Optimasi Kebutuhan Gizi Untuk Ibu Hamil Dengan Menggunakan Hybrid Algoritma Genetika dan Simulated Annealing

Fakultas Ilmu Komputer

Universitas Brawijaya

4040

Optimasi Kebutuhan Gizi Untuk Ibu Hamil Dengan

Menggunakan Hybrid Algoritma Genetika dan Simulated

Annealing

Binti Robiyatul Musanah1_{, Wayan Firdaus Mahmudy}2_{, Indriati}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{anameihl@gmail.com,} 2_{wayanfm@ub.ac.id,} 3_{indriati.tif@ub.ac.id}

Abstrak

Kebutuhan gizi sangat diperlukan bagiiibu hamil. Gizi yang baik adalah gizi yang seimbang serta sesuai dengan kebutuhan. Jika kebutuhan ibu hamil tidak sesuai bisa mengalami Kekurangan Energi Kronis (KEK). Dengan permasalahan tersebut dibutuhkan suatu sistem untuk pemenuhan gizi ibu hamil yang dapat memberikan solusi berupa komposisi bahan makanan yang sesuai dengan metode Hybrid Algoritme Genetika dan Simulated Annealing. Dalam proses penyelesaian permasalahan ini pada Simulated Annealing atau Genetic Algorithm. Proses hybrid ini pada proses crossover menggunakan one-cut point, insertion mutation untuk proses mutasi dan penggunaan elitsm pada tahap seleksi serta Simulated Annealing. Hasil pengujian yang dilakukan sebelumnya diperoleh parameter dengan metode Hybrid GA dan SA didapatkan nilai parameter-parameter terbaik yaitu sebesar 100 (ukuran populasi) fitness yang didapat rata-rata 0.06268, nilai 105 ( generasi) memperolehirata-rata fitnessi0.06823, ikombinasiiCᵣidaniMᵣ dengan nilaii0,4 dengani0,6 nilai fitnessirata-rataiadalah 0.06792, serta temperaturiawal dengan nilai1 sertaialpha yaitu 0,5 didapatkan fitness terbaik dengan rata-rata sebesar 0.06800 sertai0.08876. Hasil fitness hibridisasi GA dan SA mencapai 0,08804 lebih tinggi dari pada nilai rata-rata fitness GA sebesar 0,05519 dan fitness SA yaitu 0,04382 dengan waktu yang ditentukan adalah 1 menit dan kebutuhan yang dihasilkan dari sistem kurang mencukupi kebutuhan giziiibuihamil.

Kata kunci : ioptimasi, iibuihamil, gizi, algoritme genetika, simulated annealing Abstract

Nutritional needs are very necessary for pregnant women. Good nutrition is balanced nutrition and according to needs. If the needs of pregnant women are not suitable can experience Chronic Energy Deficiency with these problems, a system is needed to fulfill the nutrition of pregnant women who can provide solutions in the form of food ingredients in accordance with the method of Hybrid Genetic Algorithms and Annealing Simulation. In the process of solving this problem at Simulated Annealing or Genetic Algorithm. This hybrid process is in a crossover process using a single intersection, mutation insertion for the mutation process and the use of elits in the selection and simulation of Annealing. The previous test results obtained parameters with the Hybrid GA and SA method obtaining the best parameter value which is equal to 100 (population size) fitness which obtained an average of 0.06268, the value of 105 (generation) obtained by average fitness0. 06823, i 4 with a fitness value of 0.6, the average is 0.06792, and the average temperature with a value of 1 and apha is 0.5 obtained by the best fitness with an average of 0.06800 along with 0.08876. The hybridization suitability of GA and SA reached 0.08804 higher than the average GA suitability value of 0.05519 and SA suitability which was 0.04382 with a specified time of 1 minute and the requirements generated from the system were insufficient for the nutritional needs of the pregnant women.

