Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya 4869

Optimasi Kombinasi Bahan Makanan untuk Meningkatkan Imunitas dan Pencegahan Dini Tertular Covid-19 pada Usia Dewasa Muda menggunakan

Algoritma Genetika

Anggi Novita Sari¹, Imam Chollisodin², Bayu Rahayudi³

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Pandemi Covid-19 adalah virus baru yang menyerang imunitas tubuh, berbagai langkah dan upaya telah dilakukan untuk mencegah penularan virus tersebut. Permasalahan yang dialami yakni penyebaran Covid-19 sangat cepat, kurang olahraga dan tingkat stres yang tinggi dapat melemahkan imunitas tubuh, dan pola makan yang kurang baik dapat memperburuk imun tubuh. Serta belum adanya sistem berbasis komputer untuk menentukan kombinasi bahan makanan sebagai bentuk pencegahan dini tertular Covid- 19. Kemenkes memberikan himbauan pemenuhan gizi seimbang untuk peningkatan imunitas tubuh sehingga dapat mengurangi resiko dari penyakit kronis dan infeksi dengan gizi optimal dapat membangun atau memperbaiki imunitas tubuh agar bekerja dengan baik. Dalam menyelesaikan permasalahan optimasi dapat menggunakan algoritma genetika, yang efektif dalam menyelesaikan permasalahan optimasi dengan variasi kromosom diperoleh melalui dasar evolusi biologis dengan ruang pencarian yang luas, sehingga tidak terjebak dalam optimum local. Dalam penelitian ini memberikan hasil rekomendasi bahan makanan yang dapat dikonsumsi selama 2 hari dan dikonsultasikan dengan pakar ahli gizi. Berdasarkan pengujian diperoleh hasil yang paling optimal dengan kombinasi dari nilai cr 0,3 dan mr 0,7 dengan rata-rata nilai fitness 0,848, ukuran populasi 160 dengan rata-rata nilai fitness 0,917, serta jumlah generasi 241 dengan rata-rata nilai fitness 1,076. Dan dapat menghemat biaya pengeluaran sebesar 33% dalam sehari dengan rata-rata biaya Rp26.800 pada laki-laki dan 42% pada perempuan dengan rata-rata biaya Rp23.350.

Kata kunci: optimasi, algoritma genetika, covid-19, bahan makanan Abstract

The Covid-19 pandemic is a new virus that attacks the body's immunity, various steps and efforts have been made to prevent transmission of the virus. The problems experienced are that the spread of Covid- 19 is very fast, lack of exercise and high stress levels can weaken the body's immunity, and a poor diet can worsen the body's immunity. And there is no computer-based system to determine the combination of food ingredients as a form of early prevention of contracting Covid-19. The Ministry of Health provides an appeal for the fulfillment of balanced nutrition to increase body immunity so that it can reduce the risk of chronic diseases and infections with optimal nutrition to build or improve the body's immunity to work properly. In solving optimization problems, genetic algorithms can be used, which are effective in solving optimization problems with chromosomal variations obtained through the basis of biological evolution with a wide search space, so that they are not trapped in the local optimum. This study provides recommendations for food ingredients that can be consumed for 2 days and in consultation with nutritionists. Based on the test, the most optimal results are obtained with a combination of the values of cr 0,3 and mr 0,7 with an average fitness value of 0,848, a population size of 160 with an average fitness value of 0,917, and the number of generations 241 with an average fitness value of 1,076. And can save expenses by 33% in a day with an average cost of Rp26.800 for men and 42% for women with an average cost of Rp23.350.

Keywords: optimization, genetic algorithm, covid-19, food ingredients

(2)

1. PENDAHULUAN

Pandemi Coronavirus Disease (Covid-19) merupakan virus baru yang terjadi di kota Wuhan, pada provinsi Hubei, Cina. Saat ini dunia dalam keadaan darurat global karena penyebaran virus tersebut begitu cepat. Hingga pada tanggal 2 Maret 2020 terdapat kasus pertama Covid-19 di Indonesia (Djalante et al., 2020). Berdasarkan informasi dari situs resmi Covid-19 di Indonesia tercatat 1.594.722 kasus terkonfirmasi, 1.444.229 penderita yang sembuh, 43.196 meninggal, dan 107.297 kasus aktif. Data tersebut dihitung dari awal kasus terkonfirmasi hingga tanggal 17 April 2021 (“Peta Sebaran | Covid19.go.id”, n.d.).

Wawancara ahli gizi dilakukan pada tanggal 24 Februari 2021 dengan narasumber Nanda Putri Priasnawati, A.Md. Gz, menjelaskan bahwa semua orang dengan berbagai usia berpotensi terjangkit dan tidak hanya usia lanjut yang dapat terkena Covid-19.

