Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi Menggunakan Algoritme Genetika
Vol. 2, No. 9, September 2018, hlm. 2892-2901 http://j-ptiik.ub.ac.id
Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi
Menggunakan Algoritme Genetika
1 2 3 Novirra Dwi Asri , Imam Cholissodin , Dian Eka RatnawatiProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: virra.novirra@gmail.com, imamcs@ub.ac.id, dian_ilkom@ub.ac.id
Abstrak
Hipertensi merupakan penyakit beresiko dan salah satu penyebab kematian ibu hamil. Bagi ibu hamil penderita Hipertensi pengaturan makanan yang kurang tepat dapat mempengaruhi pertumbuhan dan perkembangan janin. Pengaturan makanan yang dianjurkan untuk ibu hamil penderita Hipertensi adalah mengatur porsi makanan pemicu Hipertensi dengan tidak mengurangi kebutuhan gizi untuk janinnya. Salah satu cara yang dapat digunakan dalam menyusun makanan ibu hamil penderita Hipertensi adalah dengan menggunakan Algoritme Genetika. Algoritme genetika merupakan metode heuristic yang menggunakan aturan-aturan untuk mendapatkan solusi terbaik. Proses algoritme genetika pada penelitian menggunakan representasi kromosom bilangan integer, metode crossover yang digunakan adalah extended intermediate crossover, metode mutasi yang digunakan adalah random mutation dan seleksi menggunakan seleksi elitism. Hasil yang diberikan adalah rekomendasi makanan untuk beberapa hari yang terdiri dari makan pagi, makan siang, dan makan malam. Berdasarkan penelitian yang dilakukan didapatkan hasil ukuran generasi optimal yaitu pada ukuran generasi 240 dengan rata-rata nilai fitness sebesar 525,0720, ukuran populasi optimal yaitu pada ukuran populasi 90 dengan rata-rata nilai fitness sebesar 525,0680 dan kombinasi nilai cr dan mr adalah 0,6 dan 0,5 dengan rata-rata nilai
fitness sebesar 525,0695 Kata kunci: ibu hamil, Hipertensi, makanan, optimasi, Algoritme Genetika
Abstract
Hypertension is a risky disease and one of the main causes of death in pregnant women. For
Hypertension pregnant women, the wrong food arrangement can affect the growth and development of
the fetus. The recommended food arrangements for pregnant women with Hypertension is arrange the
portion of food that can increase hypertension but not reducing the nutrition for fetus. There is one way
that can be used to serve food of pregnant women with Hypertension is use a Genetic Algorithm. Genetic
Algorithm is a heuristic method that uses rules to get the best solution. The process of Genetic Algorithm
in research using representation chromosome integer number, crossover using extended intermediate
crossover, mutation using random mutation and selection using elitism selection. The results provided
are food recommendations for several days consisting of breakfast, lunch, and dinner. Based on the
research results, the optimal generation size is 240 with the average fitness value is 525.0720, the
optimal population size is 90 with the average fitness value is 525.0680 and the combination of cr and
mr is 0.6 and 0.5 with average fitness value is 525. 0695.Keywords: pregnant women, Hypertensive, food, optimation, Genetic Algorithm
kematian ibu hamil (Kemenkes, 2014). Di 1.
PENDAHULUAN wilayah Jawa Timur yaitu kabupaten
Tulungagung mayoritas penyebab kematian ibu Berdasarkan laporan World Health melahirkan karena pendarahan akibat
Organization(WHO) angka kematian ibu hamil Hipertensi, angka kematian pada daerah tersebut di dunia akibat Hipertensi pada saat persalinan mencapai lebih dari 50% dari total kejadian mencapai 536.000 wanita pada tahun 2005 kematian ibu hamil (Tarmizi, 2017). Pola
(WHO, 2005). Menurut data Kementrian konsumsi makanan yang salah menjadi Kesehatam dari tahun 2010-2013 Hipertensi penyebab utama timbulnya penyakit tersebut. menjadi salah satu dari tiga penyebab utama
Banyak faktor yang mempengaruhi pola
Fakultas Ilmu Komputer Universitas Brawijaya konsumsi masyarakat saat ini yaitu perkembangan informasi era modern membuat masyarakat cenderung mengkonsumsi junk food atau makanan instan yang berbahaya bagi kesehatan, selain itu padatnya aktivitas membuat kurang terawasinya makanan yang dikonsumsi.