Keywords: optimation, pregnant women, nutrition, genetic algorithm, simulated annealing

1. PENDAHULUAN

2. AngkaiKematianiIbu (AKI) idaniAngka KematianiBayii (AKB) terutama pada negara

indonesia sudah pada tahap darurat dikarenakan dibandingkan surveiiyangidilakukaniolehiSurvei DemografiidaniKesehatani Indonesia (SKDI) AKI dan AKB di tahun 2007 meningkat sebanyak 57%. Dengan hal itu membuktikan

bahwa sebagian besar penduduk di indonesia khususnya ibu hamil cukup memperhatikan. Dengan adanya hal tersebut pemerintah sudah berupaya atau mengambil langkahiuntuk menekaniangkaikematianiibuidanibayiidengan adanya Jaminan Persalinan (Jampersal). Jampersal tersebut berupa bantuan finasial bagi penduduk miskin atau kurang mampu untuk biaya persalinan. Akan tetapi jampersal hingga saat ini masih belum dapat membantu menekan AKI dan AKB yang meningkat setiap tahunnya (Ruslan, 2013).

Asupan gizi yang baik adalah seimbang atau sesuai dengan kebutuhan. Asupanigiziimenghasilkanienergi, transportasi dan metabolisme (Supriasa, 2002). Kebutuhan gizi adalah sumber pokok yang harus tepenuhi. Karena jika kebutuhan gizi terpenuhi akan berdampak baik pada kesehatan ibu hamil. Kebutuhan gizi tersebut berasal dari beberapa bahan makanan yang beragam misalkan adalah brokili, kangkung, ayam dll. Didalam tubuh untuk dapat melakukan aktifitas atau kegiatan sehari-hari diperlukan energi. Sumber energi diperoleh dari gizi pada bahan makanan yang dikonsumsi. Bahan makanan bervariasi masing-maisng mempunyai harga yang beragam dari harga mahal hingga murah. Oleh karena itu tidak semua kebutuhan gizi terpenuhi. Beberapa hal yang mengakibatkan tidak terpenuhinya kebutuhan gizi antara lain latar belakang pendidikan, faktor ekonomi dll (Brown, 2005). Dengan latar belakang kurang mampu terkadang ibu hamil mengalami kendala untuk penenuhan kebutuhan gizi karena harga bahan makanan dipasar berada pada harga yang tinggi dan berdampampak kurangnya asupan gizi bagi ibu hamil. Terdapat perbedaan antara penilaian status gizi wanita tidak hamil ibuihamilidenganiwanitaihamil. iOlehikarena itu perlu adanya sebuahi sistemiuntuk menentukanikomposisi makanan yangs sesuai dengan kebutuhaan gizi ibu hamil.

Metode algoritma genetika dari beberapa penelitan sudah banyak digunakan khususnya untuk permasalahan optimasi. Algorima genetika menghasilkan solusi dengan pencarian pada optimum lokal. Penelitan tersebut salah satunya dilakukan oleh Sari (2014) dan diperoleh solusi terbaik atau fitness tertinggi dengan nilai parameter 1500 untuk jumlah generasi, 150 untuk nilai populasi serta crossover dengan nilaii 0,4 sertainilai probabiltasidanimutasi yaitu pada nilaii0,6.

Pada peneliitan ini pada proses crossover menggunakanisingli pointicrossoverisedangkan pada tahap mutasiidenganiexchangeimutation sertaielitism digunakanipada tahap seleksi. Sifatialgoritmaigenetika yaitu konvergen dimanaipopulasinyai tidak lagii dapat menghasilkanipopulasiiyangilebihi baiki dari sebelumnya, idani memungkinkani terjebak dalamilokalioptimum. Selain ituiparameter algoritmaigenetika jukaimempengaruhiihasil dariioptimasi. Hasiliyang maksimal belumitentu didaptkan dari nulai parameter yang besaridan tidakimampuimengeksploitasii solusi secara mendalam. Dalamikekurangan tersebutimaka dibutuhkanialgoritmei lain seperti algoritma Simulatedi Annealingidapatimengeksploitasi solusiisecaraimendalam (Nikjoo et al, 2010).