Usia muda dengan imunitas tubuh yang baik, tidak menutup kemungkinan terpapar dan dapat menjadi sumber penyebaran tanpa gejala yang dapat menularkan kepada keluarga.

Usia dewasa muda mengalami perubahan gaya hidup, makan secara tidak teratur, mengonsumsi makanan secara berlebihan, tingginya tekanan dari lingkungan, kurang berolahraga, dan tingginya tekanan dari tempat kerja yang dapat meningkatkan stres sehingga mempengaruhi pola makan (Pitasari, Damayanti, dan Lestari, 2017).

Wawancara ahli gizi dilakukan pada tanggal 15 Februari 2021 dengan narasumber Hafrin Ilmi Diniyah, S. Gz, menjelaskan peningkatan imunitas tubuh membuat sistem antibodi semakin kuat dalam melawan virus yang menyerang. Dengan konsumsi makanan gizi seimbang, yang tinggi vitamin C, Zink, protein dan mengurangi konsumsi gula dan minyak berlebih. Gizi optimal dapat membangun atau memperbaiki imunitas tubuh agar bekerja dengan baik (“DINKES - Nutrisi untuk Imunitas (Bagian I)”, 2020). Data bahan makanan dapat diperoleh dari Pedoman Gizi Seimbang (2014) sesuai dengan Peraturan Menteri Kesehatan Republik Indonesia Nomor 41 Tahun 2014 yang disesuaikan dengan kebutuhan gizi masyarakat secara umum.

Pada penelitian yang telah dilakukan oleh Taufiq, Dewi, dan Mahmudy (2017) menerapkan penggunaan algoritma genetika

dengan hasil yang didapatkan yakni rekombinasi komposisi pakan sesuai kebutuhan nutrisi sapi untuk menekan pengeluaran biaya pakan.

Dengan kualitas solusi yang dihasilkan menggunakan nilai fitness melalui perhitungan penalti nutrisi dan harga.

Dampak pandemi yang berkepanjangan menyebabkan daya beli masyarakat menurun, sehingga agar gizi tetap tercukupi dengan biaya yang terjangkau. Berdasarkan permasalahan tersebut, penelitian ini menggunakan algoritma genetika dalam menyelesaikan permasalahan.

Hasil dari penelitian ini ialah rekombinasi bahan makanan yang diharapkan dapat membantu masyarakat menentukan penyusunan bahan makanan yang sesuai kebutuhan gizi dan harga.

2. LANDASAN KEPUSTAKAAN 2.1. Gizi Seimbang

Gizi seimbang pada Pedoman Gizi Seimbang (2014) adalah pedoman dalam memilih aneka makanan yang dikonsumsi, kebersihan dan kelayakan makanan untuk mempertahankan berat badan yang ideal, dan aktivitas fisik yang dikerjakan.

2.2. Coronavirus Disease (Covid-19)

Covid-19 adalah virus baru yang penularannya melalui kontak langsung dengan orang yang telah terinfeksi. Langkah yang dilakukan untuk mengendalikan penyebaran Covid-19 dengan melakukan isolasi dan karantina secara mandiri jika hasil tes positif Covid-19 (Harapan et al., 2020).

2.3. Angka Kebutuhan Gizi (AKG)

Berdasarkan kebutuhan gizi sesuai Angka Kecukupan Gizi proses perhitungan kebutuhan gizi dilakukan dengan koreksi berat badan jika berat badan berbeda dengan berat badan yang terdapat pada Angka Kecukupan Gizi (Pitasari, Damayanti, dan Lestari, 2017). Rumus perhitungannya sebagai berikut.

Koreksi BB = BB Individu ÷ BB AKG (1) Keb.Energi = Koreksi BB × Energi AKG (2) Keb.Karbo = Koreksi BB × Karbo AKG (3) Keb.Protein = Koreksi BB × Protein AKG (4) Keb.Lemak = Koreksi BB × Lemak AKG (5) Keb.Vit C = Koreksi BB × Vit C AKG (6) 2.4. Optimasi

(3)

menemukan suatu titik atau sekumpulan titik pada ruang pencarian untuk memperoleh hasil terbaik, dibutuhkan set input yang sesuai dengan presisi terbaik sesuai dengan permasalahan (Lambora, Gupta, dan Chopra, 2019).

2.5. Algoritma Genetika

Algoritma genetika adalah algoritma yang mengadopsi tahap genetik dan seleksi alam dalam proses penyelesaian masalah (Mahmudy, 2016). Tahap penyelesaian penggunaan algoritma genetika medalam permasalahan penelitian ini sebagai berikut.

