Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 2, No. 7, Juli 2018, hlm. 2760-2769
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi
Kronis (KEK) Menggunakan Algoritme Genetika
Ika Oktaviandita1, Imam Cholissodin2, Putra Pandu Adikara3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Unversitas Brawijaya
Email: [email protected], [email protected], [email protected]
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 ratarata 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
1.
pematangan dan penyempurnaan sehingga ibu
hamil disarankan untuk menjaga kecukupan gizi
terutama energi dan protein (Dinkes, 2015).
Asupan energi dan protein yang tidak
mencukupi akan menyebabkan ibu hamil
berisiko mengalami Kurang Energi Kronis
(KEK). Wanita hamil dikatakan Kurang Energi
Kronis (KEK) jika ukuran lingkar lengan atas
PENDAHULUAN
Saat hamil kondisi fisiologis ibu mengalami
perubahan. Pada trimester I akan terjadi
pembentukan dan perkembangan beberapa
organ vital serta pembentukan kepala dan sel-sel
otak janin. Kemudian di trimester II dan III
semua fungsi organ pada janin akan mengalami
Fakultas Ilmu Komputer
Universitas Brawijaya
2760
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
(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
Fakultas Ilmu Komputer, Universitas Brawijaya
2761
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
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
makanan dalam jumlah cukup atau nilai gizinya
kurang yang dapat berlangsung pada wanita usia
subur (WUS) dan wanita yang sedang hamil
(Lubis, 2015). Ibu hamil dapat mengalami
Kurang Energi Kronis (KEK) biasanya karena
sejak sebelum hamil ibu telah kekurangan energi
sedangkan saat masa kehamilan dibutuhkan
lebih banyak energi. Kehamilan menyebabkan
metabolisme energi meningkat sehingga
dibituhkan lebih banyak energi dan zat gizi
lainnya yang dibutuhkan dalam pertumbuhan
dan perkembangan janin, organ kandungan yang
bertambah besar, persiapan ibu melahirkan dan
menyusui,
perubahan
komposisi
dan
metabolisme tubuh ibu (Sari, et al., 2011).
Kurang Energi Kronis (KEK) pada ibu
hamil dapat mengakibatkan ibu terus menerus
merasa letih, sering kesemutan, muka terlihat
pucat, akan mengalami kesulitan saat
melahirkan, dan ASI pada ibu setelah
melahirkan tidak cukup untuk memenuhi
kebutuhan bayi. Selain itu Kurang Energi Kronis
(KEK) juga berdampak buruk bagi janin yang
sedang dikandung. Kurang Energi Kronis (KEK)
dapat menyebabkan terganggunya pertumbuhan
janin, bayi berat lahir rendah (BBLR),
perkembangan otak janin terhambat sehingga
dapat menyebabkan bayi lahir prematur, serta
dapat menyebabkan kematian pada bayi (Lubis,
2015). Menurut Departemen Kesehatan RI tahun
1996, risiko Kurang Energi Kronis (KEK) dapat
dapat diketahui dengan mengukur lingkar lengan
atas (LILA) jika < 23,5 cm. Selain menggunakan
LILA (Ariyani, 2012).
2762
(Total Kebutuhan Energi)
TEE KEK : TEE pada ibu hamil penderita
kurang energi
BEE
: Basal Energy Expenditure
(Kebutuhan Energi Basal)
BB: Berat Badan (digunakan berat badan
yang tertimbang saat ini)
TB : Tinggi Badan
U : Usia
KF : Kegiatan Fisik
NKF
: Nilai Kegiatan Fisik
FIT
: Food Induced Thermogenesis
T : Trimester
Kegiatan fisik ibu hamil dibagi menjadi
kegiatan sangat ringan, ringan, sedang, dan
berat. Tabel 1 menjelaskan kegiatan fisik ibu
hamil.
Tabel 1. Kegiatan Fisik
No
Kegiatan
Fisik
Nilai
1
Sangat
ringan
10%
Duduk, berdiri, mengecat,
menyetir, mengetik,
menjahit, menyetrika,
memasak
2
Ringan
20%
Ibu rumah tangga
3
Sedang
30%
Mengangkat beban,
bersepeda, berdagang
4
Berat
40%
Berjalan dengan beban
berat
Keterangan
Sumber: Darusman (2016)
Nilai Food Induced Thermogenesis (FIT)
dapat dilihat pada Tabel 2.