Penelitian lain menggunakanisimulated annealing dilakukan oleh Shiddig (2015) dengan permasalahan penjadwalan produksi untuk meminimasi makespan diperoleh hasil dari penelitian tersebut lebih baik yaitu dengan didapatkan makespan 370 menit dibandingkan dengan makespan dari perusahaaan. Algoritma simulated annealing mempunyai kelebihan pada solusi yang dihasilkan dengan pencarian optimum global. Perkembangan dari beberapa penelitian untuk memaksimalkan hasil solusi akhir yaitu dengan menggabungkan genetic algorithm dan simulated annealing (Hamidah, 2016) untuk permasalahan optimasi komposisi makanan bagi keluarga. Hasil dari penelitian tersebut diperoleh solusi optimal dengan bahan makanan yang bervariasi serta kandungan pada bahan tersebut cukup memenuhi kebutuhan keluarga dan dapat menghemat biaya konsumsi makanan dalam satu hari sebesar 42,13%.

Pada penelitian ini menggabungkan antara algoritma genetika dengan simulated annealing dengan mengoptimasi kebutuhan gizi yang diperoleh dariibahanimakananibagiiibuihamil. Setiap bahan mkanan memilikiikandungan gizi antara lain energi, lemak, proteinidan karbohidratt. Hybridisimulatediannealingidan algoritmaigenetikaimencakupibeberapaiproses dasar, iyaituigenerateipopulasi, ievaluasi, seleksiielitism, isertaifitness. iPadai proses operasiialgoritmai genetika menggunakan crossoveridanimutasiisedangkanioperasii pada simulatediannealingimenggunakanimutasiidan prosesiannealing. iImplementasiimetodeihybrid simulatediannealingidani algoritmai genetika padaioptimasiikebutuhanigiziibagii ibui hamil diharapkani dapati menghasilkani

pemenuhan

nutrisi

i

yang

i

baik

i

dengan

i

biaya

i

atau

i

harga

yang

i

minimum

i

dari

i

bahan makanan

sehingga

i

dapat

i

memenuhi

i

kebutuhan

i

gizi

yang

i

seimbang.

3. LANDASAN KEPUSTAKAAN 3.1 Kehamilan

Kehamilan adalah proses pembuahan dari sel sperma ke ovum wanita dan hasil pembuahan tersebut akan berkembang didalam kandungan. Proses dimana janin akan mulai berkembang hingga normalnya dalam jangka waktu 280 hari atau dalam hitungan bulan 40 minggu. Proses persalinan dikatakan cukup jika masa kandungan adalah 40.Trisemester adalah tahapan saat kehamilan yang terbagi dalam tiga periode, setiap trisemester tersebut tersebut13 minggu lamanya. Pada masa kehamilan kebutuhan gizi mengalami peningkatan sebanyak 15% pada ibu hamil dibandingkan dengan wanita normal. Menurut Angka Kecukupan Gizi (AKG) 2013 pada trisemester 1 terjadi penambahan kalori sebesar 180, trisemester 2 sebanyak 300, dn trisemester 3 dengan nilai 300 Kkal. Penambahan berat badan pada proses kehamilan sejumlah 7-12 Kg atau rata-rata 0,35 kg per minggunya.

3.2 Gizi

Beberapa macam zat gizi yang dibutuhkan ibu hamil antara lain adalah lemak, karbohidrat, protein dan energi. Kebutuhan gizi tersebut dapat diperoleh dari berbagai bahan makanan. Bahan makanan yang dikonsumsi akan menghasilkan energi bagi tubuh dan akan bekerja secara maksimal. Bahan makana yang mengandung lemak antara lain adalah daging ayam, ikan dll. Sedangkan karbohidrat diperoleh dari beras, singkong dll serta protein berasal dari bahan makanan antara lain tempe, tahu dll. Energi dari bahan tersebut akan berdampak baik bagi kesehatan tubuh yang akan digunakan untuk aktifitas sehari-hari serta baik untuk perkembangan tubuh.

3.3 PerhitunganiKebutuhaniGiziiIbuiHamil

Untukikebutuhanibagii ibui hamil seperti protein, ilemak, idani karbohidrati dapat diperolehi nilainyai dengani menggunakan persamaani Cooper (

Poedyasmoro 2005).

AMBi=iBBIHixi1ixi24ijam (1) KTi=iBBIHixi0,1ixijamitiduri (7 jam) (2) AFi=i%iAktifitasixi (AMBi–iKT) (3)

SDi=i9%ixi (AMBi–iKTi+iAF) (4)

Sedangkan persamaan 5 untuk

perhitunganitotalikebutuhanienergiiatauiTotali EnergyiEcxpenditurei (TEE) :

(TEE) = AMB – KT + AF + SDA (5) Sedangkan untuk kebutuhanilemak,karbohidrat dan protein dapatidiperolehidengan menggunakan persamaan 6-8.