1. Tahap awal yakni inisialisasi populasi awal secara random sesuai dengan population size (Mahmudy, 2016).

2. Pada crossover menggunakan metode extended intermediate crossover, untuk menghasilkan keturunan dengan pengkodean real code (Mahmudy, 2016). Persamaan 7 dan Persamaan 8 merupakan rumus yang digunakan sebagai berikut.

C1 = P1 + a (P2-P1) (7) C2 = P2 + a (P1-P2) (8) Pada metode crossover terdapat metode lain yakni one cut point dengan mengambil 2 parent dan titik potong secara random dan ditukar isi gennya menggunakan pengkodean permutasi (Mahmudy, 2016). Misal titik potong terpilih 3 angka diakhir yakni sebagai berikut.

P1 [ 1 4 6 8 9] P2 [ 5 7 1 2 3]

C1 [ 1 4 1 2 3] C2 [ 5 7 6 8 9]

3. Proses mutasi dilakukan dengan memilih parent secara random. Jumlah keturunan diperoleh dari perkalian mutation rate (mr) dengan population size (Mahmudy, 2016).

4. Evaluasi ialah tahap penentuan nilai fitness setiap individu. Nilai fitness tertinggi berpotensi menjadi calon solusi yang akan dipilih (Mahmudy, 2016). Dalam penelitian ini sebelum menghitung nilai fitness dilakukan perhitungan kebutuhan berat, kandungan gizi sesuai kebutuhan berat, harga dan variasi dari bahan makanan.

Total. berat_i= (ba_i × porsi_j) × time_z (9) Kand. gizi_i,j=Total.berat_i

ba_i × Nilai gz_j (10) TotalKGj= ∑gzj (11)

Rata − rataKG_j=^{∑ TotalKG}_Hari ^j (12) Penalti_j= ∑ Kebutuhan gizi_j− A_j (13)

Hi=Total.berat_i

1000 × ha (14) Totalharga = ∑ H (15) Nilai Fitness = ( ¹

Penalti Gizi +1 Cons1) + (_{∑ Harga}¹ Cons2) + (^variasi

36 ÷ Cons3) (16) Penalti Gizi = |Penalti. kal| +

|Penalti. kh| +

|Penalti. pro| +

|Penalti. lemak| +

|Penalti. vitC| (17)

Pada Persamaan 16 terdapat constanta yang sebagai nilai penyeimbang agar tidak menghasilkan nilai desimal yang terlalu sedikit. Penggunaan nilai Cons1 yakni 100 dan angka 1 untuk menghindari penalti gizi 0. Penggunaan Cons2 10000, dan Cons3 100 agar nilai variasi yang dihasilkan tidak menimbulkan ketidakseimbangan. Fungsi fitness pada awalnya menggunakan acuan pada penelitian Melia et al (2019) namun pada saat diuji coba terjadi fruktuasi atau ketidak stabilan nilai yang dihasilkan, sehingga diusulkan penggunaan nilai constanta seperti Persamaan 16. Persamaan 17 digunakan sebagai perhitungan penalti gizi untuk menentukan selisih dari kebutuhan gizi dengan rata-rata masing- masing kandungan gizinya.

5. Tahap seleksi dalam penelitian ini menggunakan metode seleksi elitism, dengan mengurutkan nilai fitness tertinggi ke terendah. Individu dengan nilai fitness tertinggi akan terpilih menjadi populasi pada generasi selanjutnya sebanyak population size (Mahmudy, 2016).

3. METODE 3.1. Sumber Data

Data sumber bahan makanan diperoleh dari Peraturan Menteri Kesehatan Republik Indonesia Nomor 41 Tahun 2014 Mengenai Pedoman Gizi Seimbang yang berisi jenis bahan makanan dan beratnya, kemudian untuk kelengkapan data kandungan gizi diperoleh dari aplikasi nutri survey oleh pakar ahli gizi Rumah Sakit Umum Daerah Gambiran Kota Kediri.

Data usia dewasa muda diperoleh dari data keluarga dan daftar harga diperoleh melalui survei pasar.

(4)

3.2. Perancangan Algoritma

Dalam perancangan algoritma genetika untuk menyelesaikan permasalahan penelitian ini. Berikut ini merupakan penjelasan mengenai tahapannya.

1. Dimulai dengan data input manual untuk data usia dewasa muda yakni berat badan dan jenis kelamin untuk diproses oleh sistem seperti pada Tabel 1 dan input nilai cr, mr, popsize, dan generasi pada Tabel 2 yang digunakan sebagai inisialisasi parameter.

