Fakultas Ilmu Komputer
Universitas Brawijaya
2101
Optimasi Kebutuhan Gizi Menggunakan Algoritme Evolution Strategies
Pada Balita Dan Ibu Menyusui
Fahri Ariseno1, Imam Cholissodin2, Edy Santoso3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1fahri.as@gmail.com, 2imamcs@ub.ac.id, 3edy144@ub.ac.id
Abstrak
Orang tua perlu memperhatikan pola makan dari balita karena makanan yang dikonsumi pada masa pertumbuhan balita sangat mempengaruhi tumbuh kembang dari balita begitu juga dengan ibu dari balita yang masih menyusui dimana kualitas ASI juga sangat mempengaruhi pertumbuhan balita. Kurangnya perhatian pada makanan yang dikonsumsi oleh balita dapat menyebabkan berbagai macam komplikasi penyakit dikarenakan tubuh balita yang masih rentan dan mudah terkena infeksi, gizi buruk, atau obesitas. Penelitian ini akan mengimplementasikan algoritme evolution strategies untuk menghasilkan rekomendasi komposisi menu makanan dengan kandungan gizi paling optimal yang dapat memenuhi kebutuhan gizi harian dan tidak melebihi batas untuk balita dan juga ibu menyusui. Siklus utama yang digunakan pada penelitian ini adalah siklus ES (µ + λ) dan tiga siklus ES lainnya sebagai perbandingan. Berdasarkan hasil pengujian yang dilakukan menggunakan siklus ES (µ + λ) untuk data balita dan ibu menyusui pada parameter µ = 10, λ = 100, dan generasi = 250, didapatkan hasil fitness terbaik yaitu 0,225070 yang hasil rekomendasinya mendekati nilai kebutuhan gizi harian yang dibutuhkan oleh balita dan ibu menyusui.
Kata kunci: evolution strategies, optimasi, kebutuhan gizi, balita, ibu menyusui Abstract
Parents need to pay attention on a diet of a toddler because of the food that being consumed during infancy greatly influences the growth and development of the toddler as well as the mother of the toddler who are still breastfeeding where the quality of the breast milk also greatly influences toddler growth. The lack of attention on a food that being consumed by toddler can cause various kinds of disease complication because of toddler body that still vulnerable and prone to infections, malnutrition, or obesity. This research will implement evolution strategies algorithm to obtain recommendations for the composition of the most optimal nutritional diets that can meet daily nutritional needs that did not exceed the daily limits for toddlers and breastfeeding mothers. The main cycle used in this study is the ES cycle (μ + λ) and three other ES cycles as comparison. Based on the results of tests conducted using the ES cycle (μ + λ) for a data of toddler and breastfeeding mothers on the parameters of μ = 10, λ = 100, and generation = 250, the best fitness result obtained are 0.225070 which recommendation are close to the daily nutritional needs of toddler and breastfeeding mother. Keywords: evolution strategies, optimization, nutritional needs, toddler, breastfeeding mother
1. PENDAHULUAN
Kuranganya gizi yang diperlukan oleh tubuh dapat mempengaruhi kinerja dan juga daya tahan tubuh yang dapat menyebabkan kita mudah terserang penyakit, dimana hal tersebut dapat berakibat fatal terutama pada anak usia balita. Di Indonesia sendiri masih banyak balita yang memiliki permasalahan baik itu kekurangan maupun kelebihan gizi.
Berdasarkan data pemantauan status gizi tahun 2016, balita di Indonesia yang mengalami gizi buruk mencapai 3,4%, lalu sebanyak 14,4% mengalami kekurangan gizi, 1,5% balita mengalami kelebihan gizi, dan 80,7% memiliki gizi baik. Jumlah balita yang memiliki gizi baik pada tahun 2017 mengalami penurunan dari 80,7% menjadi 80,4%, dimana balita yang mengalami gizi buruk meningkat menjadi 3,8%, 14% mengalami kekurangan gizi, dan 1,8%
mengalami kelebihan gizi. Dari data laporan Kementerian Kesehatan RI di atas dapat disimpulkan bahwa sepanjang tahun 2016 dan 2017, 2 dari 10 balita di Indonesia mengalami gangguan gizi.
Masa pertumbuhan balita sampai dengan usia dua tahun merupakan masa dimana pertumbuhannya paling pesat dan ASI yang diberikan pada enam bulan pertama juga sangat mempengaruhi pertumbuhan balita, sehingga perlu dilakukan penimbangan dan pengecekan tinggi badan secara teratur untuk mengetahui apakah pertumbuhan balita tersebut normal atau tidak dan penting juga untuk memperhatikan asupan gizi menu makanan balita apakah cukup atau tidak. Orang tua memiliki peran yang sangat penting dalam memantau perkembangan balita, karena hanya mereka yang dapat mengatur pola makan sehari-hari dari balita dengan memperhitungkan tiap-tiap kandungan gizi dalam makanan balita agar tidak kurang ataupun lebih dari kebutuhan gizi hariannya.