Karbohidrat = 60% * Energi (6) Protein = 15% * Energi (7) Lemak = 25% * Energi(8)

Dimana :

TEEi=iTotaliEnergyiExpenditure

BBIi=iBeratiBadaniIdeal BBIHi=iBeratiBadaniIbuiHamil AMBi=iAngkaiMetabolismeiBasal KTi=iKoreksiiTidur

AFi=iAktivitasiFisik

SDAi=iSpesificiDinamiciAction

Tabel 1 menunjukkan aktifitas fisik ibu hamil terbagi menjadi 5 kelompok :

Tabel 1 Aktifitas Fisik Ibu Hamil

No Kategori Nilai Aktifitas 1 Istirahat (10%) Tidur 2 Sangat Ringan (30%) Masak, Menjahit, Mencuci baju, Menyetrika pakaian 3 Ringan (50%) Beres-Beres Rumah, Berjalani 4-4,5ikm/jam Mengasuh Anak, 4 Sedang (75%i) Berjalani 5-6,5ikm/jam, Bersepeda 5 Berat (100%i) Bermain pingpong, Renang

4. HYBRID GA-SA UNTUK OPTIMASI KEBUTUHAN GIZI IBU HAMIL

Salah satu algorithm yaitu genetic algorithm melakukan pencarian solusi dengan mengoptimasi permasalahan yang panjang dan

kompleks serta efektif dalam memberikan solusi berdasarkan seleksi alam (Zhang et al, 2010). Pada penelitian ini akan mengoptimasi kebutuhan gizi ibu hamil dengan solusi merekomendasikan komposisi bahan makanan yang dikonsumsi ibu hamil per harinya serta komponan gizi yang terdapat dalam bahan makanan tersebut.

4.1 Representasi Kromosom

Pada proses ini untuk merepresentasikan sebuah gen dengan menggunakan bilangan integer dari nilai 1 hingga 15. Gen tersebut merepresentasikan bahan makanan. Dalam 1 kromosom terdiri dari 15 gen yang per harinya yaitu pagi, siang serta malam menyusun bahan makanan berupa solusi bagi kebutuhan untuk ibu hamil . Gambar 1 menunjukkan representasi kromosom.

Gambar 1 Representasi Kromosom

4.2 Fitness

Perhitungan nilai fitness dilakukan setelah mendapatkan hasil perhitungan dari kromosom yang sudah dibentuk . Rumus yang digunakan adalah :



_





 C H a Penalti Fitness arg (8) Dimana : 4 3 2 1 penalti penalti penalti pinalti Penalti    

(9)

Keterangan : C = Konstanta (1000)



H arga =iTotalihargaidariitiapikromosom yangidibentuk

Pinalti =iNilaiihasilipembobotan Penalti1 =iPenaltiiEnergi

Penalti2 =iPenaltiiprotein Penalti3 =iPenaltiilemak Penalti4 =iPenaltiikarbohidrat

Fungsi untuk perhitungan penalti tiap kandungan gizi menggunakan persamaan (10) sampai persamaan (13)           KebEnergi i TotalEnerg KebEnergi i TotalEnerg KebEnergi i TotalEnerg Penaltinergi , , 0 Ε (10)           otein Keb otein Total otein Keb otein Total otein Keb otein Total Penalti otein Pr Pr , Pr Pr Pr Pr , 0 Pr (11)           KebLemak TotalLemak KebLemak TotalLemak KebLemak TotalLemak PenaltiLemak , , 0 (12)           KebKarbo TotalKarbo KebKarbo TotalKarbo KebKarbo TotalKarbo PenaltiKarbo , , 0 (13)

4.3 Inisialisasi Populasi Awal

Tahapan ini ada proses awal dalam algoritma genetika. Dalam hal ini sebagai sample diambil popsize sebanyak tiga individu. Untuk menetukan kromosom hal diambil secara random dengan nilai integer dan setiap 1 kromosom panjangnya adalah 15 gen.