2.2 Perhitungan Kebutuhan Gizi
Tabel 2. Food Induced Thermogenesis (FIT)
Untuk menghitung kebutuhan energi dapat
digunakan metode Harris Benedict seperti dalam
persamaan (1) sampai (3) (Darusman, 2016):
No
𝐵𝐸𝐸 = 655 + (9,6 × 𝐵𝐵) + (1,4 × 𝑇𝐵) −
(4,7 × 𝑈)
(1)
Minggu
Bulan
Trimester
Nilai
1
1-12
1-3
Trimester 1
10%
2
13-24
4-6
Trimester 2
20%
3
25-36
7-9
Trimester 3
30%
𝐾𝐹 = 𝑁𝐾𝐹 × 𝐵𝐸𝐸
(2)
Sumber: Darusman (2016)
𝐹𝐼𝑇 = 𝑇 × (𝐵𝐸𝐸 + 𝐾𝐹)
(3)
Persentase makan pagi sebanyak 25% dari
total TEE KEK, makan siang adalah 25% dari
total TEE KEK, dan makan malam sebanyak
20% dari TEE KEK (Kristiyanasari, 2010).
Kebutuhan karbohidrat = 60% dari TEE
KEK. Kebutuhan protein = 12% dari TEE KEK.
Kebutuhan lemak = 25% dari TEE KEK.
Selanjutnya untuk menghitung kebutuhan
energi menggunakan persamaan (4).
𝑇𝐸𝐸 = 𝐵𝐸𝐸 + 𝐾𝐹 + 𝐹𝐼𝑇
(4)
Kebutuhan energi ibu hamil KEK dapat
dihitung dengan persamaan (5).
𝑇𝐸𝐸 𝐾𝐸𝐾 = 𝑇𝐸𝐸 + 360
Keterangan:
TEE
(5)
: Total Energy Expenditure
Fakultas Ilmu Komputer, Universitas Brawijaya
3.
ALGORITME GENETIKA
Proses awal dalam algoritme genetika
adalah inisialisasi yang mana pada proses ini
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
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
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).
Tahapan
penyelesaian
masalah
menggunakan algoritme genetika dijelaskan
Gambar 1.
2763
representasi kromosom pantas untuk suatu
permasalahan, maka bentuk kromosom yang
digunakan menyesuaikan dengan permasalahan
yang akan diselesaikan (Mahmudy, 2013).
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
3.2 Inisialisasi Populasi Awal
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.
3.3 Reproduksi
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).
a.
Crossover
Pada proses Crossover harus ditentukan
lebih dulu nilai probabilitas crossover (Pc) atau
Crossover rate (Cr). Nilai offspring yang
dihasilkan adalah sebanyak Cr×popSize.
Terdapat beberapa metode dalam proses
crossover, salah satunya adalah metode one cut
point yang digunakan dalam representasi
bilangan biner dan permutasi (Mahmudy, 2013).
Contoh proses one-cut-point Crossover
ditunjukkan oleh Tabel 3.
Tabel 3. Contoh Proses Crossover
Gambar 1. Diagram Alir Algoritme Genetika
3.1 Representasi Kromosom
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
Fakultas Ilmu Komputer, Universitas Brawijaya
P
2
P
3
1
2
3
7
C
1
C
2
1
2
3
7
b.
8
1
1
8
1
1
2
9
3
1
1
5
2
3
5
2
3
2
2
8
2
4
3
5
2
4
2
9
3
1
1
5
2
3
5
2
3
2
2
4
2
8
2
4
3
5
4
1
7
4
1
7
3
0
4
1
2
2
2
7
4
7
5
0
4
2
4
8
1
0
2
8
5
3
1
0
3
0
4
1
2
2
2
7
4
7
5
0
4
2
4
8
1
0
2
8
1
0
5
3
9
2
6
2
6
9
Mutasi
Metode mutasi yang biasa digunakan pada
representasi kromosom permutasi yaitu
reciprocal exchange mutation dan insertion
mutation. Penelitian ini menggunakan metode
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2764
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
fitness dapat dicari dengan persamaan 7.