Menghitung kebutuhan gizi dan menentukan komposisi menu makanan harian yang dapat memenuhi kebutuhan gizi tersebut tidaklah mudah, begitu juga dengan banyaknya waktu yang dibutuhkan apabila dilakukan secara manual, maka dari itu dibutuhkan sebuah sistem pintar yang dapat memperhitungkan nilai kebutuhan gizi harian sekaligus komposisi menu makanan yang dapat memenuhi kebutuhan gizi harian dari balita dan ibu menyusui, seperti pada penelitian berikut dimana perhitungan gizi harian dicari dengan bantuan sistem pakar yang dihitung berdasarkan data masukan seperti tanggal lahir yang digunakan untuk menghitung umur, tingkat aktivitas untuk menentukan banyaknya kalori yang diperlukan, dan juga penyakit yang diderita agar dapat dilakukan penjadwalan waktu dan juga makanan yang perlu dikonsumsi. Solusi akhir yang didapat dari data masukan tersebut dihitung dengan mengikuti aturan sistem basis pengetahuan yang sudah dibuat (Hazman dan Idrees, 2015).
Studi mengenai optimasi kebutuhan gizi sendiri juga sudah pernah dilakukan, yang mana dalam penyelesaian masalahnya peneliti memilih menggunakan metode hybrid algoritme genetika dan simulated annealing untuk mencari nilai kalori harian yang dibutuhkan oleh balita melalui data masukan berupa data balita mulai dari umur, tinggi, berat badan, dan juga tingkat aktivitas fisik. Proses komputasi algoritme genetika dilakukan mulai
dari inisialisasi awal sampai dengan proses seleksi yang kemudian hasil dari proses seleksi tersebut akan diproses lagi menggunakan algoritme simmulated annealing sehingga bisa didapat individu terbaik (Anggarsari, Mahmudy, Dewi, 2017).
Evolution strategies (ES) tidak jauh berbeda dengan algoritme genetika dan merupakan bagian dari evolutionary algorithms (EAs) yang mana proses komputasinya lebih cepat dibandingkan dengan algoritme lain, akan tetapi dalam studi kasus ini algoritme evolution strategies dalam pencarian solusinya bisa lebih cepat dari algoritme genetika dikarenakan tidak perlu melalui proses crossover (Mahmudy, 2013). ES juga memiliki tingkat fleksibilitas yang lebih besar dalam proses komputasi karena adanya mekanisme self-adaptation yang mengontrol parameter pencarian untuk masing-masing individu, berbeda dengan algoritme genetika dimana hanya memiliki satu tingkat mutasi dengan nilai yang sudah ditentukan dari awal dan konstan hingga proses komputasi berakhir (Bäck, 1995).
Dari berbagai macam studi kasus yang pernah dilakukan menyangkut kebutuhan gizi balita, masih belum ada studi dimana dalam pencarian solusinya digunakan algoritme evolution strategies. Berdasarkan data referensi dan kajian pustaka, algoritme evolution strategies tersebut cocok untuk digunakan pada studi pemecahan masalah optimasi dan proses komputasinya lebih cepat, sehingga dapat digunakan untuk mencari nilai kebutuhan gizi balita dan ibu menyusui yang paling optimal. 2. LANDASAN KEPUSTAKAAN 2.1. Kajian Pustaka
Penggunaan algoritme evolution strategies untuk berbagai macam studi kasus sudah banyak dilakukan, contohnya seperti penelitian yang dilakukan oleh Milah dan Mahmudy (2015) dimana algoritme evolution strategies digunakan untuk pencarian solusi optimasi pakan ternak sapi potong yang mana berdasarkan data dari peneliti tersebut menyatakan bahwa biaya operasional dalam usaha ternak sapi mengalokasikan lebih dari 70% total biaya hanya untuk pakan ternak saja, sehingga peneliti berpendapat bahwa algoritme evolution strategies tersebut cocok digunakan untuk membantu pengusaha dalam membuat pakan ternak sendiri dengan komposisi yang
memiliki nutrisi paling baik untuk sapi dengan harga yang terjangkau. Dari data uji coba yang dilakukan oleh peneliti, hasil dengan nilai fitness terbaik yaitu untuk data uji dengan kromosom antara 0-20, ukuran populasi (µ) yaitu 50, dan dengan generasi sebanyak 1200. Hasil solusi yang diperoleh dari penelitian menggunakan algoritme evolution strategies tersebut terbukti dapat menyelesaikan masalah optimasi pakan ternak sapi berdasarkan data hasil uji yang menunjukkan bahwa tidak adanya penalti pada solusi akhir yang berarti nutrisi yang dibutuhkan oleh sapi sudah terpenuhi.
