Fakultas Ilmu Komputer
Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi
Menggunakan Algoritme Genetika
Novirra Dwi Asri1, Imam Cholissodin2, Dian Eka Ratnawati3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1virra.novirra@gmail.com, 2imamcs@ub.ac.id, 3dian_ilkom@ub.ac.id
Abstrak
Hipertensi merupakan penyakit beresiko dan salah satu penyebab kematian ibu hamil. Bagi ibu hamil penderita Hipertensi pengaturan makanan yang kurang tepat dapat mempengaruhi pertumbuhan dan perkembangan janin. Pengaturan makanan yang dianjurkan untuk ibu hamil penderita Hipertensi adalah mengatur porsi makanan pemicu Hipertensi dengan tidak mengurangi kebutuhan gizi untuk janinnya. Salah satu cara yang dapat digunakan dalam menyusun makanan ibu hamil penderita Hipertensi adalah dengan menggunakan Algoritme Genetika. Algoritme genetika merupakan metode heuristic yang menggunakan aturan-aturan untuk mendapatkan solusi terbaik. Proses algoritme genetika pada penelitian menggunakan representasi kromosom bilangan integer, metode crossover yang digunakan adalah extended intermediate crossover, metode mutasi yang digunakan adalah random mutation dan seleksi menggunakan seleksi elitism. Hasil yang diberikan adalah rekomendasi makanan untuk beberapa hari yang terdiri dari makan pagi, makan siang, dan makan malam. Berdasarkan penelitian yang dilakukan didapatkan hasil ukuran generasi optimal yaitu pada ukuran generasi 240 dengan rata-rata nilai fitness sebesar 525,0720, ukuran populasi optimal yaitu pada ukuran populasi 90 dengan rata-rata nilai fitness sebesar 525,0680 dan kombinasi nilai cr dan mr adalah 0,6 dan 0,5 dengan rata-rata nilai
fitness sebesar 525,0695
Kata kunci: ibu hamil, Hipertensi, makanan, optimasi, Algoritme Genetika
Abstract
Hypertension is a risky disease and one of the main causes of death in pregnant women. For Hypertension pregnant women, the wrong food arrangement can affect the growth and development of the fetus. The recommended food arrangements for pregnant women with Hypertension is arrange the portion of food that can increase hypertension but not reducing the nutrition for fetus. There is one way that can be used to serve food of pregnant women with Hypertension is use a Genetic Algorithm. Genetic Algorithm is a heuristic method that uses rules to get the best solution. The process of Genetic Algorithm in research using representation chromosome integer number, crossover using extended intermediate crossover, mutation using random mutation and selection using elitism selection. The results provided are food recommendations for several days consisting of breakfast, lunch, and dinner. Based on the research results, the optimal generation size is 240 with the average fitness value is 525.0720, the optimal population size is 90 with the average fitness value is 525.0680 and the combination of cr and mr is 0.6 and 0.5 with average fitness value is 525. 0695.
Keywords: pregnant women, Hypertensive, food, optimation, Genetic Algorithm
1. PENDAHULUAN
Berdasarkan laporan World Health Organization(WHO) angka kematian ibu hamil di dunia akibat Hipertensi pada saat persalinan mencapai 536.000 wanita pada tahun 2005 (WHO, 2005). Menurut data Kementrian Kesehatam dari tahun 2010-2013 Hipertensi menjadi salah satu dari tiga penyebab utama
kematian ibu hamil (Kemenkes, 2014). Di wilayah Jawa Timur yaitu kabupaten Tulungagung mayoritas penyebab kematian ibu melahirkan karena pendarahan akibat Hipertensi, angka kematian pada daerah tersebut mencapai lebih dari 50% dari total kejadian kematian ibu hamil (Tarmizi, 2017). Pola konsumsi makanan yang salah menjadi penyebab utama timbulnya penyakit tersebut. Banyak faktor yang mempengaruhi pola
konsumsi masyarakat saat ini yaitu perkembangan informasi era modern membuat masyarakat cenderung mengkonsumsi junk food atau makanan instan yang berbahaya bagi kesehatan, selain itu padatnya aktivitas membuat kurang terawasinya makanan yang dikonsumsi.
Hipertensi adalah keadaan dimana naiknya tekanan darah melebihi batas normal yaitu ≥140/90 mmHg (Putri, et al., 2018). Hipertensi merupakan salah satu penyakit berbahaya yang sebagian besar disebabkan karena pola makan yang kurang tepat. Saat ini masyarakat setiap harinya banyak mengkonsumsi makanan yang beresiko seperti makanan tinggi gula, tinggi lemak, serta mengandung garam berlebih.
