengujian

  jumlah populasi sebanyak 100 populasi dan kombinasi nilai Cr sebesar 0,5 dan nilai Mr sebesar 0,5. Grafik hasil pengujian berdasarkan jumlah generasi disajikan pada Gambar 6.

  pada setiap generasi dapat menggunakan pengujian konvergensi. Pengujian konvergensi merupakan proses menguji generasi mana yang menghasilkan nilai fitness konvergen atau mendekati konvergen. Hasil pengujian konvergensi dalam bentuk grafik dapat dilihat pada Gambar 7.

  fitness

  100. Gambar 6.3 juga menunjukkan adanya rata- rata nilai fitness paling rendah terdapat pada jumlah generasi 10 yang menghasilkan rata-rata nilai fitness sebesar 16,414. Jumlah generasi 10 memiliki nilai fitness rendah karena eksplorasi pada ruang pencarian yang lebih kecil dibandingkan eksplorasi pada ruang pencarian jumlah generasi 100 yang lebih besar. Berdasarkan pengujian generasi yang telah dilakukan, rata-rata nilai fitness dari generasi 70 sudah mulai konvergen. Untuk mengetahui nilai

Gambar 6.3 diperoleh rata-rata nilai fitness tertinggi sebesar 17,962 pada jumlah generasi

  Hasil pengujian berdasarkan jumlah generasi yang ditunjukkan pada Tabel 6.3 dan

  Gambar 6. Grafik Hasil Pengujian Berdasarkan Jumlah Generasi

  fitness -nya. Parameter yang digunakan adalah

  berdasarkan kombinasi nilai Cr dan Mr ini dilakukan sebanyak 10 kali percobaan dengan menggunakan jumlah populasi sebanyak 100 populasi dan jumlah generasi sebanyak 100 generasi. Hasil pengujian berdasarkan kombinasi nilai Cr dan Mr dijelaskan Gambar 5.

  terhadap 10 generasi dimulai dari jumlah generasi sebanyak 10 sampai generasi 100 dengan kelipatan 10. Setiap generasi dilakukan pengujian sebanyak 10 kali percobaan kemudian pada setiap generasi dihitung rata-rata nilai

  fitness . Dalam penelitian ini dilakukan pengujian

  Pengujian yang dilakukan berdasarkan jumlah generasi dilakukan untuk mengetahui pengaruh jumlah generasi terhadap rata-rata nilai

  genetika bekerja tidak optimal sehingga saat melakukan proses eksplorasi pada ruang pencarian tidak dilakukan secara efektif (Mahmudy, 2013).

  Mr terlalu kecil juga dapat membuat algoritme

  Berdasarkan pengujian yang telah dilakukan, diperoleh hasil rata-rata nilai fitness tertinggi pada kombinasi nilai Cr dan Mr sebesar 0,5 dan 0,5 dengan rata-rata nilai fitness sebesar 17,983 sedangkan rata-rata nilai fitness terkecil dihasilkan oleh kombinasi nilai Cr sebesar 0,1 dan Mr sebesar 0,9 dengan rata-rata nilai fitness sebesar 17,648. Diperoleh rata-rata nilai fitness tertinggi pada nilai Cr sebesar 0,5 dan nilai Mr dan 0,5 dikarenakan kinerja algoritme genetika yang memiliki kemampuan melakukan eksplorasi dan eksploitasi pada ruang pencarian. Jika kemampuan eksplorasi dan eksploitasi seimbang, maka akan didapatkan solusi yang optimal atau mendekati optimal. Jika nilai Cr terlalu kecil dan nilai Mr terlalu besar maka proses algoritme genetika akan sangat bergantung pada proses mutasi. Hal ini dapat menyebabkan proses eksploitasi pada ruang pencarian tidak bisa dilakukan dengan efektif. Sebaliknya, jika nilai Cr terlalu besar dan nilai

  Gambar 5. Hasil Pengujian Berdasarkan Kombinasi Nilai Cr dan Mr

5.3 Hasil dan Analisis Pengujian Berdasarkan Jumlah Generasi

  Gambar 7. Grafik Hasil Pengujian Konvergensi 6.