Selain untuk optimasi pakan ternak, algoritme evolution strategies juga pernah digunakan oleh Sulistiowati, Cholissodin, dan Marji (2016) untuk membantu memenuhi kebutuhan gizi keluarga dengan mengoptimasi bahan makanan sehat yang dikonsumsi sehari-hari dimana hasil data ujinya menyatakan bahwa solusi dengan nilai fitness terbaik didapat pada data uji dengan populasi 80, offspring sebanyak 8µ, dan banyaknya generasi yaitu 120. Tidak hanya optimasi menu keluarga saja, algoritme ini juga dapat digunakan untuk mengoptimasi menu makan anak panti asuhan yang berjumlah puluhan sehingga bisa didapat menu makan yang murah tetapi dapat memenuhi kebutuhan gizi harian yang dibutuhkan oleh tiap anak panti asuhan seperti yang digunakan pada penelitian Herdanis, Cholissodin, dan Fauzi (2016), yang dimana tingkat ketercukupan gizinya mencapai 91% dari kebutuhan gizi yang diperlukan.
Algoritme evolution strategies juga dapat digunakan untuk membantu dalam mengoptimasi menu makanan bagi penderita penyakit jantung dengan biaya yang minimal seperti pada penelitian yang dilakukan oleh Simamora, Cholissodin, dan Fauzi (2017) yang juga terbukti dapat memberikan solusi yang lebih optimal dibandingkan dengan rekomendasi yang diberikan oleh pakar yaitu makanan rekomendasi dari sistem 53,44% lebih murah
2.2. Kebutuhan Gizi Balita
Balita memiliki kebutuhan gizi yang berbeda-beda berdasarkan usianya. Usia maksimal anak masuk dalam kategori balita yaitu 5 tahun atau 59 bulan. 5 tahun dari pertumbuhan dan perkembangan balita merupakan masa terpenting karena pada rentang usia tersebut balita masih sangat rapuh
dan membutuhkan gizi yang mencukupi tumbuh kembangnya dan tentu saja pada masa ini balita sangat rentan terserang berbagai macam penyakit khususnya penyakit gizi yang mana sangat mudah menyerang apabila kebutuhan gizi balita tidak terpenuhi (Kemkes, 2014). Seperti pada Gambar 1, yang merupakan contoh balita dengan perkembangan gizi normal.
Gambar 1. Balita Gizi Normal
Balita mulai dari usia 0-59 bulan memiliki kebutuhan gizi yang berbeda-beda, berikut kategori kebutuhan gizi balita berdasarkan usia:
1. Balita Usia 0-6 Bulan
Bayi pada usia 0-6 bulan hanya membutuhkan ASI eksklusif saja karena pada usia ini ASI sudah dapat memenuhi semua kebutuhan gizi bayi sehingga bayi tidak perlu mengkonsumi makanan lain (Kemkes, 2014). Oleh karena itu, kualitas ASI yang diberikan kepada balita harus sebaik mungkin dan dapat memenuhi kebutuhan gizi harian bayi, sehingga ibu menyusui juga harus memperhatikan pola makan agar dapat menjaga kualitas ASI. 2. Kebutuhan Gizi Balita Usia 7-24 Bulan
Usia ini merupakan periode dimana pertumbuhan dan perkembangan anak sangatlah cepat. Pada usia ini anak sudah mulai terpapar berbagai macam infeksi dan juga sudah mulai aktif secara fisik, sehingga kebutuhan harian gizi yang diperlukan tentu saja harus memperhatikan tingkat aktivitas maupun keadaan dari bayi/anak. Setelah masuk usia 7 bulan, bayi sudah melewati masa ASI Eksklusif karena ASI saja belum dapat memenuhi kebutuhan gizi hariannya sehingga bayi perlu diperkenalkan dengan makanan-makanan bergizi lainnya mulai dari makanan dalam bentuk lumat, makanan lembik, yang kemudian beralih ke
makanan keluarga setelah bayi masuk usia 1 tahun (Kemkes, 2014).
3. Kebutuhan Gizi Balita Usia 25-59 Bulan Setelah masuk usia 2 tahun, anak sudah lepas dan tidak perlu diberikan ASI lagi. Kebutuhan gizi harian anak usia 2-5 tahun mulai meningkat dikarenakan pada masa ini merupakan masa pertumbuhan cepat dan masa dimana aktivitas anak sangat tinggi. Kebutuhan gizi anak pada masa ini sangat perlu diperhatikan karena pada masa ini anak sudah mulai memilih-milih makanan yang disukai termasuk jajanan sehingga anak perlu dihindarkan dari makanan yang dapat mempengaruhi kesehatan gizi anak.
2.3. Perhitungan Kebutuhan Gizi
Untuk dapat mengetahui tingkat kebutuhan gizi harian dari balita dapat dilakukan dengan menggunakan rumus yang didapat dari Institute of Medicine yang memperhitungan mulai dari usia balita, tinggi dan berat badan, jenis kelamin, dan juga tingkat aktivitas dari balita.