Tabel 1. Data input

Nama Jenis Kelamin

Berat Badan (kg)

T Perempuan 60

Tabel 2. Parameter algoritma genetika

Populasi Cr Mr Generasi

3 0,5 0,3 2

2. Proses inisialisasi populasi awal secara random, pada penelitian ini menggunakan 120 yang terdiri dari 28 jenis karbohidrat, 15 jenis protein nabati, 19 jenis protein hewani, 22 jenis sayuran, 26 jenis buah, dan 10 jenis pelengkap lain. Representasi kromosomnya pada Tabel 3.

Tabel 3. Representasi kromosom

Individu Kromosom Pagi Siang Malam K Ph …… B Pl

P1 2

23 0 8

……

6 20

0 2

3. Proses reproduksi crossover menggunakan metode extended intermediate crossover yang dimulai dengan memilih 2 parent secara random, kemudian dilakukan proses crossover menggunakan Persamaan 7 dan Persamaan 8. Misal parent yang terpilih P1 dan P2, serta nilai dari variabel a yakni 0,151 dan 1,2 dengan hasil pada Tabel 4 Tabel 5 one cut point dengan menukar isi gen sesuai titik potong yang terpilih.

Tabel 4. Hasil proses extended intermediate crossover

C1 3 0 …… 6 0

C2 0

27 0 9

……

6 20

0 0

Tabel 5. Hasil proses crossover one cut point

C1 2

23 0 8

……

6 22

0 9

C2 10

2 1 3

……

6 20

3 2

4. Proses reproduksi mutasi untuk mendapatkan individu baru sebanyak offspring dari perkalian population size dengan nilai mr.

Misalnya parent yang terpilih ialah P3, nilai mr 0,3 dengan population size 3, maka offspring yang dihasilkan sebanyak 1 keturunan. Hasil proses mutasi pada Tabel 6.

Tabel 6. Hasil proses mutasi

C3 10

4 5 8

……

10 19

5 9

5. Proses evaluasi dilakukan perhitungan nilai fitness untuk mendapatkan individu terbaik.

Dengan melakukan perhitungan penalti terlebih dahulu. Tabel 7 merupakan hasil perhitungan penalti gizi dan nilai fitness extended intermediate crossover dan Tabel 8 one cut point. Penalti gizi diperoleh dari total selisih dari setiap kandungan gizi dengan kebutuhan gizi.

Tabel 7. Nilai fitness extended intermediate crossover Individu Penalti Gizi Nilai

Fitness

P1 1097 0,35

P2 1142,86 0,32

P3 605,36 0,37

C1 1127,73 0,30

C2 916,94 0,41

C3 1192,97 0,32

Tabel 8. Nilai fitness crossover one cut point Individu Penalti Gizi Nilai

Fitness

P1 1097,09 0,35

(5)

P3 605,36 0,37

C1 1022,84 0,35

C2 679,61 0,36

C3 1192,97 0,32

6. Proses seleksi pemilihan individu terbaik untuk digunakan pada generasi berikutnya.

Menggunakan metode elitism, dilakukan dengan mengurutkan nilai fitness dari tertinggi ke terendah dengan nilai fitness terbaik diambil sebanyak population size seperti pada Tabel 9 extended intermediate crossover dan Tabel 10 one cut point.

Tabel 9. Hasil seleksi extended intermediate crossover Individu Nilai Fitness

C2 0,41

P3 0,37

P1 0,35

Tabel 10. Hasil seleksi crossover one cut point Individu Nilai Fitness

P3 0,37

C2 0,36

C1 0,35

4. PENGUJIAN DAN ANALISIS

Dalam bab ini berisi pengujian dan analisis, dengan melakukan pengujian sebanyak 5 kali.

Data usia dewasa muda yang digunakan yakni usia 25 tahun, berat badan 60 kg, dan jenis kelamin perempuan.

4.1. Pengujian Konvergensi Metode Crossover One Cut Point Dan Extended Intermediate Crossover

Pengujian konvergensi penggunaan metode crossover one cut point dan extended intermediate crossover, menggunakan cr 0,5 dan mr 0,5 dan ukuran populasi sebanyak 150.

Jumlah iterasi kelipatan 40 hingga 200 dan diuji sebanyak 5 kali dengan hasil pengujian pada Tabel 11.

Tabel 11 Hasil pengujian konvergensi metode crossover one cut point

Jumlah Iterasi

Nilai Fitness Uji Coba Ke- Rata- Rata Nilai Fitness

1 … 4 5

40 1,041 … 1,021 1,048 1,029 80 1,064 … 1,046 1,066 1,050

120 1,057 … 1,051 1,072 1,058 160 1,064 … 1,057 1,057 1,058 200 1,063 … 1,057 1,059 1,058

Tabel 11 menunjukkan rata rata nilai fitness tertinggi 1,058 yang diperoleh dari jumlah iterasi 120.