  Gizi Seimbang untuk Ibu Hamil. Pasuruan: Dinas Kesehatan Kabupaten Pasuruan.

  Alat Ukur Lingkar Lengan Atas (LLA) Pada Wanita Useia Subur (WUS). Jakarta:

  Departemen Kesehatan RI. Departemen Kesehatan RI, 2002. Pedoman

  Prakts Pemantauan Status Gizi Orang Dewasa. Jakarta: Departemen Kesehatan

  RI. Departemen Kesehatan RI, 2007. Pedoman

  Pengukuran dan Pemeriksaan. Jakarta: Departemen Kesehatan RI.

  Dinas Kesehatan Kabupaten Pasuruan, 2015.

  Eliantara, F., 2016. Implementasi Algoritme

  Kediri: Fakultas Teknik. Universitas Nusantara Persatuan Guru Republik Indonesia.

  Particle Swarm Optimization untuk Optimasi Pemenuhan Kebutuhan Gizi Keluarga. Malang: Fakultas Ilmu Komputer. Unversitas Brawijaya.

  Fathonah, S., 2016. Gizi dan Kesehatan untuk Ibu Hamil. Jakarta Timur: Erlangga. Febry, A. B., Pujiastuti, N. & Fajar, I., 2013.

  Ilmu Gizi untuk Praktisi Kesehatan.

  Yogyakarta: Graha Ilmu. Istiany, A. & Ruslianti, 2013. Gizi Terapan.

  Bandung: PT Remaja Rosdakarya. Janata, A. & Haerani, E., 2015. Sisrem

  Penjadwalan Outsourcing Menggunakan Algoritme Genetika. Jurnal CoreIT, 1(2), pp. 17-24.

  Departemen Kesehatan RI, 1994. Penggunaan

  Pemenuhan Nutrisi pada Masa Kehamilan Menggunakan Metode Harris Benedict.

   KESIMPULAN

  2. Hasil optimasi dipengaruhi oleh parameter algoritme genetika yang digunakan. Pada sistem ini diperoleh hasil optimasi terbaik pada ukuran populasi sebanyak 100 populasi dengan rata-rata nilai fitness 17,744, nilai Cr sebesar 0,5 dan nilai Mr sebesar 0,5 dengan rata-rata nilai fitness 17,983, dan pada jumlah generasi 100 dihasilkan rata-rata nilai fitness sebesar 17,962. Hasil solusi berupa rekomendasi susunan bahan makanan selama 7 hari dengan harga yang minimum. Berdasarkan hasil pengujian terhadap data ibu hamil KEK, rata-rata biaya konsumsi yang dapat dihemat sekitar Rp 10.000,00 dengan kandungan gizi terpenuhi adalah energi, karbohidrat, protein dan lemak.

  Chandradewi, A., 2015. Pengaruh Pemberian Makanan Tambahan Terhadap Peningkatan Berat Badan Ibu Hamil KEK (Kurang Energi Kronis) di Wilayah Kerja Puskesmas Labuan Lombok. Jurnal Kesehatan Prima, 9(1), pp. 1391-1402.

  Penganekaragaman Konsumsi dan Keamanan Pangan Badan Ketahanan Pangan Kementrian Pertanian.

  3B). Jakarta: Pusat

  Pangan 3B-Beragam, Bergizi Seimbang (Produk-produk pekarangan yang mendukung

  Baliwati, Y. F. & Martianto, D., 2012. Konsumsi

  Kesimpulan yang didapat dari penelitian optimasi susunan bahan makanan untuk ibu hamil Kurang Energi Kronis (KEK) menggunakan algoritme genetika adalah sebagai berikut: 1.