Dikarenakan sedikitnya perbedaan antara balita laki-laki dan perempuan untuk usia 0-35 bulan, maka hanya digunakan satu rumus saja tanpa melihat jenis kelamin dengan menggunakan rumus Persamaan 1 sampai Persamaan 4 di bawah ini:
Balita usia 0-3 bulan
𝐸𝐸𝑅 = (89 × 𝐵𝐵 − 100) + 175 𝐾𝑎𝑙𝑜𝑟𝑖 (1)
Balita usia 4-6 bulan
𝐸𝐸𝑅 = (89 × 𝐵𝐵 − 100) + 56 𝐾𝑎𝑙𝑜𝑟𝑖 (2)
Balita usia 7-12 bulan
𝐸𝐸𝑅 = (89 × 𝐵𝐵 − 100) + 22 𝐾𝑎𝑙𝑜𝑟𝑖 (3)
Balita usia 13-36 bulan
𝐸𝐸𝑅 = (89 × 𝐵𝐵 − 100) + 20 𝐾𝑎𝑙𝑜𝑟𝑖 (4)
Keterangan :
EER = Estimated Energy Requirements (Kal)
BB = Berat Badan (Kg)
Untuk balita usia 37-59 bulan perlu digunakan rumus yang berbeda antara balita laki-laki dan balita perempuan, rumus yang digunakan dapat dilihat pada Persamaan 5 dan Persamaan 6.
Balita laki-laki usia 37-59 bulan
𝐸𝐸𝑅 = 88,5 − (61,9 × (𝑈/12)) +
𝑃𝐴 × (26,7 × 𝐵𝐵 + 903 × 𝑇𝐵) + 20 𝐾𝑎𝑙𝑜𝑟𝑖
(5)
Balita perempuan usia 37-59 bulan
𝐸𝐸𝑅 = 135,3 − (30,8 × (𝑈/12)) +
𝑃𝐴 × (10,0 × 𝐵𝐵 + 934 × 𝑇𝐵) + 20 𝐾𝑎𝑙𝑜𝑟𝑖
(6)
Keterangan :
EER = Estimated Energy Requirements (Kal)
U = Usia (bulan)
PA = Koefisien aktivitas fisik BB = Berat Badan (Kg) TB = Tinggi Badan (m)
Balita laki-laki dan perempuan memiliki tingkat aktivitas fisik dan nilai koefisien aktivitas fisik berbeda yang dapat dilihat pada Tabel 1.
Tabel 1. PA Balita Usia 37-59 Bulan
Tingkat Aktivitas Laki-Laki Perempuan
Tidak Aktif 1,00 1,00
Sedang 1,13 1,16
Aktif 1,26 1,31
Sangat Aktif 1,42 1,56
Selain memenuhi kebutuhan kalori harian balita, untuk gizi yang seimbang perlu diperhitungkan juga kandungan protein, lemak, dan karbohidrat pada makanan yang dikonsumsi, Tabel 2 merupakan tabel pembagian angka kecukupan gizi harian untuk balita usia 0-59 bulan.
Tabel 2. Angka Kecukupan Gizi Harian Balita
Usia Protein Lemak Karbohidrat
0-5 bulan 9,4% 36,2% 54,4%
6-11 bulan 11,2% 29,0% 59,8% 12-36 bulan 13,0% 27,7% 59,3% 37-59 bulan 13,1% 27,0% 59,9%
Untuk mengetahui angka kebutuhan gizi dari ibu menyusui, dapat digunakan rumus Persamaan 7 untuk mencari EER dari ibu yang kemudian akan digunakan Persamaan 8 atau Persamaan 9 untuk mencari nilai akhir kebutuhan gizi dari ibu menyusui. Pembagian tingkat aktivitas fisik perempuan dapat dilihat pada Tabel 4 dan untuk pembagian angka kecukupan gizi harian perempuan dapat dilihat pada Tabel 5.