Hipertensi adalah keadaan dimana naiknya tekanan darah melebihi batas normal yaitu ≥140/90 mmHg (Putri, et al., 2018). Hipertensi merupakan salah satu penyakit berbahaya yang sebagian besar disebabkan karena pola makan yang kurang tepat. Saat ini masyarakat setiap harinya banyak mengkonsumsi makanan yang beresiko seperti makanan tinggi gula, tinggi lemak, serta mengandung garam berlebih.
Aliran darah ke plasenta berkurang 2. Perkembangan dan pertumbuhan janin terhambat
Kemudian menghitung Angka Metabolisme Basal (AMB) menggunakan Persamaan (2). = × 25
= 90% × ( − 100) × 1 kg (1)
Menghitung Berat Badan Ideal (BBI) ibu hamil menggunakan rumus broca untuk mengetahui status gizi ditunjukkan pada Persamaan (1).
2.2. Perhitungan Energi
4. Dapat menyebabkan kematian janin
3. Menyebabkan kelahiran bayi berat badan rendah dan premature
Kondisi Hipertensi pada ibu hamil sangat membahayakan ibu hamil dan janin dalam kandungannya. Apabila dibiarkan ibu hamil akan menerima resiko yang tinggi dalam persalinannya. Berikut beberapa dampak Hipertensi bagi ibu hamil antara lain: 1.
Peningkatan kadar garam dan kadar lemak dalam makanan dapat memicu naiknya tekanan darah. Porsi konsumsi yang kurang tepat dapat memicu resiko naiknya tekanan darah. Apabila dibiarkan bagi ibu hamil hal ini akan membahayakan dirinya dan janin dalam kandungannya.
Hipertensi merupakan keadaan naiknya tekanan darah yang melebihi batas normal yaitu ≥140/90 mmHg (Putri, et al., 2018). Seorang wanita mengalami Hipertensi pada kehamilan apabila melebihi batas normal tersebut .
2.1. Ibu Hamil Hipertensi
2. TINJAUAN PUSTAKA
Berdasarkan penelitian yang sudah ada sebelumnya maka Algoritme Genetika dapat digunakan untuk menyelesaikan masalah yang berkaitan dengan menu makanan. Maka dari itu dalam membangun sistem optimasi asupan makanan harian ibu hamil penderita Hipertensi digunakan Algoritme Genetika dalam menyelesaikan masalah. Diharapkan dengan sistem ini dapat membantu memberikan rekomendasi menu makanan harian yang sesuai kebutuhan gizi dengan harga yang terjangkau untuk ibu hamil penderita Hipertensi.
Algoritme genetika dapat dijadikan solusi dalam membangun sistem ini. Algoritme Genetika dapat menyelesaikan masalah dengan model matematika kompleks atau sulit dibangun (Mahmudy, 2015). Pada penelitian sebelumnya mengenai optimasi komposisi makanan penderita diabetes dan komplikasinya yang dilakukan oleh Maryamah tahun 2017 menghasilkan komposisi makanan dalam satu hari yang terdiri dari makan pagi, makan siang dan makan malam. Komposisi makanan yang dihasilkan tersebut memenuhi kebutuhan gizi serta dengan harga yang terjangkau. Penelitian lain dilakukan oleh Ayu Puspo Sari yang melakukan optimasi asupan gizi pada ibu hamil dengan hasil yang diberikan yaitu makan pagi, makan siang dan makan malam, namun saat ini banyak ibu hamil yang menderita penyakit seperti Hipertensi sehingga sistem tersebut kurang cocok digunakan oleh ibu hamil dengan Hipertensi, maka dari itu sangat penting untuk dilakukan penelitian optimasi asupan makanan bagi ibu hamil penderita Hipertensi.
Berdasarkan permasalahan di atas diperlukan penyusunan menu makanan yang sesuai bagi ibu hamil dengan memperhatikan kondisi tekanan darah dan janin dalam kandungannya. Dalam penyusunan menu makanan tersebut harus memenuhi kebutuhan gizi yang diperlukan ibu hamil agar pertumbuhan dan perkembangan janin dalam kandungannya tidak terhambat, hal ini merupakan hal yang sulit bagi orang awam yang kurang pengetahuan mengenai komposisi menu makanan yang sesuai kebutuhan gizi dan penyusunan menu makanan yang manual membutuhkan waktu cukup lama. Selain memenuhi kebutuhan gizi, biaya juga menjadi pertimbangan dalam penyusunan menu makanan. Oleh karena itu diperlukan sistem untuk menyelesaikan masalah tersebut dengan makanan yang bervariasi dalam beberapa hari.
