BAB 2
LANDASAN TEORI
2.1. Diabetes Mellitus (DM)
Diabetes Mellitus (DM) adalah suatu kumpulan gejala yang timbul pada seseorang yang disebabkan oleh karena peningkatan kadar glukosa darah akibat penurunan
sekresi insulin yang progresif dilatarbelakangi oleh resistensi insulin (Soegondo et al,
2009). Diabetes melitus merupakan sebuah kondisi abnormal metabolisme karbohidrat yang disebabkan oleh kekurangan insulin, baik secara total maupun sebagian
(Hadisaputro, 2007). Diagnosis diabetes mellitus selalu berdasarkan tingginya kadar glukosa dalam plasma darah.
Berdasarkan kriteria dari American Diabetes Association pada tahun 2012
(ADA 2012), sekitar 10,2 juta orang di Amerika Serikat menderita penyakit diabetes mellitus. Menurut WHO pada tahun 2030 angka penderita diabetes mellitus akan mencapai 366 juta jiwa. Diabetes mellitus terdapat diseluruh dunia, dan 90% merupakan diabetes mellitus tipe 2 terjadi di negara berkembang seperti Asia dan di Afrika. Hal ini terjadi karena perubahan gaya hidup seperti pola makan yang tidak
sehat dan tidak seimbang. Sedangkan orang yang menderita diabetes mellitus tipe 2 di Indonesia berdasarkan hasil (Riskesdar, 2007), berkisar 1,5-2,3% penduduk usia >15
tahun bahkan di daerah Manado prevalensi diabetes melitus sebesar 6,1%.
Secara etiologi diabetes mellitus dapat dibagi menjadi DM tipe 1, DM tipe 2, DM dalam kehamilan, dan diabetes tipe lain. Diabetes mellitus tipe 1 atau dikenal dengan nama Insulin Dependant Diabetes Mellitus (IDDM), terjadi karena kerusakan sel pankreas, yang disertai dengan gejala yang muncul mendadak seperti merasa
atau disebut dengan non insulin dependant Diabetes Melitus (NIDDM). Pada diabetes mellitus tipe 2 terjadi penurunan kemampuan insulin bekerja di jaringan perifer dan disfungsi sel Jenis diabetes mellitus tipe 2 merupakan jenis diabetes yang banyak diderita para penderita diabetes. Diabetes mellitus dalam kehamilan atau disebut dengan Gestational Diabetes Melitus (GDM) adalah kehamilan yang disertai dengan peningkatan insulin resistance (ibu hamil gagal mempertahankan euglycemia).
Penyakit diabetes mellitus dapat dikontrol dengan cara menjaga dan mengatur pola hidup yang sehat dan seimbang, terutama memperhatikan pola makan sehari- hari
dengan nutrisi yang tepat dan seimbang. Bagi penderita diabetes mellitus sangat penting untuk mengetahui makanan apa yang harus dimakan beserta ukuran a tau
takaran yang diberikan.
2.2.Perhitungan Kebutuhan Kalori
Kebutuhan energi (kalori) dapat dipenuhi melalui asupan karbohidrat, lemak, dan atau
protein dalam makanan. Kebutuhan energi dapat dihitung berdasarkan kalori per berat
badan atau dengan menggunakan persamaan Harris-Benedict. Persamaan Harris - Benedict memperkirakan penggunaan energi yang tersisa/resting energy expenditure (REE). Adapun perhitungan kebutuhan kalori yang dilakukan adalah sebagai berikut : 1. Hitung Berat Badan Ideal (BBI)
Terdapat 2 ketentuan untuk menghitung berat badan ideal, yaitu :
a. Pria dengan tinggi badan < 160 cm dan wanita dengan tinggi badan < 150 cm
adalah (Tinggi Badan -100) x 1 kg
b. Pria dengan tinggi badan ≥ 160 cm dan wanita dengan tinggi badan ≥ 150 cm
adalah ((Tinggi Badan -100) x 1kg) x 90%
2. Hitung Kalori Basal
Terdapat dua ketentuan untuk menghitung berat basal. Berat basal ini ditentukan
oleh jenis kelamin.