EER untuk perempuan usia 19 tahun ke atas
𝐸𝐸𝑅 = 354 − (6,91 × 𝑈) + 𝑃𝐴 × (9,36 × 𝐵𝐵 + 726 × 𝑇𝐵) (7) 6 bulan pertama 𝐸𝐸𝑅𝑚𝑒𝑛𝑦𝑢𝑠𝑢𝑖 = 𝐸𝐸𝑅 + 500 − 170 (8) 6 bulan berikutnya 𝐸𝐸𝑅𝑚𝑒𝑛𝑦𝑢𝑠𝑢𝑖 = 𝐸𝐸𝑅 + 400 − 0 (9)
Keterangan :
EER = Estimated Energy Requirements (Kal)
U = Usia (tahun)
PA = Koefisean aktivitas fisik BB = Berat Badan (Kg) TB = Tinggi Badan (m)
Tabel 3. PA Perempuan Usia 19 Tahun Ke Atas
Tingkat Aktivitas PA Tidak Aktif 1,00
Sedang 1,12
Aktif 1,27
Sangat Aktif 1,45
Tabel 4. Angka Kecukupan Gizi Harian Perempuan
Usia Protein Lemak Karbohidrat 16-18 th 13,6% 27,4% 59,0% 19-29 th 13,8% 26,8% 59,4% 30-49 th 13,7% 26,9% 59,4% 50-64 th 13,5% 25,8% 60,7% 2.4. Evolution Strategies
Seperti pada algoritme lainnya, ES juga menggunakan beberapa notasi untuk menyatakan parameter-parameter yang digunakan, seperti µ (miu) yang digunakan untuk menyatakan ukuran populasi dan juga λ (lamda) yang digunakan untuk menyatakan banyaknya offspring yang dihasilkan dari proses reproduksi. Karena reproduksi pada ES hanya mengandalkan mutasi saja, proses rekombinasi tidak selalu digunakan, sehingga ES dapat dibagi menjadi empat tipe proses:
1. (µ, λ) 2. (µ/r, λ) 3. (µ + λ) 4. (µ/r + λ)
Pada siklus pertama, rekombinasi tidak digunakan dalam proses reproduksi dan proses seleksinya hanya melibatkan individu dalam offspring saja dengan menggunakan elitism selection. Siklus ES (µ/r, λ) sama dengan siklus pertama, hanya saja pada siklus ini dilakukan proses rekombinasi sebelum melakukan mutasi. Siklus ES (μ + λ) tidak perlu melakukan rekombinasi dan proses seleksinya menggunakan metode elitism selection dengan melibatkan offspring dan juga parent. Sedangkan siklus ES (µ/r + λ) dilakukan proses rekombinasi dan pada proses seleksinya menggunakan metode elitism selection dengan melibatkan offspring dan parent (Mahmudy, 2013).
Siklus yang akan digunakan pada penelitian ini yaitu siklus ES (µ + λ), dengan
komponen-komponennya yang meliputi: 2.4.1. Representasi Kromosom
Sama halnya dengan algoritme genetika, variabel keputusan akan menjadi gen string kromosom dimana pada penelitian ini representasi gen kromosomnya menggunakan real-vector. Tabel 5 menunjukkan contoh gambaran representasi kromosom.
Tabel 5. Representasi Kromosom
P(t) X1 σ1 f(X1) P1 0,489 0,141 2,821 P2 0,591 0,538 4,706 P3 0,846 0,998 1,586 P4 0,311 0,405 2,562 2.4.2. Inisialisasi
Pada proses ini akan dibangkitnya secara acak himpunan string kromosom sebanyak jumlah populasi (µ) yang sudah ditentukan. Misalnya ditentukan jumlah populasi awal adalah 4 yang mana hasil pembangkitan acaknya akan seperti pada Tabel 5 yaitu 4 individu dengan masing-masing kromosom yang nilainya acak.
2.4.3. Reproduksi
Karena pada siklus ini tidak dilakukan rekombinasi, maka hanya proses mutasi saja yang dapat menghasilnya offspring dengan memilih induk awal yang kemudian akan dimutasi sampai memenuhi jumlah populasi offspring yang diinginkan. Misalkan P=(x1, x2, σ1, σ2) adalah salah satu individu terpilih yang akan digunakan untuk proses mutasi, maka akan dihasilkan sebuah offspring P’=(x’1, x’2, σ’1, σ’2) (Mahmudy, 2013).
Offspring didapat dengan membangkitkan nilai r1 dan r2 secara acak pada interval [0,1] yang digunakan untuk mencari nilai N(0,1) dengan rumus Persamaan 10, nilai N(0,1) kemudian akan digunakan untuk proses mutasi dengan rumus Persamaan 11.
𝑁(0,1) = √−2. 𝑙𝑛 𝑟1𝑠𝑖𝑛 2𝜋𝑟2 (10)
𝑥′ = 𝑥 + 𝜎 𝑁(0,1) (11)
Sedangkan untuk nilai σ dari offspring dapat dicari dengan membandingkan nilai fitness offspring dengan nilai fitness parent, jika fitness offspring lebih besar dari fitness parent maka rumus yang digunakan adalah Persamaan 12, sedangkan jika nilai fitness offspring lebih kecil dari nilai fitness parent maka rumus yang
digunakan adalah Persamaan 13.
𝜎′ = 𝜎 × 1,1 (12)
𝜎′ = 𝜎 × 0,9 (13)
2.4.4. Seleksi
Seleksi yang digunakan pada siklus ini adalah elitsm selection dan melibatkan semua individu dalam populasi, yang kemudian akan didapat populasi baru sebanyak jumlah populasi awal yang sudah ditentukan. Misal terdapat hasil individu dalam populasi seperti pada Tabel 6, jika dilakukan elitism selection dan dipilih individu dengan nilai fitness terbaik sebanyak jumlah populasi awal maka hasil seleksi adalah individu C2, C3, dan P1 yang
kemudian ketiga individu tersebut akan menjadi individu baru yaitu C2 menjadi P1, C3 menjadi
P2, dan P1 menjadi P3, yang akan digunakan
untuk proses reproduksi generasi selanjutnya.