(2) Berdasarkan hasil perhitungan BBI dapat Penentuan nilai kalori kehamilan diklasifikasikan status gizi ibu hamil berdasarkan usia kehamilan ditunjukkan berdasarkan Tabel 1. pada Tabel 4.
Tabel 4. Nilai Kalori Kehamilan Tabel 1. Klasifikasi Berat Badan Ideal Nilai Kalori Kehamilan Nilai Berat Usia Kehamilan BBI Status Gizi
(NK) (NB) 0-12 minggu 180 kalori BB < 90%BBI Kurus 20%
13-27 minggu 300 kalori BB 90 Normal 0%
- – 110% BBI 28-40 minggu 300 kalori BB 110-120% Overweight -10% BB > 120% BBI Obesitas -20%
Selanjutnya dapat dihitung total kalori harian Kemudian menghitung kalori berdasarkan yang dibutuhkan ibu hamil menggunakan Persamaan (6). beberapa faktor antara lain: 1.
Berat Badan = + +
Berdasarkan klasifikasi BBI dapat dihitung
- (6) kalori berat badan menggunakan Persamaan (3).
Setelah mendapatkan nilai kalori harian dapat (3) dihitung kebutuhan gizi ibu hamil menggunakan
= × 2.
Persamaan (7), (8), dan (9). Usia
Terdapat klasifikasi usia ibu hamil untuk
1
mendapatkan nilai umur ditunjukkan pada ℎ ( ) = × (65% × )(7)
4 Tabel 2.
1
(8) ( ) = × (15% × )
4 Tabel 2. Nilai Usia
1
(9) ( ) = × (20% × )
Usia Nilai Usia (NU)
9 40-59 tahun -5% 60-69 tahun -10%
Pada ibu hamil penderita hipertensi
≥70 tahun -20%
mengikuti diet rendah garam 3 dengan kebutuhan natrium sebesar 1000-1200 mg/hari. Menghitung kalori usia menggunakan
Terdapat tambahan kebutuhan karbohidrat, Persamaan (4). protein, dan lemak pada ibu hamil berdasarkan
(4) = × Tabel 5.
3. Aktivitas
Kalori aktivitas dihitung menggunakan
Tabel 5. Tambahan Kebutuhan Gizi Ibu Hamil Persamaan (5).
Usia Karbohidrat Protein Lemak
(5) = × Kehamilan (gr) (gr) (gr)
0-12 minggu +25 +20 +6
NA adalah nilai aktivitas berdasarkan jenis
13-27 pekerjaan yang ditunjukkan pada Tabel 3.
- 40 +20 +10 minggu 28-40 Tabel 3. Nilai Aktivitas Fisik +40 +20 +10 minggu
Nilai Aktivitas Kategori Pekerjaan (NA)
2.1. Algoritme Genetika
- 0.1 Istirahat
Algoritme genetika merupakan algoritme
Pegawai kantor, pegawai toko, ahli
yang menerapkan evolusi alamiah, banyak
0.2 Ringan hukum, ibu rumah
dimanfaatkan dalam menyelesaikan tangga. permasalahan kompleks bermacam-macam
Pegawai di industri
variabel. Algoritme genetika diawali dengan
ringan, mahasiswa,
0.3 Sedang
sejumlah solusi disebut populasi dan disusun
militer yang sedang tidak perang.
menjadi individu. Populasi tersebut
Petani, buruh, militer
mengandung solusi-solusi yang diambil untuk
0.4 Berat dalam keadaan
membentuk populasi baru yang diharapkan lebih latihan, penari, atlit. baik dari sebelumnya (Sari, et al., 2014).
Tukang becak, Sangat
Individu terbaik ditunjukkan oleh nilai
0.5 tukang gali, pandai Berat besi. fitness yang besar. Nilai fitness pada algoritme
genetika mencerminkan solusi terbaik dari 4. Usia Kehamilan permasalahan. Permasalahan optimasi bersifat 2.
Perhitungan gizi ibu hamil oleh sistem kompleks atau sulit dibangun dapat diselesaikan berdasarkan parameter input. Hasil berupa dengan algoritme genetika (Mahmudy, 2015). banyaknya kebutuhan kalori, karbohidrat, protein, lemak, dan natrium harian.