a. Untuk pria (Berat Badan Ideal x 30 kkal)
3. Hitung koreksi faktor aktivitas
Untuk perhitungan faktor aktivitas dikelompokkan menjadi 3 bagian yaitu :
a. Aktivitas ringan seperti mengajar, membaca, berjalan, bekerja di kantor, dan
memancing (Kalori Basal x 10%)
b. Aktivitas sedang seperti bersepeda, bowling, berkebun, dan me mbersihkan
rumah (Kalori Basal x 30%)
c. Aktivitas berat seperti olahraga aerobic, jogging, menari, bersepeda cepat,
atlit (Kalori Basal x 40%)
4. Hitung koreksi faktor usia
Terdapat beberapa ketentuan untuk perhitungan faktor usia, yaitu
a. Usia 40-59 tahun maka jumlah kalori dikurangi 5%
(Kalori Basal x 5%)
b. Usia 60-69 tahun maka jumlah kalori dikurangi 10%
(Kalori Basal x 10%)
c. Usia >70 tahun maka jumlah kalori dikurangi 20%
(Kalori Basal x 20%)
5. Hitung Indeks Masa Tubuh
Perhitungan ini dilakukan untuk mengetahui apakah status berat badan seorang
pasien diabetes normal atau tidak, dengan cara :
(Berat Badan/(Tinggi Badan2)) x 100%.
Setelah diperoleh hasilnya maka akan ditentukan bagaimana status berat badan
Tabel 2.1. Kelompok Status Berat Badan
Status Berat Badan Indeks Masa Tubuh Keterangan Total Kalori
Obesitas IMT > 28 Total Kalori -700 kkal
Kegemukan IMT > 25 Total Kalori -500 kkal
Normal IMT diantara 18-25 -
Kurus IMT < 18 Total Kalori +500 kkal
6. Hitung total kebutuhan kalori
Untuk menentukan berapa jumlah kalori yang dibutuhkan oleh pasien DM dalam
satu hari akan dihitung dengan cara :
Kalori Basal + Koreksi Faktor Aktivitas – Koreksi Faktor Usia
Setelah hasilnya diperoleh maka akan dilakukan pencocokan dengan tabel IMT
untuk mengetahui apakah jumlah kalori perhari tetap, ditambah, atau dikurang.
Dan hasil tersebut yang akan digunakan untuk proses klasifikasi jenis diet dan
jenis makanan.
2.3.Kebutuhan N utrisi bagi pasien Diabetes Mellitus
Nutrisi adalah ikatan kimia yang diperlukan tubuh untuk melakukan fungsinya, yaitu
energi, membangun dan memelihara jaringan, serta mengatur proses-proses
kehidupan.
1. Kebutuhan Karbohidrat dan Pemanis
Asupan karbohidrat yang dibutuhkan oleh pasien diabetes mellitus di Indonesia adalah sebesar 45-65% total asupan energi (Perkeni, 2011). Asupan
karbohidrat yang boleh diberikan yaitu sekitar 172-396 gram per hari yang
disesuaikan dengan jenis diet diabetes mellitus.
Penggunaan sukrosa (gula murni) tidak boleh lebih dari 15% total asupan
bergizi. Salah satu pemanis bergizi yaitu gula alkohol, seperti isomalt, laktilol,
maltilol, mannitol, sorbitol, dan xylitol dapat diperhitungkan kandungan kalorinya
sebagai bagian dari kebutuhan kalori sehari-hari. Fruktosa juga merupakan
pemanis bergizi, namun tidak dianjurkan untuk diberikan karena dapat
menyebabkan efek samping pada lemak darah. Pemanis yang dianjurkan adalah
pemanis tidak bergizi seperti aspartame, sakarin, acesulfame potassium, sukralose,
dan neotame merupakan pemanis yang aman diberikan sepanjang tidak melebihi
batas.