Tabel 12 Hasil pengujian konvergensi extended intermediate crossover

1 … 4 5

40 1,009 … 0,968 0,977 0,990 80 1,025 … 1,009 1,029 1,023 120 1,054 … 1,046 1,043 1,048 160 1,061 … 1,068 1,055 1,062 200 1,071 … 1,074 1,069 1,072

Tabel 12 menunjukkan rata rata nilai fitness tertinggi 1,072 yang diperoleh dari jumlah iterasi 200.

Berdasarkan hasil pengujian konvergensi Tabel 11, diperoleh grafik hasil pengujian pada Gambar 1.

Gambar 1 Grafik Hasil pengujian konvergensi metode crossover one cut point

Berdasarkan hasil pengujian konvergensi pada Tabel 12, diperoleh grafik hasil pengujian pada Gambar 2.

Gambar 2 Grafik Hasil pengujian konvergensi extended intermediate crossover

Berdasarkan grafik Gambar 1 menunjukkan penggunaan one cut point mengalami

1,010 1,020 1,030 1,040 1,050 1,060 1,070

40 80 120 160 200

Rata-rata Nilai Fitness

Jumlah Iterasi

0,900 0,950 1,000 1,050 1,100

40 80 120 160 200

Jumlah Iterasi

(6)

konvergensi dini pada permasalahan penelitian ini, karena iterasi ke 120 hingga 200 memiliki nilai rata-rata fitness yang sama. Sedangkan extended intermediate crossover pada Gambar 2 memiliki rata-rata nilai fitness yang cenderung meningkat saat iterasi semakin tinggi. Oleh karena itu penyelesaian permasalahan pada penelitian ini penulis menggunakan extended intermediate crossover dan diterapkan pada pengujian berikutnya.

4.2. Pengujian Kombinasi Nilai Cr dan Mr Dalam pengujian cr dan mr dilakukan 5 kali dengan kombinasi nilai 0,1 hingga 0,9, ukuran populasi 10, jumlah generasi 30 dan hasil pengujian terdapat pada Tabel 13.

Tabel 13 Hasil pengujian cr dan mr

Uji Coba Ke- Rata-

Rata Fitness

Cr : Mr 1 … 4 5

0,1 : 0,9 0,850 … 0,844 0,828 0,833 0,2 : 0,8 0,790 … 0,814 0,845 0,828 0,3 : 0,7 0,862 … 0,859 0,805 0,848 0,4 : 0,6 0,801 … 0,889 0,823 0,826 0,5 : 0,5 0,836 … 0,836 0,838 0,837 0,6 : 0,4 0,780 … 0,873 0,846 0,818 0,7 : 0,3 0,768 … 0,842 0,815 0,801 0,8 : 0,2 0,740 … 0,786 0,792 0,771 0,9 : 0,1 0,726 … 0,783 0,803 0,780

Berdasarkan dari hasil pengujian pada Tabel 13, diperoleh grafik Gambar 3.

Gambar 3 Grafik hasil pengujian Cr dan Mr

Hasil pengujian Tabel 13 dan Gambar 3 memperoleh rata rata nilai fitness tertinggi 0,848 dari kombinasi nilai cr 0,3 dan mr 0,7. Dan hasil pengujian nilai fitness terendah yakni 0,771 dari kombinasi nilai cr 0,8 dan mr 0,2. Kombinasi

ruang pencarian dan kemampuan sistem memperoleh solusi yang terbaik. Ketika nilai Mr terlalu rendah dapat memperkecil ruang pencarian solusi dan menurunkan kinerja sistem memperoleh solusi optimum. Sebaliknya, nilai Cr yang terlalu tinggi, maka dapat menyebabkan konvergensi dini karena individu baru memiliki tingkat kemiripan yang tinggi dengan induknya (Mahmudy, 2016).

4.3. Pengujian Ukuran Populasi

Dalam pengujian ukuran populasi dilakukan sebanyak 5 kali dengan populasi awal yang ditentukan secara random. Pengujian ini menggunakan kelipatan 40 yang dimulai dari angka 40 hingga 200, jumlah generasi 30 dan nilai cr 0,3 dan mr 0,7 dengan hasil pengujian ukuran populasi pada Tabel 14.