Gambar 2 Populasi Awal

4.4 Crossover

Salah satu metode pada crossover yang digunakan adalah one-cut point crossover (Mahmudy, 2015). Untuk menghasilkan anak atau offspring yaitu dengan perkalian antara crossover rate dengan jumlah popSize.

Gambar 3 Proses Crossover

Kromosom pada C1 adalah child yang diperoleh berdasarkan proses crossover antara parent p1 dengan gen 1 hingga dan p2 gen dengan nilai 6 hingga 15. Sedangkan C2 merupakan offspring dari proses persilangan antara parent pada p2 gen satu hingga 5 dan p1 gen enam sampai 15.

4.5 Mutasi

Insertion mutation adalah metode yang digunakan pada penelitian ini dan dalam mementukan segmen akan dilakukan secara acak pada kromosom. dipilih satu gen secara random. Dengan proses tersebut gen akan disisipkan pada posisi secara random terpilih. Gambar 4 dan 5 menunjukkan proses pergeseran gen yang terpilih.

Gambar 5 Proses mutasi P2

4.6 Seleksi

Proses akhir algoritma genetika dalam menentukan solusi terbaik adalah dengan melakukan proses seleksi pada setiap kromosom dalam populas serta akan terplih induk yang nantinya akan di proses pada tahap selanjutnya. Seleksi dilakukan untuk memilah individu-individu terbaik yang sebelumnya individu tersebut sudah dilakukan proses perhitungan nilai fitness. Elitis adalah metode yang dipilih pada proses seleksi ini untuk menyeleksi individu mana yang akan lolos tahapan berikutnya berdasaarkan hasil fitness yang diperoleh dari pemilihan nili fitness tertinggi ke terendah sebanyak popsize yang awalnya sudah ditentukan.

Gambar 6 Proses Seleksi

4.7 Algoritme Simulated Annealing(SA)

Tahapan ini dilakukan setelah proses seleksi selesai pada proses algoritme genetika. Pada proses seleksi sebelumnya telah diperoleh kromosom dengan nilai fitness terbesar yang selanjutnya akan digunakan untuk inisialisasi populasi awal pada proses SA. Selanjutnya dilakukan proses neighborhood. Neighborhood melakukan modifikasi pada individu awal sebelumnya untuk menjadikan sebuah individu baru. Caranya yaituidenganimodifikasiidengan menukarkaninilaiipadaisalahisatuigenikei gen lainipadaikromosomiyangisama. Kemudian akanimelaluiiprosesievalusi terhadap kedua individu. Dariiindividuiawalidaniindividuibaru nantinyainilaiicost-nyaiakanidiperbandingkan. Jikaiselisihi (∆F) iberadaidiantarainilaiicost individuibaruidenganiindividuiawal ≥ 0, imaka individuibaruiakani terpilihi menggantikannya padaiindividu awal. Sebaliknya, ijikaiselisih darii (∆F) < 0, imakaibilanganirandomiantarai0 hingga 1 akanidibangkitkan. Jikaidari probabilitasiBoltzmanilebih dari bilangan tersebut, imakaiindividuibaruiakanidiiterima (Orkcu, i2013). iBerikutiadalahirumusidari probabilitasiBoltzmanimenggunakanibilangan acak.

Exp((∆𝐹

𝑇)) ≥ δ (14)

Keti: i∆fi=iSelisihinilaiicost Ti=iTemperaturiSekarang δi=iBilanganiRandomiantarai0-1 Jikainilaiirandomimempunyaiinilaiilebihibesar dibandingkaniprobabilitasiBoltzman, makaiakan terjadiipenurunanitemperatur. Berikutiadalah persamaanipenurunanitemperatur.