Tabel 6. Individu dalam Populasi
Individu Fitness P1 6 P2 2 P3 5 C1 4 C2 8 C3 7
Nilai fitness yang dicari dalam penelitian ini akan dihitung berdasarkan penalti gizi dari menu makanan rekomendasi sistem yang merupakan nilai selisih dari total gizi menu dengan total kebutuhan energi harian, rumus fitness yang digunakan adalah Persamaan 14 dan Persamaan 15. 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 1 𝑓(𝑋) (14) 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 1 𝑝𝑒𝑛𝑎𝑙𝑡𝑖𝑝𝑎𝑔𝑖 + 𝑝𝑒𝑛𝑎𝑙𝑡𝑖𝑠𝑖𝑎𝑛𝑔 + 𝑝𝑒𝑛𝑎𝑙𝑡𝑖𝑚𝑎𝑙𝑎𝑚 (15) 3. PERANCANGAN
Proses optimasi menggunakan algoritme evolution strategies terdiri dari langkah-langkah yang dapat dilihat pada Gambar 2.
Berdasarkan diagram alir pada Gambar 2, dapat diuraikan setiap langkah dari algoritme evolution strategies sebagai berikut:
1. Memasukkan data balita berupa jenis kelamin, usia, tinggi, berat badan, dan tingkat aktivitas dan data ibu balita berupa usia, tinggi, berat badan, dan tingkat aktivitas (jika usia balita kurang dari 25 bulan).
2. Melakukan proses perhitungan kebutuhan gizi harian balita dan ibu balita menggunakan salah satu rumus Persamaan 1 sampai Persamaan 9 sesuai dengan data yang sudah dimasukkan.
3. Melakukan proses inisialisasi kromosom awal dengan membangkitkan individu sebanyak jumlah populasi dengan kromosom dan sigma sepanjang 12 dengan nilai vektor acak, kemudian membangkitkan nilai r1 dan r2 untuk masing individu dengan nilai vektor acak
Tidak
Ya
Gambar 2. Diagram Alir Evolution Strategies
Mulai
Input: data
balita, data ibu balita Perhitugan kebutuhan gizi Inisialisasi populasi awal A Selesai Individu terbaik Nilai Generasi = i Seleksi Menghitung nilai fitness Reproduksi Menambahkan nilai i += 1 A
antara 0 dan 1 dan dihitung nilai N(0,1) berdasarkan nilai r1 dan r2.
4. Melakukan proses reproduksi dengan menggunakan mutasi pada masing-masing individu dalam populasi untuk menghasilkan offspring sebanyak populasi (µ) × offpsring (λ).
5. Menghitung nilai fitness untuk masing-masing individu dalam populasi berdasarkan nilai penalti gizi (parent dan offspring) dengan menggunakan rumus Persamaan 15.
6. Melakukan proses seleksi menggunakan metode seleksi elitism untuk mencari individu dengan nilai fitness terbaik sebanyak jumlah populasi untuk dipilih menjadi individu populasi baru yang akan digunakan pada generasi selanjutnya.
7.
Dilakukan proses iterasi sebanyak i yangberupa jumlah generasi yang kemudian akan dipilih individu dengan fitness terbaik pada generasi terakhir untuk mendapatkan hasil rekomendasi menu makanan yang paling optimal.
4. HASIL DAN PEMBAHASAN
Pada penelitian ini akan dilakukan tiga pengujian, yaitu pengujian konvergensi, pengujian pengaruh jumlah offspring, dan pengujian siklus ES.
4.1. Pengujian Konvergensi
Pengujian konvergensi dilakukan untuk mengetahui nilai generasi paling optimal yang dapat memberikan hasil nilai fitness terbaik sesuai dengan parameter yang sudah ditentukan yaitu berupa nilai populasi atau µ sebesar 10 dan offspring atau λ sebanyak 25 pada data balita, data ibu, dan menu makanan yang sama pada setiap pengujiannya. Berikut hasil pengujian yang dapat dilihat pada Gambar 3.
Gambar 3. Hasil Pengujian Konvergensi
Diagram garis pada Gambar 3
menunjukkan bahwa semakin besar jumlah generasi maka semakin baik juga nilai fitness yang dihasilkan dan terlihat juga sampai pada generasi ke-250 nilai fitness masih belum mengalami konvergensi dan bisa lebih baik dari generasi sebelumnya.
4.2. Pengujian Pengaruh Jumlah Offspring Pada pengujian pengaruh jumlah offspring akan dilakukan pengujian untuk mengetahui parameter offspring atau λ dengan hasil nilai fitness yang paling optimal antara 10-100 dengan kelipatan 10 untuk masing-masing pengujian ukuran offspring pada nilai populasi atau µ sebesar 10 dan generasi sebanyak 250 pada data balita, data ibu, dan menu makanan yang sama. Berikut hasil pengujian yang dapat dilihat pada Gambar 4.