2. Kebutuhan Protein
Protein yang dibutuhkan sebesar 10-20% total asupan energi, yaitu antara 43-80
gram per hari yang disesuikan dengan jenis diet diabetes. Sumber protein yang
baik adalah seafood, daging tanpa lemak, ayam tanpa kulit, produk susu rendah lemak, kacang-kacangan, tahu, dan tempe.
3. Kebutuhan Lemak
Lemak yang dibutuhkan bagi penderita diabetes di Indonesia sebesar 20-25% dan
tidak diperbolehkan melebihi 30% total asupan energi, yaitu antara 30-62 gram per
hari yang disesuaikan dengan jenis diet diabetes. Anjuran konsumsi kolesterol
sebesar ±303 mg/hari.
4. Kebutuhan Serat
Penderita diabetes mellitus dianjurkan untuk mengkonsumsi serat yang cukup yang diperoleh dari kacang-kacangan, buah, sayuran, serta sumber karbohidrat
yang memiliki serat yang tinggi. Anjuran yang diberikan ±37 gram perhari
(Perkeni, 2011). Buah yang harus dihindari adalah buah pisang, sirsak, nangka,
mangga, dan durian karena memiliki kadar gula yang tinggi. Dan buah yang paling
5. Kebutuhan Natrium
Anjuran asupan natrium yang dianjurkan untuk penderita diabetes mellitus tidak lebih dari 2300 mg atau sama dengan 1 sendok teh garam dapur.
Diet untuk penyakit diabetes mellitus dikelompokkan berdasarkan jumlah kalori yang dibutuhkan per hari dari hasil perhitungan berat badan, tinggi badan,
usia, tingkat aktivitas, dan jenis kelamin. Adapun klasifikasi diet diabetes mellitus
beserta kandungan nutrisi berdasarkan jenis diet (Almatsier, 2004) dapat dilihat
pada Tabel 2.2.
Tabel 2.2. Klasifikasi Diet Diabetes Mellitus dan Kandungan N utrisi
Jenis
Algoritma Genetika ditemukan oleh John Holland pada tahun 1975 di Universitas
Michigan melalui sebuah penelitian dan kemudian metode ini dipopulerkan oleh
muridnya yang bernama David Goldberg pada tahun 1989. Algoritma genetika
terinspirasi dari teori evolusi Darwin. Algoritma Genetika adalah sebuah algoritma di
bidang kecerdasan buatan mengenai teknik pencarian dan optimasi yang didasarkan
pada seleksi atau evolusi yang terjadi di alam (Davis, 1991).
Algoritma genetika bekerja dengan seb uah populasi yang terdiri dari
dihasilkan untuk menyelesaikan persoalan yang ada. Individu yang memiliki
pertahanan yang tinggi akan memiliki kesempatan untuk melakukan reproduksi
melalui perkawinan silang dengan individu yang lain di dalam populasi tersebut. Hasil
dari perkawinan ini akan menghasilkan beberapa individu baru yang masih mewarisi
beberapa sifat dari induknya. Individu yang tidak terpilih dalam reproduksi akan mati
dengan sendirinya. Dengan cara seperti ini, maka akan dihasilkan generasi dengan
karakteristik yang baik dalam populasi tersebut. Semakin banyak individu yang
dikawinkan, maka akan semakin banyak kemungkin terbaik yang akan diperoleh.
Algoritma ini berusaha menerapkan pemahaman mengenai evolusi pada
pencarian penyelesaian masalah (problem solving). Algoritma Genetika akan mencari solusi yang terbaik dari suatu kondisi dengan menggabungkan secara acak berbagai
pilihan solusi terbaik. Keuntungan algoritma genetika adalah algoritma ini mudah
diimplementasi dan mampu untuk menemukan solusi yang baik dan dapat diterima
secara cepat untuk masalah- masalah berdimensi tinggi. Algoritma genetika sangat
berguna dan efisien untuk masalah dengan karakteristik sebagai berikut (Suyanto,
2005) :
1. Ruang masalah yang sangat besar, kompleks, dan sulit dipahami
2. Ilmu pengetahuan yang kurang atau bahkan tidak ada yang memadai untuk
merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit.