3. PERANCANGAN DAN 3.
Inisialisasi populasi awal secara acak
IMPLEMENTASI
sebagai calon solusi dari permasalahan Tahapan pada algoritme genetika dimulai sebanyak popsize yang ditentukan. dengan inisialisasi parameter input yang terdiri 4.
Proses reproduksi crossover untuk dari data ibu hamil dan operator algoritme menghasilkan offspring menggunakan genetika, kemudian inisialisasi populasi awal, metode extended intermediate crossover. reproduksi, evaluasi dan seleksi. Diagram alir proses algoritme genetika dapat dilihat pada
5. Proses reproduksi mutasi pada induk Gambar 1. terpilih berdasarkan nilai mr untuk menghasilkan offspring dengan menggunakan metode random mutation.
6. Proses evaluasi yaitu menghitung nilai fitness masing-masing individu.
7. Melakukan seleksi menggunakan metode
elitism. Diambil individu dengan nilai
fitness tertinggi sejumlah popsize untuk digunakan pada generasi selanjutnya.
3.1. Data Penelitian
Data yang digunakan pada penelitian antara lain:
1. Data ibu hamil penderita hipertesi berasal dari Bidan Praktek Swasta Mojokerto.
2. Data makanan yang dioptimasi disusun bersama ahli gizi RS. Saiful Anwar Malang bernama Nawangsari L. menggunakan program nutrisurvey.
3.2. Inisialisasi Parameter
Terdapat dua proses insialisasi parameter awal yang dilakukan yaitu parameter data ibu hamil dan parameter algoritme genetika. Parameter data ibu hamil terdiri dari nama, usia ibu hamil, usia kehamilan, tinggi badan, berat badan, dan aktivitas. Parameter algoritme genetika terdiri dari generasi, popsize, crossover
(cr) dan mutation rate (mr). Kemudian
rate
dihitung kebutuhan energi harian dan kebutuhan gizi ibu hamil. Contoh permasalahan dengan parameter input ibu hamil hipertensi sebagai berikut:
: Y Nama : 28 tahun
Gambar 1. Diagram Alir Algoritme Genetika Usia
Berdasarkan Gambar 1 langkah-langkah Usia kehamilan : 8 minggu algoritme genetika pada penelitian ini adalah
: 156 cm Tinggi badan sebagai berikut:
: 50 kg Berat badan 1.
Memasukkan parameter input data ibu : Ringan
Aktivitas hamil, dan parameter algoritme genetika. Contoh parameter algoritme genetika yang 20% × 1692
= ( ) + 6 = 43.6 digunakan adalah sebagai berikut:
9 : 2
Generasi Pada ibu hamil dengan hipertensi kebutuhan : 3
Popsize natrium harian mengikuti diet rendah garam 3 Crossover rate : 0.6 yaitu sebesar 1000-1200 mg/hari
: 0.3 Mutation rate
3.3. Representasi Kromosom
Kemudian menghitung kalori harian ibu hamil yang diawali dengan menghitung BBI Penelitian ini menggunakan representasi menggunakan Persamaan (1). kromosom bilangan integer berisi id makanan yang akan dikonsumsi. Satu kromosom tersusun atas 105 gen yang terbagi dalam 7 hari makan. = 90% × (156 − 100) × 1 = 50.4
Terdapat 15 gen penyusun kromosom dalam satu Selanjutnya menghitung AMB hari makan, yang dibagi dalam 3 kali waktu menggunakan Persamaan (2). makan yaitu makan pagi, makan siang dan makan malam. Masing-masing 5 gen penyusun
= 50.4 × 25 = 1260 dalam satu kali makan terdiri dari sumber karbohidrat, protein hewani, protein nabati, Setelah mendapatkan nilai AMB sayuran dan buah-buahan. Contoh representasi selanjutnya menghitung kalori berat, kalori usia, kromosom dapat dilihat pada Tabel 6. dan kalori aktivitas menggunakan Persamaan (3) sampai (5).
Tabel 6. Representasi Kromosom P
Pagi
= 0% × 1260 = 0
K Ph Pn S B
5
21
7
9
5
= 0 × 1260 = 0
Siang
= 20% × 1260
Hari ke-1 K Ph Pn S B
= 252
17
15
12
18
7 Malam K Ph Pn S B
Kemudian menentukan nilai kalori
6
14
16
2
15
kehamilan, berdasarkan Tabel 4 dan usia
Pagi kehamilan yang ditentukan. K Ph Pn S B
4
18
12
2
17
= 180
Siang K Ph Pn S B Hari ke-2
Total kalori harian yang dibutuhkan dapat
18
16
15
3
7 Malam dihitung menggunakan Persamaan (6). K Ph Pn S B
1
13
1
1
20
= 1260 + 0 + 0 + 252 + 0 + 180 = 1692
Keterangan: K= sumber karbohidrat
Setelah mendapatkan nilai kalori Ph = protein hewani selanjutnya menghitung kebutuhan gizi Pn = protein nabati karbohidrat, protein, dan lemak, menggunakan S = sayuran Persamaan (7) sampai (9).