Tabel 14 Hasil pengujian ukuran populasi

Ukuran Populasi

1 … 4 5

40 0,899 … 0,937 0,884 0,889 80 0,911 … 0,916 0,877 0,906 120 0,901 … 0,868 0,890 0,897 160 0,916 … 0,883 0,918 0,917 200 0,864 … 0,765 0,742 0,801

Gambar 4 Grafik hasil pengujian ukuran populasi

Hasil pengujian Tabel 14 dan Gambar 4 memperoleh rata rata nilai fitness tertinggi 0,917 dari ukuran populasi 160. Hasil pengujian ukuran populasi mempengaruhi nilai fitness yang dihasilkan cenderung meningkat, namun pada ukuran populasi 200 mengalami penurunan rata-rata nilai fitness yang disebabkan karena populasi awal dibangkitkan secara random dan menghasilkan selisih kebutuhan gizi yang tinggi dengan harga yang tinggi, sehingga

0,700 0,750 0,800 0,850 0,900

0,1 : 0,9

0,2 : 0,8

0,3 : 0,7

0,4 : 0,6

0,5 : 0,5

0,6 : 0,4

0,7 : 0,3

0,8 : 0,2

0,9 : 0,1 Rata-rata Nilai Fitness

Kombinasi Cr:Mr

0,700 0,750 0,800 0,850 0,900 0,950

40 80 120 160 200

Rata-rata Nilai Fitness

Ukuran Populasi

(7)

menyebabkan rata-rata nilai fitness mengalami penurunan.

4.4. Pengujian Konvergensi dan Waktu Komputasi

Dalam pengujian konvergensi dan waktu komputasi dilakukan sebanyak 5 kali, dengan ukuran populasi 160 dan nilai cr 0,3 dan mr 0,7.

Hasil pengujian konvergensi dan waktu komputasi terdapat pada Tabel 15.

Tabel 15 Hasil pengujian konvergensi

1 … 4 5

1 0,7721 … 0,7533 0,8601 0,766 2 0,7766 … 0,7752 0,8156 0,805

3 0,8178 … 0,7961 0,8025 0,814

… 1,063 … 1,075 1,083 1,076 250 1,071 … 1,080 1,073 1,076

Gambar 5 Grafik hasil pengujian konvergensi

Hasil pengujian Tabel 15 menunjukkan nilai fitness yang dihasilkan dipengaruhi dari konvergensi. Hasil pengujian rata rata nilai fitness tertinggi 1,076 yang diperoleh dari jumlah iterasi 241. Grafik Gambar 5 menunjukkan konvergensi mempengaruhi nilai fitness. Nilai fitness yang tinggi diperoleh dari jumlah iterasi yang semakin meningkat, karena jumlah iterasi yang semakin tinggi akan memperluas ruang pencarian dan meningkatkan kualitas sistem untuk memperoleh solusi yang lebih baik, karena individu yang baru dapat memperbaiki kualitas yang dihasilkan.

Sebaliknya, jika jumlah iterasi semakin kecil dapat membatasi ruang pencarian untuk memperoleh solusi optimal.

Pengujian dari waktu komputasi dilakukan pada setiap jumlah generasi untuk memperoleh rata-rata dari waktu komputasinya. Waktu komputasi yang lama biasanya dipengaruhi dari jumlah generasi yang semakin besar. Tabel 16 merupakan perancangan dari pengujian waktu komputasi berdasarkan jumlah generasinya.

Tabel 16 Hasil pengujian waktu komputasi

Iterasi Uji Coba Ke- Rata-

Rata Waktu

1 … 4 5

1 00:00:00 … 00:00:00 00:00:00 00:00:00 2 00:00:01 … 00:00:01 00:00:01 00:00:01 3 00:00:01 … 00:00:01 00:00:01 00:00:01

… 00:00:36 … 00:00:36 00:00:36 00:00:36 250 00:00:38 … 00:00:38 00:00:38 00:00:38

Gambar 6 Grafik hasil pengujian waktu komputasi

Tabel 16 dan Grafik Gambar 6 menunjukkan hasil yang diperoleh yakni rata- rata dari waktu komputasi pada setiap generasi semakin lama. Hal tersebut disebabkan karena semakin besar jumlah generasi maka peluang memperoleh solusi optimal semakin besar dibandingkan dengan jumlah generasi yang kecil. Oleh karena itu jumlah generasi mempengaruhi waktu komputasi untuk mendapatkan solusi optimal.

4.4. Analisis Global

Berdasarkan dari seluruh pengujian diatas, maka dalam penelitian ini memperoleh hasil pengujian sebagai berikut:

- Cr : 0,3

- Mr : 0,7

- Ukuran populasi : 160 - Jumlah iterasi : 241

0 0,5 1 1,5

1 3 50 150 210 230 241 245

Jumlah Iterasi

P=1 P=2 P=3 P=4 P=5

00.00.00 00.00.09 00.00.17 00.00.26 00.00.35 00.00.43

1 3 50 150 210 230 241 245

Rata-rata Waktu

Jumlah Iterasi

P=1 P=2 P=3 P=4 P=5

(8)

Nilai parameter yang telah diperoleh diproses dan didapatkan selisih dari kebutuhan gizi dan kandungan gizi yang dihasilkan oleh sistem pada Tabel 17 pada laki-laki dan Tabel 18 pada perempuan.