3. Tidak ada tersedia analisis matematika yang memadai
4. Ketika terdapat metode- metode konvensional yang sudah tidak mampu untuk
menyelesaikan masalah yang dihadapi.
5. Solusi yang diharapkan tidak harus yang paling optimal namun sudah cukup baik
atau dapat diterima
6. Terdapat batasan waktu, misalnya dalam real time system.
2.4.1. Proses Algoritma Genetika
Secara umum proses dari suatu algoritma genetika dapat didefenisikan dengan
sumber : (Firmansyah et al, 2012)
Gambar 2.1. Diagram Alir Proses Algoritma Genetika
1. Representasi kromosom
Proses algoritma genetika dimulai dengan membangun sebuah populsai random
sebanyak n kromosom.
2. Identifikasi individu/populasi awal
Untuk mendapatkan solusi awal, maka diperlukan proses pembangkitan individu
awal secara random. Individu tersebut terdiri dari sejumlah kromosom yang merepresentasikan solusi awal yang diinginkan.
3. Evaluasi fitness
Pada setiap generasi kromosom akan dilakukan evaluasi berdasarkan tingkat
keberhasilan dari nilai solusinya terhadap masalah yang akan diselesaikan dengan
4. Pembentukan generasi baru
Proses ini adalah proses untuk mendapatkan jumlah kromosom untuk membentuk
generasi baru (offspring). Untuk mendapatkan jumlah kromosom tersebut, maka proses ini dilakukan secara berulang. Dan generasi baru (offspring) yang diperoleh merupakan representasi dari solusi yang baru.
5. Seleksi
Proses seleksi dilakukan untuk memilih kromosom yang akan tetap dipertahankan
untuk generasi yang selanjutnya. Proses ini dilakukan dengan melalui 2 tahapan,
yaitu memilih kromosom parent dari individu berdasarkan fitnessnya. 6. Crossover (Perkawinan Silang)
Proses ini dilakukan untuk membentuk anak (offspring) yang diperoleh dari hasil perkawinan silang sesuai dengan besarnya kemungkinan perkawinan silang, orang
tua (parent) yang terpilih akan disilangkan untuk membentuk anak. Jika tidak ada proses crossover, maka anak merupakan salinan dari orang tuanya. Jumlah kromosom yang terdapat pada populasi yang mengalami perkawinan silang
ditentukan oleh parameter yang disebut dengan probabilitas perkawinan silang
(crossover probability). 7. Mutasi
Proses mutasi dilakukan berdasarkan besarnya kemungkinan mutasi yang tela h
ditentukan, dimana anak akan dimutasi pada setiap lokus (posisi pada kromosom).
Setelah beberapa generasi berhasil dibentuk, kromosom-kromosom yang nilai
gennya konvergen ke suatu nilai tertentu merupakan solusi optimum yang
dihasilkan oleh algoritma genetika terhadap permasalahan yang ingin diselesaikan.
8. Memenuhi syarat regenerasi
Jika generasi baru memenuhi syarat regenerasi, maka proses akan selesai. Namun,
apabila generasi baru tidak memenuhi syarat, maka proses akan kembali kepada
2.4.2. Komponen Utama Algoritma Genetika
Algoritma Genetika memiliki enam komponen utama (Satriyanto, 2009), yaitu :
1. Teknik penyandian (Encoding)
Teknik penyandian merupakan penyandian gen dari kromosom. Gen merupakan
bagian dari kromosom, dimana gen biasanya mewakili satu variable. Gen dapat direpresentasikan dalam bentuk bit, bilangan real, elemen permutasi, elemen
program, daftar aturan, atau representasi lainnya yang dapat diterapkan untuk
operator genetika. Dengan demikian kromosom dapat direpresentasikan dengan
menggunakan :
String bit : 10011 dst
Array bilangan real : 65.65, -67.98, 77.34 dst
Elemen permutasi : E2, E10, E5, dst
Daftar aturan : R1, R2, R3, dst
Elemen program : pemrograman genetika
Struktur lainnya
2. Proses Inisialisasi
Setelah ukuran populasi telah ditentukan, kemudian akan dilakukan proses
inisialisasi terhadap kromosom yang terdapat pada populasi tersebut. Ukuran
populasi dapat ditentukan bergantung pada permasalahan yang akan dipecahkan
dan jenis operator genetika yang diimplemenasikan. Proses dari inisialisasi
kromosom dapat dilakukan secara acak dengan tetap memperhatikan domain
solusi dan kendala permasalahan yang ada.