  Proses penyelesaian masalah optimasi susunan bahan makanan untuk ibu hamil Kurang Energi Kronis (KEK) menggunakan algoritme genetika menggunakan kromosom sepanjang 168 gen yang merupakan representasi indeks bahan makanan selama 7 hari dengan 3 kali makan dalam sehari menggunakan 8 jenis bahan makanan.

  Darusman, I., 2016. Sistem Informasi

DAFTAR PUSTAKA

  Ariyani, D. E., 2012. Validitas Ukuran Lingkar

  Nearest Neighbor untuk Pendukung Keputusan Pemilihan Menu Makanan Sehat dan Bergizi. Malang: Fakultas Ilmu Komputer. Universitas Brawijaya.

  Afandie, M. N., 2013. Implementasi Metode K-

  Lengan Atas Terhadap Indeks Massa Tubuh dalam Mendeteksi Risiko Kekurangan Energi Kronis pada Wanita (20-45 Tahun) di Indonesia. Depok: Fakultas Kesehatan

  Ariyani, D. E., Achadi, E. L. & Irawati, A., 2012.

  Validitas Lingkar Lengan Atas Mendeteksi Risiko Kekurangan Energi Kronis pada Wanita Indonesia. Jurnal Kesehatan Masyarakat Nasional, 7(2), pp. 83-90.

  Masyarakat. Program Studi Ilmu Gizi. Universitas Indonesia. Kementerian Kesehatan RI, 1994. Penggunaan

  Alat Ukur Lingkar Lengan Atas (LILA) pada Wanita Usia Subur (WUS). Jakarta:

  Sari, A. P., Mahmudy, W. F. & Dewi, C., 2014.

  Nurvenus, K., 2015. Penerapan Algoritme

  Genetika Untuk Optimasi Asupan Gizi Pasien Diet Khusus Dengan Biaya Minimal. Malang: Skripsi. FILKOM.

  Universitas Brawijaya. Poedyasmoro, 2005. Buku Praktis Ahli Gizi.

  Malang: Politeknik Kesehatan Malang. Prawirohardjo, 2008. Ilmu Kebidanan. Jakarta: Bina Pustaka.

  Rismawan, T. & Kusumadewi, S., 2007.

  Aplikasi Algoritme Genetika Untuk Penentuan Komposisi Bahan Pangan Harian. Seminar Nasional Aplikasi

  Teknologi Informasi 2007 (SNATI 2007), pp. 73-77.

  Optimasi Asupan Gizi Pada Ibu Hamil dengan Menggunakan Algoritme Genetika.

  40-62. Muslihatun, 2009. Dokumentasi Kebidanan.

  DORO: Repository Jurnal Mahaswa PTIIK Universitas Brawijaya, 4(5).

  Sari, N. P., Indrawati, N. D. & Kumalasari, N., 2011. Gambaran Karakteristik Ibu Hamil

  yang Menderita Kekurangan Energi Kronis (KEK) di Kecamatan Wonosalam Kabupaten Demak. Semarang: Fakultas

  Ilmu Keperawatan dan Kesehatan, Universitas Muhammadiyah Semarang. Sibagariang, E. E., 2010. Gizi Dalam Kesehatan Reproduksi. Jakarta: Trans Info Media. Suhartono, E., 2015. Optimasi Penjadwalan

  Mata Kuliah dengan Algoritme Genetika (Studi Kasus di AMIK JTC Semarang).

  INFOKAM, pp. 132-146.

  Sulistiowati, F., 2016. Optimasi Susunan Bahan Makanan Sehat Untuk Pemenuhan Gizi Keluarga dengan Algoritme Evolution Strategies. DORO: Repository Jurnal

  Yogyakarta: Fitramaya. Nirwana, A. B., 2011. Kapita Selekta Kehamilan. Yogyakarta: Nuha Medika.

  Muliawati, S., 2013. Faktor Penyebab Ibu Hamil Kurang Energi Kronis di Puskesmas Sambi Kecamatan Sambi Kabupaten Boyolali Tahun 2012. Infokes Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan, 3(3), pp.