𝑓 = 𝑓(𝑥)
𝑓=
1
𝑓(𝑥)
×𝐶
Keterangan:
f = nilai fitness
C = konstanta
pembagian nol
untuk
(6)
4.1 Studi Literatur
(7)
Studi
literatur
dibutuhkan
untuk
mempelajari serta menjelaskan dasar teori dan
kajian pada buku maupun hasil penelitian
sebelumnya
dalam
melakukan
langkah
selanjutnya.
menghindari
3.5 Seleksi
Proses
seleksi merupakan
tahapan
menentukan individu mana yang tetap bertahan
dan digunakan pada generasi setelahnya.
Terdapat beberapa metode dalam proses seleksi
yaitu binary tournament, elitism, dan roulette
wheel (Mahmudy, 2013).
4.
METODOLOGI PENELITIAN
Penelitian ini dimulai dari mencari studi
literatur, mengumpulkan data, melakukan
analisis dan merancang sistem, membuat
implementasi, melakukan uji coba sistem dan
memberikan kesimpulan. Tahapan atau alur
metode penelitian akan diuraikan pada Gambar
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 3. Diagram Alur Penelitian
4.2 Pengumpulan Data
Cara yang dilakukan untuk mengumpulkan
data yang dibutuhkan adalah dengan melakukan
studi literatur dan survei langsung. Berikut data
yang diperlukan untuk penelitian ini:
1. Daftar bahan makanan penukar
2. Daftar harga bahan makanan di daerah
Malang yang didapat dengan melakukan
survei
3. Data ibu hamil KEK didapat dari Bidan
Praktik Swasta (BPS) di Desa Banyuates
Kabupaten Sampang
4.3 Analisis dan Perancangan Sistem
Analisis kebutuhan sistem dilakukan untuk
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:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1.
2.
3.
Sistem dapat menampilkan susunan bahan
makanan sesuai kebutuhan ibu hamil
Kurang Energi Kronis (KEK) dengan harga
minimum
Sistem bisa melakukan input dan
menampilkan parameter umur, usia
kandungan, berat badan, tinggi badan,
aktivitas, dan lingkar lengan atas (LILA)
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).
2765
5.1 Hasil
dan
Analisis
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.
4.4 Implementasi
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.
4.5 Pengujian Sistem
Setelah proses implementasi, selanjutnya
akan dilakukan pengujian sistem. Pada tahap ini
akan dilakukan pengamatan terhadap kestabilan
fitness yang diperoleh sistem. Parameter yang
akan diuji dalam pengujian sistem ialah:
1. Jumlah populasi;
2. Kombinasi Crossover rate (Cr) dan
mutation rate (Mr);
3. Banyaknya generasi.
4.6 Kesimpulan
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.
5.
HASIL DAN PEMBAHASAN
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 4. Grafik Hasil Pengujian Berdasarkan
Jumlah Populasi
Pengujian ini menghasilkan rata-rata nilai
fitness tertinggi pada jumlah populasi ke-100
dengan rata-rata nilai fitness sebesar 17,744.
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).
5.2 Hasil
dan
Analisis
Pengujian
Berdasarkan Kombinasi Nilai Cr dan Mr
Pengujian berdasarkan kombinasi nilai Cr
dan Mr dilakukan untuk mengetahui pengaruh
kedua parameter tersebut terhadap rata-rata nilai
fitness yang dihasilkan. Pada pengujian ini, nilai
Cr dimulai dari angka 0,1 sampai 0,9 dan nilai
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Mr dimulai dari 0,9 sampai 0,1. Pengujian
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.
2766
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-nya. Parameter yang digunakan adalah
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.
Gambar 5. Hasil Pengujian Berdasarkan Kombinasi
Nilai Cr dan Mr
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
Mr terlalu kecil juga dapat membuat algoritme
genetika bekerja tidak optimal sehingga saat
melakukan proses eksplorasi pada ruang
pencarian tidak dilakukan secara efektif
(Mahmudy, 2013).