3. Fungsi Evaluasi
Dalam melakukan proses evaluasi kromosom perlu diperhatikan dua hal yaitu
evaluasi fungsi objektif dan konversi fungsi objektif kedalam fungsi fitness.
4. Seleksi
Proses seleksi bertujuan untuk menentukan individu- individu yang akan dipilih
fitness. Setelah nilai fitness diperoleh maka langkah selanjutnya adalah menggunakan nilai tersebut untuk tahap-tahap seleksi selanjutnya.
Ada beberapa defnisi yang digunakan untuk melakukan perbandingan terhadap
metode yang akan digunakan, antara lain :
Selective Pressure, probabilitas dari individu terbaik yang terpilih dengan rata-rata probabilitas dari semua individu yang diseleksi.
Bias, perbedaan absolute antara fitness ternormalisasi dari suatu individu dengan probabilitas reproduksi yang diharapkan
Spread, rentang nilai probabilitas untuk sejumlah offspring dari suatu individu.
Loss of diversity, proposi dari individu-individu yang tidak terseleksi dari suatu individu selama dalam tahapan seleksi
Selection intensity, nilai fitness rata-rata yang diharapkan dalam suatu populasi setelah dilakukan proses seleksi dengan menggunakan distribusi Gauss
ternormalisasi.
Selection variance, variansi yang diharapkan dari distribusi fitness dalam suatu populasi setelah dilakukan tahap seleksi dengan menggunakan distribusi Gauss
ternormalisasi.
Ada beberapa metode seleksi dari induk yang dilakukan (Kusumadewi et al, 2005),
yaitu :
Rank-based fitness assignment
Pengurutan populasi dilakukan berdasarkan nilai objektifnya. Nilai fitness dari tiap individu hanya tergantung dari posisi individu tersebut dalam urutan dan
tidak dipengaruhi oleh nilai objektifnya.
Roullete wheel selection
Individu- individu akan dipetakan dalam suatu segmen garis secara berurutan
sedemikian hingga tiap segmen individu memiliki ukuran yang sama dengan
Stochastic universal sampling
Metode ini memiliki nilai bias nol dan penyebaran yang minimum.
Individu-individu akan dipetakan dalam suatu segmen garis secara berurut hingga tiap
segmen individu memiliki ukuran yang sama dengan ukuran fitness. Kemudian akan diberikan sejumlah pointer sebanyak individu yang akan diseleksi. Misalkan jumlah individu yang akan diseleksi adalah N, maka jarak antar
pointer adalah 1/N, dan posisi pointer pertama diberikan secara acak pada rentang [1,1/N].
Local selection
Setiap individu yang berada dalam suatu konstrain terte ntu disebut dengan
lingkungan lokal dan interaksi antar individu hanya dilakukan dalam wilayah
tersebut. Langkah pertama yang dilakukan adalah melakukan seleksi sebagian
populasi yang berpasangan secara random. Kemudian lingkungna baru tersebut akan diberikan pada setipa individu yang terseleksi. Struktur lingkungan dari
seleksi lokal berbentuk : linear (full ring dan half rng), dimensi-2 (full cross
dan half cross, full star dan half star), dan dimensi-3 dan struktur yang lebih kompleks yang merupakan kombinasi dari kedua struktur diatas. Individu yang
terdapat dalam lingkundan dengan ukuran yang lebih kecil akan lebih terisolaso
dibandingkan dengan individu yang terletak pada lingkungan dengan ukuran
yang lebih besar.