B = buah-buahan 65% × 1692
3.4. Perhitungan Nilai Fitness
ℎ = ( ) + 25
4 Perhitungan nilai fitness dilakukan dengan
= 299.95 menjumlahkan hasil bagi konstanta dengan 15% × 1692 penalti masing-masing gizi kemudian ditambah
= ( ) + 20 dengan konstanta dibagi jumlah harga dan 4 ditambah dengan hasil kali konstanta dan variasi.
= 83.45 Penalti yang digunakan terdiri dari penalti kalori, penalti, karbohidrat, penalti protein, penalti
- 6 ∑ ℎ + .
1
1
1
1
1 Hari ke-2 Pagi K Ph Pn S B
1
1
1
1
17 Siang K Ph Pn S B
1
1
1
1 Malam K Ph Pn S B
1 Malam K Ph Pn S B
1
1
1
1
1 Berdasarkan Tabel 7 dapat dilihat total
variasi adalah 30 sehingga dapat dihitung nilai fitness menggunakan Persamaan (10). =
1 1+633.7
3.5. Crossover
Metode crossover yang digunakan adalah
extended intermediate crossover dengan
langkah-langkah sebagai berikut: 1.
Menentukan jumlah offspring yang dihasilkan
2. Memilih dua buah induk secara acak 3.
1
1
- 1 1+42.9
- 50 1+16.6
- 10 1+37.1
- 50 1+1445 >100 8
- (5 × 30) = 153.426
ℎ = |299.95 − 268.6|
lemak, dan penalti natrium. Perhitungan fitness menggunakan Persamaan (10) dengan C1 adalah konstanta untuk kalori, C2 adalah konstanta untuk karbohidrat, C3 adalah konstanta untuk protein, C4 adalah konstanta untuk lemak, C5 adalah konstanta untuk natrium, C6 adalah konstanta untuk harga dan C adalah konstanta untuk variasi.
=
1 1 + ∑ + 2 1 + ∑ +
3 1 + ∑ + 4 1 + ∑ +
5 1+∑
(10) Keterangan: PK = Penalti kalori PKb = penalti karbohidrat PP = penalti protein PL = penalti lemak PN = penalti natrium V = total variasi
Berdasarkan representasi kromosom pada Tabel 6 didapatkan total kandungan gizi sebagai berikut:
Hari ke-1 Total kalori = 1978.2 kkal Total karbohidrat = 268.6 gr Total protein = 77.8 gr Total lemak = 64.6 gr Total natrium = 285.1 mg
Hari ke-2 Total kalori = 2039.5 kkal Total karbohidrat = 311.5 gr Total protein = 72.5 gr Total lemak = 59.7 gr Total natrium = 269.6 mg
Kemudian menghitung penalti masing- masing gizi sebagai berikut: Hari ke-1
= |1692 − 1978.2| = 286.2
= 31.35 = |83.45 − 77.8| = 5.65 = |43.6 − 64.6| = 21 = |1000 − 285.1| = 714.9
1
Hari ke-2 = |1692 − 2039.5|
= 347.5 ℎ
= |299.95 − 311.5| = 11.55 = |83.45 − 72.5| = 10.95 = |43.6 − 59.7|
= 16.1 = |1000 − 269.6| = 730.4 Selanjutnya menghitung variasi makanan yang ditunjukkan pada Tabel 7.
Tabel 7. Variasi Makanan P Hari ke-1
Pagi K Ph Pn S B
1
1
1
1
1 Siang K Ph Pn S B
1
1
Membangkitkan nilai sebanyak panjang kromosom secara acak
4.
3. Menentukan nilai setiap gen offspring hasil Menentukan nilai maksimum dan
crossover menggunakan Persamaan (11)
minimum induk terpilih dan (12) dengan C1 dan C2 merupakan
4. Membangkitkan nilai secara acak
offspring yang dihasilkan, P1 dan P2 5.