Ti₀+n = iαi xiTs (15)

Keti: Ti₀+n i=iTempearturiiterasiiberikutnya αi=iAlpha

Tsi=iTemperaturiSekarang

Temperaturiakaniberhentiijikaitemperature akhir sudahimencapaiiakhir. Detailitahapan tersebut seperti Gambar 7 :

Gambar 7 Siklus Simulated Annealing

5. PEMBAHASAN DAN HASIL

5.1 Pengujian Parameter GA

Pada isubi babi inii

dilakukan

i

pengujian pada

i

algoritmeigenetika

i

pada

i

parameter

i

ukuran populasi,

i

ibanyakigenerasi,

i

dan

i

kombinasi

i

cr danimr. Pengujian parameter algoritme genetika dilakukan

i

untukimencari

i

nilaii

i

parameter

mendekati

i

optimal

i

yang

i

dapat

i

menghasilkan nilai

i

fitness

i

tertinggi. Pengujian

i

parameter algoritme genetika yang pertama adalah ukuran populasi dan didapatkan rata–rata

i

fitness terbaik

i

yaitu

i

0,057725

i

dihasilkan

i

dari

i

generasi sebanyak

i

100

i

sedangkan

i

pada

i

generasi

i

10 menghasilkan

i

rata-rata

i

fitness

i

terkecil

i

yaitu 0,054813

i

dengan inputan Ibu

i

hamil dengan berat

i

badan

i

55 kg,

i

tinggi

i

badan

i

160

i

cm,

i

usia kehamilan

i

10

i

minggu

i

dan

i

aktivitas

i

fisik

i

sangat ringan

i

(Sari, 2016). Kemudian

i

pengujian parameter generasi dengan rata–rata

i

fitness terkecil

i

dengan

i

nilai0,056838 sedangkan

i

untuk fitness

i

terbesar

i

didapatkan

i

dari

i

jumlah generasi sebanyak

i

105dengan

i

rata–rata

i

fitness

i

0,06205. Selanjutnya adalah parameter kombinasi Cᵣ dan Mᵣ didapatkan rata–rata nilai fitnesss terbesar terdapat

i

pada kombinasi Cᵣ 0,4 dan Mᵣ 0,6

yaitu 0,055938. Dengan hal itu diperoleh parameterimendekatii optimali yaitui dengan menggunakani parameteri awal ibanyak generasiisebesari100, icri dani mri sebesari0.5 dengan imelakukanipercobaanisebanyak 6 kali dengani rata–rata ifitnessi terbaiki yaitu 0,057725idihasilkan idarii generasii sebanyak 100isedangkani padaigenerasii10imenghasilkan rata-rataifitnessi terkeciliyaitui0,054813.

5.2 Pengujian Parameter SA

Pengujian parameter awal yaitu temperatur awal (T0) idilakukanisebanyaki8ikaliidaniakan

dihitungirata–ratainilaiifitnessiyangidihasilkan. Parameteriujiiantarailainitemperaturiakhiri 0,5 danialphaisebesari 0,4i danidalamipengujian diketahuiibahwainilaii fitnessi yangi diperoleh dariipegujianitemperaturi awali yangi paling besari adalahi 6i dengani nilaii fitnessi rata-rata adalahi0,371625i sedangkani yangi terendah dengani rata-rataifitnessi0,0354125idengani

nilaiitemperatur awali 0,9 (Hamidah, 2016). selanjutnya adalah alpha (α) ipengujianiini menggunakaninilaiitemperaturi awali (T₀)i0,3 karenainilaiitersebuti yangi memperolehinilai fitnessi yangi mendekatii optimali sedangkan temperaturiakhiriadalahi 0,5 dan didapatkan fitness terbesar adalah dengan nilai 0,5. i Rata-rataifitness yangidihasilkaniadalahi0,046713 Dataiibuihamiliyangidigunakani adalahi berat badani 55i kg, itinggiibadani160i cm, iusia kehamilani10 imingguidaniaktivitasifisikisangat ringan.

5.3 Pengujian Parameter Hybrid GA-SA

Data iibui hamili yangi digunakaniadalah beratibadani55ikg, itinggiibadani160icm, iusia