Truncation selection
Metode ini merupakan seleksi buatan yang digunakan oleh populasi yang
jumlahnya sangat besar. Individu- individu diurutkan berdasarkan nilai
fitness-nya. Individu yang terbaik yang akan diseleksi menjadi induk. Parameter yang
digunakan adalah suatu nilai ambang trunk yang mengindikasian ukuran populasi yang akan diseleksi sebagai induk yang berkisar antara 50-10%. Untuk
individu yang berada dibawah nilai ambang tidak akan menghasilkan keturunan
atau individu baru.
Tournament selection
Pada metode ini ditetapkan sebuah nilai tour untuk nilai dari individu- individu yang dipilih secara acak dari suatu populasi. Individu-individu yang terbaik dari
ukuran tour yang bernilai antara 2 hingga N, yang merupakan individu dalam populasi.
5. Operator dalam algoritma genetika
Dalam algoritma genetika, terdapat dua operator genetika yaitu :
a. Operator untuk melakukan proses rekombinasi, yang terdiri dari :
i. Rekombinasi bernilai real, yaitu :
1. Rekombinasi diskrit, menukar nilai variabel antar kromosom induk.
2. Rekombinasi intermediate, yaitu metode rekombinasi yang hanya dapat digunakan untuk variabel real. Nilai dari variabel anak dipilih disekitar dan antara nilai- nilai variabel induk.
3. Rekombinasi garis, yaitu operator yang hampir menyerupai operator
rekombinasi intermediate, namun nilai alpha untuk seluruh variable bernilai sama.
4. Rekombinasi garis yang diperluas
ii. Metode Crossover, yaitu : 1. Crossover satu titik
Pada one point crossover, kromosom offspring dihasilkan melalui pengambilan kromosom parent yang pertama dan kromosom parent
yang kedua yang ditentukan secara random (Andrade, 2008). Ilustrasi dari proses one point crossover dapat dilihat pada Tabel 2.3.
Tabel 2.3. One Point Crossover
Kromosom Nilai
Kromosom Parent 1 11001011 Kromosom Parent 2 11011111
2. Crossover banyak titik
Jenis crossover ini hampir sama dengan one point crossover, namun pada metode ini menggunakan 2 (dua) cut point yang dibangkitkan secara acak. (Mendes, 2013). Ilustrasi dari proses two point crossover
dapat dilihat pada Tabel 2.4.
Tabel 2.4. Two Point Crossover
3. Crossover seragam
Metode ini menggunakan sebauh vektor bit acak yang berukuran sama
dengan kromosom yang digunakan. Untuk menghasilkan offspring, maka akan dipilih bit-bit dalam mask vektor bit acak. Jika yang terpilih bit 0, berarti kromosom offspring diperoleh dari parent 1. Namun jika yang terpilih adalah bit 1, maka kromosom offspring diperoleh parent 2 (Andrade, 2008). Ilustrasi dari proses crossover seragam dapat dilihat pada Tabel 2.5.
Tabel 2.5. Crossover Seragam
Kromosom Nilai
Kromosom Parent 1 11001011
Kromosom Parent 2 11011111
Offspring 11011111
Kromosom Nilai
Kromosom Parent 1 11001011 Kromosom Parent 2 11011111
Mask 01010101
4. Arithmetic Crossover
Kromosom offspring diperoleh dengan melakukan operasi aritmatika terharap kromosom parent. Terdapat 3 jenis arithmetic crossover, yaitu sebagai berikut. (Picel et al, 2013).
a. Single Arithmetic Crossover
Pada metode ini, pindah silang terjadi pada salah satu gen yang
posisinya ditentukan secara random. Pada posisi gen yang ditentukan, nilai gen akan ditentukan melalui proses aritmatika
terhadap nilai gen dari parent seperti yang ditunjukkan pada persamaan 2.1 (Eiben, 2014).