Gambar 4. Hasil Pengujian Pengaruh Jumlah
Offspring
Diagram garis pada Gambar 4 menunjukkan bahwa offspring dengan jumlah 10 menghasilkan rata-rata nilai fitness yang paling buruk yaitu 0,052267, untuk offspring dengan jumlah 20-90 menghasilkan rata-rata nilai fitness yang tidak konstan dimana pada offpsring berjumlah 30-40 mengalami penurunan rata-rata kemudian naik pada offspring berjumlah 50 dan turun lagi pada offspring berjumlah 60 kemudian naik pada offspring berjumlah 70-80 dan turun pada offspring berjumlah 90, dan untuk jumlah offspring yang menghasilkan rata-rata nilai fitness terbaik adalah offspring dengan jumlah 100 dengan nilai rata-rata 0,163447.
4.3. Pengujian Siklus ES
Pada pengujian Siklus ES akan dilakukan pengujian optimasi gizi menggunakan 4 siklus ES yang berbeda untuk mengetahui siklus ES mana yang dapat memberikan hasil fitness paling optimal pada nilai parameter yang sama yaitu populasi atau µ sebesar 10, offspring atau
λ sebanyak 100, dan generasi sebanyak 250 pada data balita, data ibu, dan menu makanan yang sama beserta inisialisasi kromosom awalnya yang berbeda untuk setiap pengujiannya. Berikut hasil pengujian yang dapat dilihat pada Gambar 5 dan Gambar 6.
Gambar 5. Hasil Pengujian Siklus ES (A)
Berdasarkan diagram garis pada Gambar 5, didapat 7 dari 10 percobaan dimana siklus ES (μ, λ) menghasilkan nilai fitness yang paling optimal dibandingkan tiga siklus ES yang lain dan pada percobaan ke-9 dihasilkan nilai fitness tertinggi yaitu 0,1941. Untuk perbandingan rata-rata nilai fitness dari keempat siklus ES, dapat dilihat pada Gambar 6.4.
Gambar 6. Hasil Pengujian Siklus ES (B)
Berdasarkan hasil perbandingan pada Gambar 5 dan Gambar 6, bisa ditarik kesimpulan bahwa hasil optimasi rekomendasi menu makanan untuk kasus gizi balita dan ibu menyusui yang paling optimal adalah dengan menggunakan siklus ES (μ, λ) dan siklus ES dengan performa paling buruk adalah siklus ES (µ/r + λ). Konvergensi paling cepat terjadi pada Siklus ES (µ, λ) dimana bisa dilihat bahwa fitness terbaik dan rata-rata fitness memiliki nilai yang sama dalam setiap percobaannya. 5. KESIMPULAN
Berdasarkan hasil dan pembahasan dari pengujian yang sudah dilakukan, bisa ditarik kesimpulan dari penelitian tentang optimasi
kebutuhan gizi menggunakan algoritme evolution strategies ini.
Algoritme evolution strategies untuk optimasi menu makanan balita dan ibu menyusui dapat memenuhi kebutuhan gizi harian yang diperlukan berdasarkan hasil dari pengujian yang sudah dilakukan sebelumnya. Pada pengujian konvergensi dan pengujian pengaruh jumlah offspring, diperoleh parameter optimal untuk generasi yaitu sebesar 250 dan parameter offspring atau λ sebanyak 100 untuk siklus ES (μ + λ) yang menghasilkan nilai rata-rata fitness masing-masing yaitu 0,107698 dan 0,163447.
Berdasarkan pengujian siklus ES pada bab sebelumnya, kualitas hasil solusi dari menu rekomendasi sistem hampir mendekati sempurna. Pada pengujian Siklus ES, didapat rata-rata hasil nilai fitness terbaik pada pengujian ke-9 yang mencapai 0,1941 untuk Siklus ES (μ, λ) pada parameter μ = 10, λ = 100, dan generasi sebanyak 250 dimana hasil fitness tersebut didapat dari menu rekomendasi balita dan ibu menyusui dengan total penalti gizi kurang dari 5 yang hampir mendekati total penalti gizi 0, akan tetapi hasil komposisi menu tidak proporsional dimana pada rekomendasi menu sup sayur untuk makan siang balita mencapai 657,2933 gram dan pada rekomendasi menu susu untuk makan siang ibu mencapai 505,498 gram.
6. DAFTAR PUSTAKA
Kementerian Kesehatan Republik Indonesia, 1995. Daftar Komposisi Zat Gizi Pangan Indonesia. [e-book] Jakarta: Departemen Kesehatan. Tersedia di:
Google Books
<https://books.google.co.id> [Diakses 25 Oktober 2019]
Institute of Medicine, 2005. Dietary Reference Intakes for Energy, Carbohydrate, Fiber, Fat, Fatty Acids, Cholesterol, Protein, and Amino Acids. [e-book] Washington, DC: The National Academies Press. Tersedia di: The National Academies Press <https://www.nap.edu> [Diakses 2 Desember 2019]
Kementerian Kesehatan Republik Indonesia, 2010. Penuntun Hidup Sehat. [e-book] Jakarta: Kementerian Kesehatan. Tersedia di: Kementerian Kesehatan
<http://www.kemkes.go.id> [Diakses 17 Agustus 2019]
Hadinsyah, H. Riyadi, dan V. Napitupulu, 2012. Kecukupan Energi, Protein, Lemak, dan Karbohidrat. [online] Departemen Gizi Masyarakat FEMA
IPB. Tersedia di:
<https://www.researchgate.net/publicati on/301749209_KECUKUPAN_ENER GI_PROTEIN_LEMAK_DAN_KARB OHIDRAT> [Diakses 2 November 2019]
Kementerian Kesehatan Republik Indonesia, 2014. Pedoman Gizi Seimbang. [e-book] Kementerian Kesehatan RI.