5.3 Hasil dan Analisis Pengujian
Berdasarkan Jumlah Generasi
Pengujian yang dilakukan berdasarkan
jumlah generasi dilakukan untuk mengetahui
pengaruh jumlah generasi terhadap rata-rata nilai
fitness. Dalam penelitian ini dilakukan pengujian
terhadap 10 generasi dimulai dari jumlah
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 6. Grafik Hasil Pengujian Berdasarkan
Jumlah Generasi
Hasil pengujian berdasarkan jumlah
generasi yang ditunjukkan pada Tabel 6.3 dan
Gambar 6.3 diperoleh rata-rata nilai fitness
tertinggi sebesar 17,962 pada jumlah generasi
100. Gambar 6.3 juga menunjukkan adanya ratarata 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
fitness 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.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 7. Grafik Hasil Pengujian Konvergensi
6. KESIMPULAN
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.
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.
2767
Baliwati, Y. F. & Martianto, D., 2012. Konsumsi
Pangan 3B-Beragam, Bergizi Seimbang
(Produk-produk
pekarangan
yang
mendukung
3B).
Jakarta:
Pusat
Penganekaragaman
Konsumsi
dan
Keamanan Pangan Badan Ketahanan
Pangan Kementrian Pertanian.
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.
Darusman, I., 2016. Sistem Informasi
Pemenuhan Nutrisi pada Masa Kehamilan
Menggunakan Metode Harris Benedict.
Kediri: Fakultas Teknik. Universitas
Nusantara Persatuan Guru Republik
Indonesia.
Departemen Kesehatan RI, 1994. Penggunaan
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.
DAFTAR PUSTAKA
Dinas Kesehatan Kabupaten Pasuruan, 2015.
Gizi Seimbang untuk Ibu Hamil. Pasuruan:
Dinas Kesehatan Kabupaten Pasuruan.
Afandie, M. N., 2013. Implementasi Metode KNearest Neighbor untuk Pendukung
Keputusan Pemilihan Menu Makanan
Sehat dan Bergizi. Malang: Fakultas Ilmu
Komputer. Universitas Brawijaya.
Eliantara, F., 2016. Implementasi Algoritme
Particle Swarm Optimization untuk
Optimasi Pemenuhan Kebutuhan Gizi
Keluarga.
Malang:
Fakultas
Ilmu
Komputer. Unversitas Brawijaya.
Ariyani, D. E., 2012. Validitas Ukuran Lingkar
Lengan Atas Terhadap Indeks Massa Tubuh
dalam Mendeteksi Risiko Kekurangan
Energi Kronis pada Wanita (20-45 Tahun)
di Indonesia. Depok: Fakultas Kesehatan
Masyarakat. Program Studi Ilmu Gizi.
Universitas Indonesia.
Fathonah, S., 2016. Gizi dan Kesehatan untuk
Ibu Hamil. Jakarta Timur: Erlangga.
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.
Fakultas Ilmu Komputer, Universitas Brawijaya
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.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Kementerian Kesehatan RI, 1994. Penggunaan
Alat Ukur Lingkar Lengan Atas (LILA)
pada Wanita Usia Subur (WUS). Jakarta:
Kementerian Kesehatan RI.
Kementerian Kesehatan RI, 2010. Pedoman Gizi
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).
Kuswanti, I., 2014. Asuhan
Yogyakarta: Pustaka Pelajar.
Kehamilan.
Lean, M. E. J., 2013. Ilmu Pangan, Gizi &
Kesehatan. Yogyakarta: Pustaka Pelajar.
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
Kesehatan RI No. 75 tahun 2013 tentang
Angka Kecukupan Gizi yang dianjurkan
bagi Bangsa Indonesia. Jakarta: Menteri
Kesehatan RI.
Fakultas Ilmu Komputer, Universitas Brawijaya
2768
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.
40-62.
Muslihatun, 2009. Dokumentasi Kebidanan.
Yogyakarta: Fitramaya.
Nirwana, A. B., 2011. Kapita Selekta
Kehamilan. Yogyakarta: Nuha Medika.
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.
Sari, A. P., Mahmudy, W. F. & Dewi, C., 2014.
Optimasi Asupan Gizi Pada Ibu Hamil
dengan Menggunakan Algoritme Genetika.
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
Mahaswa PTIIK Universitas Brawijaya,
8(24).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
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
Kehamilan. Yogyakarta: Pustaka Baru
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).
Fakultas Ilmu Komputer, Universitas Brawijaya
2769