kehamilani10imingguidaniaktivitasi fisikiyang dilakukanisangatiringan. Pengujianiiniiakan memperolehirata-rataifitnessiuntukisetiapinilai dariipopsizeidenganipengujianiyangidilakukan sebanyaki8ikali. iParameteriuntukipengujian awaliantarailainidenganinilaiigenerasiisebanyak 100idenganicrossoverirrateidanimutationi rate adalahi0,4idani0,6. iSertaitemperaturiawalidan akhiriadalahi6idani0,5ikemudianinilaiialphai0,5 denganirata–rataifitnessiterbaikiyaitui0.06807. Pengujianiparameter lainnya adalahigenerasi didapatkanirata-rataifitnessiterkecilidengai nilai 0.06366iyangidihasilkanidariijumlahi generasi sebanyaki15, iSedangkaniuntukifitnessiterbesar didapatkanidariijumlahigenerasiisebanyaki105 denganirata–rataifitnessi 0.06823. iKemudian dilanjutkan pengujian Cᵣ dan Mᵣidiperolah fitnessiterbesariterdapatipadaikombinasiiCᵣi0,4 daniMᵣi0,6iyaitui0.06792. selanjutnyaiadalah temperatur awal dengan nilai parameter 1 menghasilkan nilaii rata–rataifitnessiterbesar yaitui0,06800. Dan pengujian terakhir adalah pengujian pada parameter alpha (α) dari hasil pengujian diperoleh dengan inputan awal menggunakan popsize sebesar 100ijumlah generasiisebanyaki105idengannilai temperature awali6isedangkanitemperaturiakhiri adalahi 1 menghasilkani nilaii parameteri terbesar pada nilaii 0,5i yaitui dengani fitnessi rata-rata 0.088763.

5.4 Pengujian Perbandingan Algoritme

Pengujiani perbandingani algoritma dilakukanidenganimembandingkanihasili rata-ratai fitnessi tertinggii darii masing-masing pengujiani algoritmei genetika, i algoritme simulatediannealingidanihybridiGA-SAidengan waktuikomputasiiditetapkaniselamai 1i menit padaimasing-masingirunningialgoritme. iHasil tersebutidiperolehi darii rata-ratai waktu komputasii terlamai darii ketigai algoritme tersebuti yaituiwaktuikomputasiipadaialgoritme GA-SA. Parameteri yangi digunakanipada pengujianipebandinganialgoritmeidiperolehidari hasilipengujianiparameterialgoritmai genetika, hasilipengujianiparameterialgoritmaisimulated annealing, idani hasili pengujianiparameter hybridi GA-Sai sebelumnya. iPengujian dilakukanisebanyaki5ikaliipadaimasing-masing algoritme. Hasili pengujiani perbandingan algoritmeidapatidilihatipadaiTabel 2.

Tabel 2 Perbandingan Algoritma

Ke- SA GA GA-SA 1 _{0,0442 0,06021 0,0819} 2 _{0,0435 0,05082 0,0922} 3 0,0441 0,06054 0,0921 4 _{0,0433 0,05246 0,0818} 5 0,044 0,05193 0,0922 Rata-rata Fitness 0,04382 0,05519 0,08804

BerdasarkaniTabeli2ipenggunaan dari hibridisasiiGA-SAipadaioptimasiikebutuhanigizi padaiibuihamilidapatimenghasilkaninilaiirata-rata fitnessiyangilebihibaikidariipadaipenggunaaniGA atauialgoritmeiSAisecaraiterpisahidengani hasil yangididapatkaniadalahinilaiirata-ratai fitness algoritmeiSAisebesari0,04382idaninilaiirata-rata fitnessiGA sebesar 0,055192isedangkaniGA-SA mencapaii0,08804. Namuniwaktuikomputasi yangidibutuhkanidalamiprosesihybridiGAidaniSA membutuhkaniwaktuilebihibanyakidibandingkan hanyaimenggunakanialgoritmeialgeniatau SA secaraiterpisah.

5.5 Analisis Hasil Pengujian

Berdasarkan Gambar 7 menunjukkan perbandingan antara kebutuhan gizi rekomendasi dari sistem masih kurang mencukupi dari kebutuhan gizi ibu hamil semestinya dalam 1 hariSebelumnya telah dilakukan pengujian dari parameter terbaik pada proses hybrid dengan jumlah populasi sebanyak 100, Cr sebesar 0,4, dan nilai Mr terbaik yaitu 0,6, sedangkan untuk T0 didapatkan terbaik pada nilai 1 dan alpha sebesar 0,5 serta jumlah generasi sejumlah 1500 dengan inputan data ibu hamil yang digunakan adalah berat badan sebanyak 55 kg, tinggi badan 160 cm, dan usia kehamilan yang menginjak usia 10 minggu dan aktivitas fisik sangat ringan.