  Kementerian Kesehatan RI. Kementerian Kesehatan RI, 2010. Pedoman Gizi

  Kuswanti, I., 2014. Asuhan Kehamilan.

  Ibu Hamil dan Pengembangan Makanan Tambahan Ibu Hamil Berbasis Pangan.

  Jakarta: Kementerian Kesehatan RI. Kementerian Kesehatan RI, 2014. Pedoman Gizi Seimbang.

  Jakarta: Kementerian Kesehatan RI. Kementerian Kesehatan RI, 2016. Status Gizi.

  Jakarta Selatan: Info DATIN - Pusat Data dan Informasi Kementerian Kesehatan RI. Kristiyanasari, W., 2010. Gizi Ibu Hamil.

  Yogyakarta: Nuha Medika. Kusumaningsih, F. D., 2016. Penerapan

  Algoritme Genetika Pada Optimasi Susunan Bahan Makanan Untuk Pemenuhan Kebutuhan Gizi Keluarga.

  DORO: Repository Jurnal Mahaswa PTIIK Universitas Brawijaya, 8(27).

  Yogyakarta: Pustaka Pelajar. Lean, M. E. J., 2013. Ilmu Pangan, Gizi & Kesehatan. Yogyakarta: Pustaka Pelajar.

  Kesehatan RI No. 75 tahun 2013 tentang Angka Kecukupan Gizi yang dianjurkan bagi Bangsa Indonesia. Jakarta: Menteri Kesehatan RI.

  Lubis, L. A., 2015. Faktor-Faktor yang

  Berhubungan dengan Kejadian Kekurangan Energi Kronik (KEK) pada Ibu Hamil di Puskesmas Langsa Lama Kota Langsa Tahun 2015. [Online]

  Available at: http://repository.usu.ac.id/bitstream/12345 6789/56453/4/Chapter%20II.pdf [Diakses 2 Februari 2017].

  Mahmudy, W. F., 2013. Algoritme Evolusi.

  Malang: Program Teknologi Informasi dan Ilmu Komputer. Universitas Bawijaya. Marlenywati, 2010. Risiko Kurang Energi

  Kronis (KEK) Pada Ibu Hamil Remaja (Usia 15-19 Tahun) di Kota Pontianak Tahun 2010. Depok: Fakultas Kesehatan

  Masyarakat. Program Studi Ilmu Kesehatan Masyarakat. Universitas Indonesia. Menteri Kesehatan RI, 2013. Peraturan Menteri

  Mahaswa PTIIK Universitas Brawijaya, 8(24). Supariasa, I. D. N., Bakri, B. & Fajar, I., 2002.

  Penilaian Status Gizi. Jakarta: Penerbit Buku Kedokteran EGC.

  Syari, M., Serudji, J. & Mariati, U., 2015. Peran Asupan Zat Gizi Makronutrien Ibu Hamil terhadap Berat Badan Lahir Bayi di Kota Padang. Jurnal Kesehatan Andalas, 4(3), pp. 729-736.

  Wahid, N. & Mahmudy, W. F., 2015. Optimasi Komposisi Makanan Untuk Penderita Kolesterol Menggunakan Algoritme Genetika. DORO: Repository Jurnal

  Mahasiswa PTIIK Universitas Brawijaya, 5(15).

  Walyani, E. S., 2015. Asuhan Kebidanan Pada Yogyakarta: Pustaka Baru Kehamilan. Press.

  Wulandari, H. A. F., Putri, R. R. M. & Mahmudy, W. F., 2014. Sistem Pakar Tindakan Bidan Pada Pemeriksaan Ibu Hamil Dengan Metode Technique for Order Preference by Similarity to Ideal Solutions (TOPSIS). DORO: Repository Jurnal

  Mahasiswa PTIIK Universitas Brawijaya, 4(4).