2.1
Dimana :
α = Variabel pengali yang nilainya berkisar dari 0-1
b. Simple Arithmetic Crossover
Pada metode ini akan ditentukan bilangan random sebagai titik potong antara 0 sampai sepanjang kromosom pada masing- masing
parent. Untuk gen yang berada sebelum titik potong akan disalin gen tersebut pada kromosom offspring. Sedangkan untuk gen yang berada setelah titik potong akan dibentuk dari proses aritmatikan
dari kromosom parent dengan persamaan 2.2 (Picek, 2013).
Child = <x1,…,xk, α.yk+1 + (1- α).xk+1, …, α.yn + (1- α).xn> (2.2)
Dimana :
α = Variabel pengali yang nilainya berkisar dari 0-1
c. Whole Arithmetic Crossover
(2.3)
Dimana :
α = Variabel pengali yang nilainya berkisar dari 0-1
b. Mutasi
Operator selanjutnya dalam algoritma genetika adalah mutasi gen. Proses
mutasi dilakukan untuk menggantikan nilai gen yang hilang dari populasi pada
saat proses seleksi dilakukan. Dalam proses mutasi dikenal sebuah istilah
peluang mutasi. Peluang mutasi didefenisikan sebagai persentasi dari jumlah
total gen pada populasi yang mengalami mutasi. Peluang mutasi akan
menentukan berapa jumlah gen baru yang dimunculkan untuk dievaluasi.
Proses mutasi yang terdiri dari :
i. Mutasi bernilai real
ii. Mutasi bernilai biner.
6. Penentuan Parameter
Parameter merupakan suatu ukuran populasi (popsize), peluang crossover (pc) dan peluang mutasi (pm). Rekomendasi untuk menentukan nilai parameter :
i. Untuk menyelesaikan permasalahan dengan kawasan solusi yang cuk up
besar, De Jong merekomenasikan nilai parameter : (popsize;pc;pm) =
(50;0,6;0,001)
ii. Jika rata-rata nilai fitness dari setiap generasi yang digunakan sebagai indikator, maka Grenfenstette merekomendasikan usulannya adalah :
(popsize;pc;pm) = (30;0,95;0,01)
iii. Jika nilai fitness dari individu terbaik yang dipantau dari setiap generasi, maka direkomendasikan usulannya adalah (popsize;pc;pm) = (80;0,45;0,01)
iv. Ukuran populasi sebaiknya tidak lebih kecil dari 30 untuk sembarang jenis
permasalahan.
2.4.3.Pengertian Individu
Individu dapat dikatakan sebagai kumpulan dari gen yang bersifat biner, float, dan
mendefenisikan individu untuk membangun penyelesaian permasalahan dengan
algoritma genetika adalah sebagai berikut (Satriyanto, 2009) :
Gen, merupakan sebuah nilai yang menyatakan satuan dasar yang dapat
membentuk suatu arti tertentu dalam satu kesatuan gen yang d isebut dengan
kromosom.
Allele, merupakan nilai dari gen. Alelle dapat berupa bilangan biner, float,
kombinatorial, atau karakter.
Kromosom, merupakan gabungan dari gen- gen yang membentuk nilai tertentu.
Individu, menyatakan satu nilai atau keadaan dari solusi yang mungkin dari
persoalan yang ada.
Generasi, merupakan satu siklus proses evolusi atau satu iterasi di dalam
algoritma genetika.
Populasi, sekumpulan individu yang akan diproses dalam satu siklus proses evolusi. Populasi terdiri dari sekumpulan kromosom.
Sumber : (Satriyanto, 2009)
2.4.4.Nilai Fitness
Nilai fitness adalah inverse dari perbedaan antara nilai individu yang muncul dan target yang ditentukan. Nilai fitness diperlukan untuk menyatakan baik atau tidaknya suatu solusi dari permasalah yang diangkat. Nilai fitness dapat dijadikan sebuah acuan dalam mencapai nilai optimal dalam algoritma genetika. Hasil dari algoritma
genetika adalah individu dengan nilai fitness yang paling tinggi. Semakin baik nilai
fitness maka akan semakin baik individu tersebut dijadikan calon solusi.