Menentukan nilai setiap gen offspring hasil crossover menggunakan Persamaan merupakan dua induk crossover.
(13) dengan C merupakan individu 1 = 1 + ( 2 − 1) (11)
offspring yang dihasikan dan P
2 = 2 + ( 1 − 2) (12) merupakan induk mutasi. Pada contoh permasalahan dapat dihitung
= + × ( − ) (13) jumlah offspring yang dihasilkan yaitu 0.6 ×
Pada contoh permasalahan dapat dihitung 3 = 1.8 ( 2). Kemudian memilih dua induk secara acak ditunjukkan pada jumlah offspring yang dihasilkan yaitu
0.3 × Tabel 8. 3 = 0.9 ( 1). Kemudian memilih satu induk secara acak ditunjukkan
Tabel 8. Induk Crossover pada Tabel 11. Individu Kromosom
5
21
7
9
5 Tabel 11. Induk Mutasi P1
17
15
12
18
7 Individu Kromosom
6
14
16
2
15
4
2
4
4
15
9
1
9
15
9 P
17
11
3
7
17 P2
9
9
12
9
2
5
23
5
17
16
15
1
3
1
4 Dengan menggunakan nilai r = 0.2 dapat
Selanjutnya membangkitkan nilai secara dihitung nilai setiap gen offspring menggunakan acak seperti pada Tabel 9.
Persamaan (13). Offspring hasil mutasi ditunjukkan pada Tabel 12.
Tabel 9. Nilai Alpha
0.3
0.5
0.6
0.9
0.1
− 1 = 4 + 0.2(23 − 2)
0.3
0.6
0.3
0.6
0.7
= 8.4 (dibulatkan menjadi 8)
0.6
0.5
0.1
0.2
0.1 Tabel 12. Offspring Hasil Mutasi
Dengan menggunakan Persamaan (11) dan
Individu Kromosom
(12) didapatkan offspring hasil crossover yang
8
6
8
8
19 ditunjukkan pada Tabel 10. C
21
15
7
11
21
9
27
9
21
20
1 − 1 = 5 + 0.3 × (9 − 5)
3.7. Seleksi
= 6.2 (dibulatkan menjadi 6) Metode seleksi yang digunakan adalah 2 − 1 = 9 + 0.3 × (5 − 9) seleksi elitisim. Seluruh individu pada populasi
= 7.8 (dibulatkan menjadi 8) awal dan individu hasil crossover dan mutasi
Tabel 10. Offspring Hasil Crossover
digabungkan menjadi satu populasi. Populasi
Individu Kromosom
gabungan tersebut diurutkan berdasarkan nilai
6
11
8
14
5 fitness terbesar hingga terkecil. Kemudian
C1
15
11
12
13
4
diambil individu sebanyak popsize dengan nilai
11
8
15
2
14 fitness tertinggi
8
11
8
10
9 C2
11
13
12
14
6
10
8
4
1
5 4.
PENGUJIAN DAN ANALISIS
4.1. Hasil dan Analisis Pengujian Ukuran
3.6. Mutasi Generasi
Metode mutasi yang digunakan adalah Ukuran generasi yang diuji yaitu ukuran
random mutation dengan langkah-langkah
sebagai berikut: generasi 30, 60, 90, 120, 150, 180, 210, 240, 170, 1. dan 300 dengan 10 kali uji coba pada setiap
Menentukan jumlah offspring yang ukuran generasi. Ukuran populasi yang dihasilkan 2. digunakan adalah 70 dengan nilai cr = 0.6 dan
Memilih satu buah induk secara acak
mr
populasi 10 hingga 90. Pada ukuran populasi 100 rata-rata nilai fitness tidak menunjukkan perubahan yang signifikan hal ini menunjukkan bahwa telah mengalami konvergensi. Ukuran populasi 90 dapat dianggap sebagai ukuran populasi yang optimal.