Tabel 17 Selisih kandungan gizi pada laki-laki

Nama Selisih Energi (kkal)

Selisih KH

(g)

Selisih P (g)

Selisih L (g)

Selisih Vit C

(mg)

Selisih Harga Perhari

(Rp)

B 0

(0%) 0 (0%)

0 (0%)

14200 (35%) S -0,51

(0%) -3,45 (-1%)

-8,95 (-17%)

-9,54 (-16%)

0,28 (0%)

12200 (30%) Rata-

rata -0,26 (0%)

-1,72 (0%)

-4,47 (-8%)

-4,77 (-8%)

0,14 (0%)

13200 (33%)

Tabel 18 Selisih kandungan gizi pada perempuan

Nama Selisih Energi (kkal)

Selisih KH

(g)

Selisih P (g)

Selisih L (g)

Selisih Vit C (mg)

Selisih Harga Perhari

(Rp)

A 0,18

(0%) -1,39 (0%)

-5,48 (-8%)

0,88 (1%)

-0,47 (-1%)

17400 (44%) G -2,38

(0%) 0,11 (0%)

-5,4 (-9%)

0,9 (1%)

-1 (-1%)

15900 (40%) Rata-

rata -1,1 (0%)

-0,64 (0%)

-5,44 (-9%)

0,89 (1%)

-0,74 (-1%)

16650 (42%)

Pada Tabel 17 dan Tabel 18 menjelaskan hasil rata-rata selisih kandungan gizi memenuhi kebutuhan gizi yang harus dipenuhi oleh tubuh sesuai arahan dari pakar gizi, selisih kebutuhan gizi kurang lebih 10% dari ketentuan kebutuhan gizi aktual. Tabel 17 pada laki-laki menunjukkan hasil rata-rata selisih kandungan gizi kurang dari 10% dengan presentase energi 0%, karbohidrat 0%, protein -8%, lemak -8% dan vitamin C 0%.

Tabel 18 pada perempuan menunjukkan hasil rata-rata selisih kandungan gizi kurang dari 10%

dengan presentase energi 0%, karbohidrat 0%, protein -9%, lemak 1% dan vitamin C -1%.

Hasil rata-rata selisih kandungan gizi menghasilkan nilai yang sesuai dengan ketentuan pakar yakni kurang lebih 10%. Ketika hasil yang didapatkan melebihi ketentuan pakar maka disebabkan karena proses inisialisasi yang dilakukan secara acak. Sehingga menghasilkan individu yang beragam dan mempengaruhi rekomendasi bahan makanan yang kurang

data bahan makanan yang terbatas dapat mempengarui ruang pencarian solusi. Individu usia dewasa muda laki-laki dapat menghemat biaya pengeluaran sebesar 33% dan perempuan 42%.

5. KESIMPULAN

Kesimpulan dari penelitian ini ialah penggunaan representasi kromosom menggunakan bilangan integer berisi angka dari urutan bahan makanan. Dalam kromosom tersebut dipecah sesuai hari dan waktu makan dengan isi gen diperoleh secara random. Serta Fungsi objektif ialah fungsi fitness yang dihasilkan digunakan sebagai acuan pemilihan individu terbaik sebagai solusi. Nilai fitness yang tinggi diambil sebagai hasil rekomendasi sistem dan dibandingkan selisihnya dengan arahan pakar ahli gizi kurang lebih 10% dari Angka Kebutuhan Gizi. Hasil rata-rata selisih kandungan gizi pada laki-laki menunjukkan hasil rata-rata selisih kandungan gizi kurang dari 10% dengan presentase energi 0%, karbohidrat 0%, protein -8%, lemak -8% dan vitamin C 0%.

Serta pada perempuan menunjukkan hasil rata- rata selisih kandungan gizi kurang dari 10%

dengan presentase energi 0%, karbohidrat 0%, protein -9%, lemak 1% dan vitamin C -1%. Serta individu usia dewasa muda laki-laki dapat menghemat biaya pengeluaran sebesar 33% dan perempuan 42%.

Nilai parameter berpengaruh terhadap hasil nilai fitness, untuk memperoleh hasil yang optimal dengan meminimalkan harga dan mendapatkan gizi yang optimal dengan hasil nilai cr 0,3 dan mr 0,7 memiliki rata-rata nilai fitness 0,848, ukuran populasi 160 dengan rata- rata nilai fitness 0,917, serta jumlah generasi 241 dengan rata-rata nilai fitness 1,076.