Gambar 8 Hasil

6. KESIMPULAN

Hybridialgoritmai genetikai dani simulated annealingi yangiditerapkanipadaipenelitianiini dimulaiipadaitahap algoritma genetika yaitu inisialisasi kromosom serta menggunakan crossover dan mutasi untuk melakukan

reproduksi. Seleksi yang digunakan adalah elitism selection dengan mengambil fitness tertinggi yang nantinya fitness tersebut akan diproses ke tahapan pencarian neighborhood pada simulated annealing hingga mencapai iterasi maksimum dan solusi yang optimum. Parameter hybrid algoritma genetika dan simulated annealing diuji dan di dapatkan nilai fitness terbaik yang mendekati optimal dengan jumlah populasi sebesar 100 dengan rata-rata fitness sebesar 0.06268, generasi sejumlah 105 dengan rata-rata fitness 0.06823, kombinasi Cᵣ dan Mᵣ adalah 0,4 dan 0,6 dengan diperoleh rata-rata fitness 0.06792, Temperatur awal 1 dan alpha 0,5 dengan rata-rata fitness terbaik adalah 0.06800 dan 0.08876. Hasil lain berdasarkan Efektifitas hibridisasi GA dan SA setelah melakukan pengujian didapatkan bahwa hasil rata-rata lebih baik dibadingkan dengan penggunaaan GA dan SA secara terpisah. Hasil fitness hibridisasi GA dan SA mencapai 0,08804 lebih tinggi dari pada nilai rata-rata fitness GA sebesar 0,05519 dan nilai rata-rata fitness SA adalah 0,04382 dengan waktu yang ditentukan adalah 1 menit.

7. DAFTAR PUSTAKA

Brown, J.e., 2005. Subdit Gizi Klinis, Departemen Kesehatan Indonesia. Jakarta

Hamidah, C.P., Cholissodin, I., & Nurwansito, H., 2016. Optimasi Susunan Bahan Makanan Untuk Pemenuhan Gizi Keluarga Menggunakan Hybrid Algoritma Genetika Dan Simulated Annealing. DORO : Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol.8, no.26

Mahmudy, W.F., 2013. Algoritma Evolusi. PTIIK. Universitas Brawijaya

Mahmudy, W.F., 2014. Improved simulated annealing for optimization of vehicle routing problem with time windows (VRPTW). Kursor, Vol. 7, No. 3, Pp. 109-116.

Nikjoo, R. S., Sadeghi, S. H. H., & Moini, R. 2010. “A Hybrid Genetic- Simulated Annealing Algorithm for Optimal Design of Grounding Grids with Rods”. Asia-Pasific Power and Enegry Engineering Conference, pp. 1-4.

Orkcu, H.H., 2013. Subset Selection in

Multiple Linier Regresion Models

:A Hybrid of Genetic and Simulated

Annealing

Algorithm.

Applied

Mathematics and Computation, vol.

129, no. 23, pp. 11018–11028

Poedyasmoro, SKM, 2005. Buku Praktis Ahli

Gizi, Buku Kuliah Politeknik Kesehatan Malang. Malang.

Sari, A.P., Mahmudy, W.F., & Dewi, C., 2014. Optimasi Asupan Gizi Pada Ibu Hamil Dengan Menggunakan Algoritma Genetika. DORO : Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol.4, no.

Simanjutak, D.H., & Sudaryati, E., 2005. Gizi Pada Ibu Hamil dan Menyusui. FKM USU

Sofianti, T.D., 2004. Penjadwalan Multipurpose Batch Chemical Plant Dengan Metode Optimasi Gabungan : Algoritma Genetika - Simulated Annealing Proceedingsa Komputer dan Sistem Intelejen, (pp297-308). Jakarta Suci, W.W., Mahmudy W.F., & Putri, R.R.M.,

2015.Optimasi Biaya Pemenuhan Gizi Dan Nutrisi Pada Manusia Lanjut Usia Menggunakan Algoritma Genetika. DORO : Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol.4, no.5

Supariasa, I.D.N., Bakri, B. & Fajar, I., 2002.Penilaian Status Gizi.Jakarta : Kodekteran EGC

World Health Organisation (WHO), 1990.Diet, Nuttrion and the prevention of Cronic disease.Report of a WHO Study

Group.World Health