Gambar 2. Grafik Hasil Pengujian Ukuran Generasi
Pada Gambar 2 dapat dilihat rata-rata nilai
fitness tertinggi yang dihasilkan yaitu pada
ukuran generasi 240 dan rata-rata nilai fitness terendah yaitu pada ukuran generasi 30 hal ini disebabkan ukuran generasi yang kecil membatasi eksplorasi ruang pencarian sebaliknya ukuran generasi yang besar memberi peluang untuk melakukan eksplorasi ruang pencarian yang lebih besar. Rata-rata nilai fitness mengalami kenaikan pada generasi 30 hingga generasi 240 dan setelah generasi 240 rata-rata nilai fitness tidak mengalami perubahan yang signifikan, hal ini menunjukkan bahwa nilai
fitness pada generasi tersebut telah mengalami
konvergensi. Apabila pengujian ukuran generasi dilanjutkan dengan ukuran generasi lebih tinggi maka nilai fitness tidak memiliki selisih yang besar dan individu yang dihasilkan tidak berbeda jauh dengan induknya (Shafaat, et al., 2018). Berdasarkan hasil tersebut maka ukuran generasi 240 dapat dianggap optimal untuk digunakan dalam optimasi asupan makanan harian ibu hamil penderita Hipertensi.
Kombinasi nilai cr dan mr yang diuji yaitu nilai cr dan mr antara 0,1 dan 1. Setiap kombinasi nilai cr dan mr diuji sebanyak 10 kali uji coba pada setiap ukuran populasi. Kemudian hasil rata-rata nilai fitness dibandingkan untuk menentukan kombinasi nilai cr dan mr yang optimal. Grafik hasil pengujian kombinasi nilai cr dan mr ditunjukkan pada Gambar 4.
= 0.4. Berdasarkan pengujian yang dilakukan didapatkan grafik perbandingan hasil rata-rata nilai fitness yang ditunjukkan pada Gambar 2.
4.3. Hasil dan Analisis Pengujian Kombinasi Cr dan Mr
Gambar 3. Grafik Hasil Pengujian Ukuran Populasi
Gambar 3 hasil pengujian ukuran populasi menunjukkan rata-rata nilai fitness tertinggi yang dihasilkan yaitu pada ukuran populasi 90 dan rata-rata nilai fitness terendah yaitu pada ukuran populasi 10, hal ini disebabkan ukuran populasi yang besar akan menghasilkan individu yang semakin beragam melalui proses crossover dan mutasi, dan berdampak pada nilai variasi yang dihasilkan, namun ukuran populasi yang besar juga tidak menjamin akan menghasilkan nilai fitness yang tinggi dikarenakan pembangkitan populasi yang dilakukan secara acak (Kusumaningsih, 2016). Ukuran populasi yang terlalu kecil akan memperkecil peluang untuk memperoleh solusi terbaik. Rata-rata nilai
fitness mengalami kenaikan pada ukuran
4.2. Hasil dan Analisis Pengujian Ukuran Populasi
populasi yang optimal. Grafik hasil pengujian ukuran populasi ditunjukkan pada Gambar 3.
Ukuran populasi yang diuji yaitu ukuran populasi 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, dan 110 dengan 10 kali uji coba pada setiap ukuran populasi. Kemudian hasil rata-rata nilai
fitness dibandingkan untuk menentukan ukuran
Gambar 4. Grafik Hasil Pengujian Kombinasi Cr dan Mr
Melakukan perhitungan nilai fitness masing-masing individu untuk menentukan kualitas individu.
Maryamah, Putri, R. R. M. & Wicaksono, S. A., 2017. Optimasi Komposisi Makanan Pada
Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer.
Malang: Program Teknologi Informasi dan Ilmu Komputer. Mahmudy, W. F., 2015. Dasar-Dasar Algoritma
Malang: Fakultas Ilmu Komputer Universitas Brawijaya. Mahmudy, W. F., 2013. Algoritma Evolusi.
Algoritma Genetika Pada Optimasi Susunan Bahan Makanan Untuk Pemenuhan Kebutuhan Gizi Keluarga.
Kemenkes, 2014. Info Datin, Jakarta: Kementrian Kesehatan RI. Kusumaningsih, F. D., 2016. Penerapan
Campbell, P. R., 2014. Nutrition and Lifestyle for a Healthy Pregnancy Outcome. Journal of the Academy of Nutrition and Dietetics.
Ariani, A. P., 2017. Ilmu Gizi. Yogyakarta: Nuha Medika. Indriati, M. T. & Sukaca, B. E., 2015. Nutrisi Janin & Bayi. Yogyakarta: Parama Ilmu. Kaiser Lucia L. PhD, R., Davis & Christina G.
6. DAFTAR PUSTAKA
2. Kualitas hasil rekomendasi makanan sistem dapat diukur dengan menggunakan parameter algoritme genetika berdasarkan hasil pengujian antara lain ukuran generasi sebesar 240, ukuran populasi sebesar 90 dan kombinasi nilai cr dan mr adalah 0,6 dan 0,5.