Tersedia di: Scribd
<https://www.scribd.com> [Diakses 28 September 2019]
Kementerian Kesehatan Republik Indonesia, 2017. Data dan Informasi Profil Kesehatan Indonesia 2016. [pdf] Kementerian Kesehatan RI. Tersedia di:
<https://www.kemkes.go.id/resources/d ownload/pusdatin/profil-kesehatan- indonesia/Profil-Kesehatan-Indonesia-2016.pdf> [Diakses 17 Agustus 2018] Kementerian Kesehatan Republik Indonesia,
2018. Profil Kesehatan Indonesia Tahun 2017. [pdf] Jakarta: Kementerian Kesehatan RI. Tersedia di:
<https://www.kemkes.go.id/resources/d ownload/pusdatin/profil-kesehatan- indonesia/Profil-Kesehatan-Indonesia-tahun-2017.pdf> [Diakses 4 Maret 2019]
Hazman, M. dan Idress, A.M., 2015. A Healthy Nutrition Expert System for Children. In: IEEE Xplore, 2015. 5th IEEE International Conference on E-Health and Bioengineering. Iași, Romania, 19-21 November 2015. New York: IEEE. Silișteanu, S.C. dan Covașă, M., 2015. The
Importance of Nutrition and Physical Activity in Young People Increased Quality of Life. In: IEEE Xplore, 2015. 5th IEEE International Conference on E-Health and Bioengineering. Iași, Romania, 19-21 November 2015. New York: IEEE.
Mahmudy, W.F., 2013. Algoritma Evolusi. [e-book] Malang: Program Teknologi
Informasi dan Ilmu Komputer. Tersedia di: Weblog Dosen Universitas Brawijaya
<http://wayanfm.lecture.ub.ac.id> [Diakses 25 September 2018]
Cahyono, T., 2018. Statistika Terapan dan Indikator Kesehatan. Yogyakarta: Deepublish.
Bäck, T., 1995. Evolution Strategies: An Alternative Evolutionary Algorithm. In: SpringerLink. European Conference on Artificial Evolution, AE '95. Brest, France, 4-6 September 1995. Berlin: Springer.
Anggraini, R.N.E., Rochimah, S. dan Dalmi, K.D., 2014. Mobile Nutrition Recommendation System for 0-2 Year Infant. In: IEEE Xplore, 2014. 1st International Conference on Information Technology, Computer, and Electrical Engineering. Semarang, Indonesia, 8-9 November 2014. New York: IEEE.
Milah, H. dan Mahmudy, W.F., 2015. Implementasi Algoritme Evolution Strategies untuk Optimasi Komposisi Pakan Ternak Sapi Potong. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, [online]
Tersedia di: <https://docplayer.info/40328502- Implementasi-algoritma-evolution- strategies-untuk-optimasi-komposisi-pakan-ternak-sapi-potong.html> [Diakses 28 September 2019]
Herdanis, C., Cholissodin, I. dan Fauzi, M.A., 2016. Optimasi Gizi pada Anak Panti Asuhan Menggunakan Evolution Strategies. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, [online] Tersedia di: <https://www.researchgate.net/publicati on/324561781_OPTIMASI_GIZI_PAD A_ANAK_PANTI_ASUHAN_MENG GUNAKAN_EVOLUTION_STRATE GIES> [Diakses 24 Oktober 2019] Sulistiowati, F., Cholissodin, I. dan Marji.
2016. Optimasi Susunan Bahan Makanan Sehat untuk Pemenuhan Gizi Keluarga dengan Algoritme Evolution Strategies. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, [online] Tersedia di:
<https://www.academia.edu/30001846/ Optimasi_Bahan_Makanan_Sehat_untu k_Pemenuhan_Gizi_Keluarga_dengan_ Algoritma_Evolution_Strategies.pdf> [Diakses 28 September 2019]
Angarsari, F., Mahmudy, W.F. dan Dewi, C., 2017. Optimasi Kebutuhan Gizi untuk Balita Menggunakan Hybrid Algoritme Genetika dan Simulated Annealing. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(12), p.1668-1677.
Simamora, V.K.B.R., Cholissodin, I. dan Fauzi, M.A., 2017. Optimasi Biaya Bahan Menu Makanan bagi Penderita Penyakit Jantung dengan Menggunakan Metode Evolution Strategies. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(11), p.1348-1357.