2.4.5.Elitisme
Karena pada tahapan seleksi dilakukan secara random, maka tidak ada jaminan bahwa proses tersebut akan selalu menghasilkan suatu individu yang bernilai fitness tertinggi. Jika terpilih individu dengan nilai fitness tertinggi, mungkin saja pada saat proses
crossover nilai fitness dapat menurun. Oleh karena itu, untuk menjaga agar individu tersebut tidak hilang selama proses evolusi, maka perlu d ibuat sebuah copy-an yang disebut dengan elitisme.
2.5.Penelitian Terdahulu
Beberapa penelitian telah dilakukan untuk mengklasifikasikan makanan yang
diperbolehkan untuk dikonsumsi penderita diabetes. Salah satunya adalah penelitian
yang dilakukan oleh (Phanich et al, 2010) berhasil mengkategorikan makanan yang
diperbolehkan untuk dikonsumsi oleh pasien diabetes dengan menggunakan metode
SOM dengan K-means Clustering.Metode ini mengkategorikan makanan berdasarkan delapan nutrisi yang paling penting yang dibutuhkan oleh pasien diabetes.
Penelitian yang dilakukan oleh (Husain et al, 2011) membahas metode Genetic Algorithm (GA) yang diimplementasikan untuk mengatur penjadwalan pola makan untuk pasien kanker. Penelitian ini berhasil menjadwalkan pola makan untuk pasien
diabetes dengan tingkat akurasi yang cukup tinggi, namun penelitian ini memiliki
Penelitian yang dilakukan oleh (Tias et al, 2013) membahas metode algoritma
genetika dalam penentuan menu makanan sehat. Hasil dari penelitian ini adalah
diperoleh solusi menu makanan sehat pada generasi 100 dengan nilai fitness sebesar 0.449.
Penelitian yang dilakukan oleh (Puspaningrum et al, 2013) berhasil
menjadwalkan mata kuliah dengan menggunakan algoritma genetika untuk para
mahasiswa dan dosen jurusan Sistem Informasi ITS. Nilai fitness terbaik pada penelitian ini sebesar 10 dengan jumlah generasi sebesar 275 kali.
Penelitian yang dilakukan oleh (Indrianingsih, 2010) membahas metode
algoritma genetika untuk menyelesaikan masalah optimasi fungsi berkendala dengan
pengkodean bilangan bulat. Hasil dari penelitian ini menunjukkan bahwa jumlah
populasi yang besar belum tentu akan menghasilkan nilai fitness yang lebih baik. Hal ini dikarenakan kelemahan dari algoritma genetika adalah bersifat probabilistik karena
selalu dihubungkan dengan bilangan random.
Penelitian yang dilakukan oleh (Kushardiana, 2013) membahas metode
penentuan komposisi menu makanan untuk penderita diabetesmellitus menggunakan algoritma genetika. Penelitian ini berhasil menyusun menu makanan untuk penderita
diabetes mellitus. Namun penelitian ini hanya menggunakan umur penderita untuk menentukan berapa kalori yang dibutuhkan oleh penderita dalam satu hari.
Tabel 2.6. Penelitian Te rdahulu
No Peneliti Tahun Metode Keterangan
1 Phanic, M., Pholkul,
P., & Phimoltares, S.
2010 SOM dan
K-Means
Clustering
Mengkategorikan
makanan yang dibutuhkan
pasien diabetes
berdasarkan 8 nutrisi yang
Tabel 2.6. Penelitian Te rdahulu (lanjutan)
No Peneliti Tahun Metode Keterangan
2 Puspaningrum,
nilai fitness terbaik pada penelitian ini sebesar 10
5 Indrianingsih, Y. 2010 Algoritma