Melakukan proses seleksi untuk menentukan populasi pada generasi berikutnya dan solusi terbaik.
f.
e.
Gambar 4 menunjukkan grafik peningkatan rata-rata nilai fitness pada kombinasi nilai
Melakukan proses mutasi menggunakan metode random mutation .
d.
Melakukan proses crossover menggunakan metode extended intermediate crossover.
c.
Melakukan proses inisialisasi populasi awal berdasarkan parameter algoritme genetika yang ditentukan.
b.
Melakukan perhitungan kebutuhan gizi berdasarkan parameter data ibu hamil.
adalah random mutation, dan proses seleksi menggunakan seleksi elitism. Langkah-langkah dalam melakukan optimasi adalah sebagai berikut: a.
crossover , metode mutasi yang digunakan
1. Algoritme genetika dapat diimplementasikan dalam optimasi asupan makanan harian ibu hamil penderita hipertensi dengan memberikan rekomendasi makanan untuk beberapa hari yang terdiri dari makan pagi, makan siang, dan makan malam. Representasi kromosom menggunakan representasi bilangan integer yang merepresentasikan id makanan, metode crossover yang digunakan adalah extended intermediate
Berdasarkan penelitian yang telah dilakukan didapatkan kesimpulan sebagai berikut
apabila nilai cr yang terlalu rendah dan mr yang terlalu tinggi menyebabkan Algoritme genetika memiliki kemampuan eksplorasi yang lebih besar sehingga individu yang dihasilkan lebih beragam, dan sebaliknya nilai cr yang terlalu tinggi dan mr yang terlalu rendah menyebabkan algoritme genetika memiliki tingkat eksploitasi yang besar sehingga individu yang terbentuk cenderung mirip dengan induknya dengan nilai fitness yang cenderung menurun serta membatasi eksplorasi terhadap individu yang lainnya (Siahaan, et al., 2017). Berdasarkan hasil pengujian kombinasi nilai cr dan mr optimal yang dapat digunakan adalah cr=0,6 dan mr=0,5.
cr= 0.1 dan mr=1 sampai dengan kombinasi nilai cr =0.6 dan mr=0.5. Hasil tersebut menunjukkan
5. KESIMPULAN
Penderita Diabetes Melitus dan Siahaan, E. J. I., Cholissodin, I. & Fauzi, M. A., Komplikasinya Menggunakan Algoritma 2017. Sistem Rekomendasi Bahan Genetika. Jurnal Pengembangan Teknologi Makanan Bagi Penderita Penyakit Jantung
Inormasi dan Ilmu Komputer, pp. 270-281. Menggunakan Algoritma Genetika. Jurnal
Moehji, S., 2017. Dasar-Dasar Ilmu Gizi 2. Pengembangan Teknologi Informasi dan Jakarta: Pustaka Kemang. Ilmu Komputer, Volume I, pp. 1406-1415. Pregnancy, A. C. o. O. a. G. T. F. o. H. i., 2013. Tarmizi, T., 2017. Antara News. [Online]
Hypertention in Pregnancy. s.l.:s.n. Available at:
Putri, R. R. A., Furqon, M. T. & Wihandika, R. https://www.antaranews.com/berita/65085
C., 2018. Optimasi Komposisi Menu 5/hipertensi-penyebab-dominan-kematian- Makanan Bagi Penderita Tekanan Darah ibu-melahirkan Tinggi Menggunakan Algoritme Genetika [Diakses 17 September 2017].
Adaptif. Jurnal Pengembangan Teknologi Wahid, N. & Mahmudy, W. F., 2015. Optimasi
Informasi dan Ilmu Komputer, pp. 515-522. Komposisi Makanan Untuk Penderita
Sari, A. P., Mahmudy, W. F. & Dewi, C., 2014. Kolesterol Menggunakan Algoritma Optimasi Asupan Gizi Ibu Hamil Dengan Genetika. DORO:Repository Jurnal Menggunakan Algoritma Genetika. Mahasiswa PTIIK Universitas Brawijaya.
DORO:Repository Jurnal Mahasiswa WHO, 2005. The World Health Report 2005 PTIIK Universitas Brawijaya. Make every mother and child count,
Shafaat, M., Cholissodin, I. & Santoso, E., 2018. Geneva: WHO Press.
Optimasi Komposisi Makanan Diet Bagi Penderita Hipertensi menggunakan Algoritme Genetika. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer, pp. 226-236.