Waktu komputasi juga mempengaruhi hasil yang diperoleh, yakni waktu komputasi pada setiap generasi semakin lama. Karena semakin besar jumlah generasi maka peluang memperoleh solusi optimal semakin besar, namun algoritma genetika memungkinkan mengeksplorasi area yang tidak memiliki nilai yang optimum.

6. SARAN

Saran untuk penelitian berikutnya dapat menambahkan rekomendasi sumber bahan makanan optimasi, dari beberapa herbal untuk peningkatan imunitas dan kandidat obat Covid-

(9)

(2021) untuk usia dewasa muda. Dan menambah anggaran belanja sebagai constraint dalam perhitungan nilai fitness agar rekomendasi sistem dapat menyesuaikan dengan anggaran yang dikeluarkan, menambahkan pengujian tingkat perbaikan imunitas seseorang usia dewasa sebelum dan setelah diberikan bahan makanan untuk meningkatkan imunitas, serta mengenai daftar harga makanan dapat ditentukan secara real time sesuai dengan ketentuan dinas perdagangan.

7. DAFTAR PUSTAKA

Cholissodin, Imam, Arief Andy Soebroto, Mohammad Muallif, Aurick Yudha Nagara, Renny Nova dan Tamara Gusti Ebtavanny. 2021. “Design Framework as a Prototype of Islamic Medicine Engine to any Disease Especially for Covid-19 Based Al-Qur’an and Hadith Using Meta- Deep AI and Particle Swarm Optimization.” Proceedings of the International Conference on Engineering, Technology and Social Science (ICONETOS 2020) 529: 184–89.

<https://doi.org/10.2991/assehr.k.210421 .026>.

“DINKES - Nutrisi untuk Imunitas (Bagian I).”

2020. 2020

<https://dinkes.kulonprogokab.go.id/detil /710/nutrisi-untuk-imunitas-bagian-i>

[diakses 8 Februari 2021].

Djalante, Riyanti, Jonatan Lassa, Davin Setiamarga, Aruminingsih Sudjatma, Mochamad Indrawan, Budi Haryanto, Choirul Mahfud, et al. 2020. “Review and analysis of current responses to COVID- 19 in Indonesia: Period of January to March 2020.” Progress in Disaster

Science 6: 100091.

<https://doi.org/10.1016/j.pdisas.2020.10 0091>.

Harapan, Harapan, Naoya Itoh, Amanda Yufika, Wira Winardi, Synat Keam, Haypheng Te, Dewi Megawati, Zinatul Hayati, Abram L. Wagner dan Mudatsir Mudatsir.

2020. “Coronavirus disease 2019 (COVID-19): A literature review.”

Journal of Infection and Public Health 13:

667–73.

<https://doi.org/10.1016/j.jiph.2020.03.0 19>.

Lambora, Annu, Kunal Gupta dan Kriti Chopra.

2019. “Genetic Algorithm- A Literature Review.” Proceedings of the International Conference on Machine Learning, Big Data, Cloud and Parallel Computing: Trends, Prespectives and Prospects, COMITCon 2019, no. 1998:

380–84.

<https://doi.org/10.1109/COMITCon.201 9.8862255>.

Mahmudy, Wayan Firdaus. 2016. “DASAR- DASAR Algoritma Evolusi Wayan Firdaus Mahmudy Program Teknologi Informasi dan Ilmu Komputer ( PTIIK ),”

no. January 2015.

Melia, Tria, Masdiana Safitri, Imam Cholissodin dan Budi Darma Setiawan. 2019.

“Optimasi Kombinasi Bahan Makanan untuk Mencegah Stunting pada Balita dengan menggunakan Algoritme Genetika” 3: 7817–24.

“Pedoman Gizi Seimbang.” 2014.

<http://hukor.kemkes.go.id/uploads/prod uk_hukum/PMK No. 41 ttg Pedoman Gizi Seimbang.pdf>.

“Peta Sebaran | Covid19.go.id.” n.d. diakses 17 April 2021 <https://covid19.go.id/peta- sebaran> [diakses 17 April 2021].

Pitasari, Didit Damayanti dan Nugraheni Tri Lestari. 2017. “Gizi Dalam Daur

Kehidupan,” 292.

<http://bppsdmk.kemkes.go.id/pusdiksd mk/wp-content/uploads/2017/11/GIZI- DALAM-DAUR-KEHIDUPAN-FINAL- SC.pdf>.

Taufiq, Muhammad Noor, Candra Dewi dan Wayan Firdaus Mahmudy. 2017.

“Optimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika.”

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya 1: 571–82.