Peningkatan kadar garam dan kadar lemak dalam makanan dapat memicu naiknya tekanan darah. Porsi konsumsi yang kurang tepat dapat memicu resiko naiknya tekanan darah. Apabila dibiarkan bagi ibu hamil hal ini akan membahayakan dirinya dan janin dalam kandungannya.
Berdasarkan permasalahan di atas diperlukan penyusunan menu makanan yang sesuai bagi ibu hamil dengan memperhatikan kondisi tekanan darah dan janin dalam kandungannya. Dalam penyusunan menu makanan tersebut harus memenuhi kebutuhan gizi yang diperlukan ibu hamil agar pertumbuhan dan perkembangan janin dalam kandungannya tidak terhambat, hal ini merupakan hal yang sulit bagi orang awam yang kurang pengetahuan mengenai komposisi menu makanan yang sesuai kebutuhan gizi dan penyusunan menu makanan yang manual membutuhkan waktu cukup lama. Selain memenuhi kebutuhan gizi, biaya juga menjadi pertimbangan dalam penyusunan menu makanan. Oleh karena itu diperlukan sistem untuk menyelesaikan masalah tersebut dengan makanan yang bervariasi dalam beberapa hari.
Algoritme genetika dapat dijadikan solusi dalam membangun sistem ini. Algoritme Genetika dapat menyelesaikan masalah dengan model matematika kompleks atau sulit dibangun (Mahmudy, 2015). Pada penelitian sebelumnya mengenai optimasi komposisi makanan penderita diabetes dan komplikasinya yang dilakukan oleh Maryamah tahun 2017 menghasilkan komposisi makanan dalam satu hari yang terdiri dari makan pagi, makan siang dan makan malam. Komposisi makanan yang dihasilkan tersebut memenuhi kebutuhan gizi serta dengan harga yang terjangkau. Penelitian lain dilakukan oleh Ayu Puspo Sari yang
melakukan optimasi asupan gizi pada ibu hamil dengan hasil yang diberikan yaitu makan pagi, makan siang dan makan malam, namun saat ini banyak ibu hamil yang menderita penyakit seperti Hipertensi sehingga sistem tersebut kurang cocok digunakan oleh ibu hamil dengan Hipertensi, maka dari itu sangat penting untuk dilakukan penelitian optimasi asupan makanan bagi ibu hamil penderita Hipertensi.
Berdasarkan penelitian yang sudah ada sebelumnya maka Algoritme Genetika dapat digunakan untuk menyelesaikan masalah yang berkaitan dengan menu makanan. Maka dari itu dalam membangun sistem optimasi asupan makanan harian ibu hamil penderita Hipertensi digunakan Algoritme Genetika dalam menyelesaikan masalah. Diharapkan dengan sistem ini dapat membantu memberikan rekomendasi menu makanan harian yang sesuai kebutuhan gizi dengan harga yang terjangkau untuk ibu hamil penderita Hipertensi.
2. TINJAUAN PUSTAKA 2.1. Ibu Hamil Hipertensi
Hipertensi merupakan keadaan naiknya tekanan darah yang melebihi batas normal yaitu ≥140/90 mmHg (Putri, et al., 2018). Seorang wanita mengalami Hipertensi pada kehamilan apabila melebihi batas normal tersebut .
Kondisi Hipertensi pada ibu hamil sangat membahayakan ibu hamil dan janin dalam kandungannya. Apabila dibiarkan ibu hamil akan menerima resiko yang tinggi dalam persalinannya. Berikut beberapa dampak Hipertensi bagi ibu hamil antara lain:
1. Aliran darah ke plasenta berkurang 2. Perkembangan dan pertumbuhan janin
terhambat
3. Menyebabkan kelahiran bayi berat badan rendah dan premature
4. Dapat menyebabkan kematian janin 2.2. Perhitungan Energi
Menghitung Berat Badan Ideal (BBI) ibu hamil menggunakan rumus broca untuk mengetahui status gizi ditunjukkan pada Persamaan (1).
𝐵𝐵𝐼 = 90% × (𝑇𝐵 − 100) × 1 kg (1) Kemudian menghitung Angka Metabolisme Basal (AMB) menggunakan Persamaan (2).
Berdasarkan hasil perhitungan BBI dapat diklasifikasikan status gizi ibu hamil berdasarkan Tabel 1.
Tabel 1. Klasifikasi Berat Badan Ideal
BBI Status Gizi Nilai Berat
(NB)
BB < 90%BBI Kurus 20%
BB 90 – 110% BBI Normal 0%
BB 110-120% Overweight -10%
BB > 120% BBI Obesitas -20%
Kemudian menghitung kalori berdasarkan beberapa faktor antara lain:
1. Berat Badan
Berdasarkan klasifikasi BBI dapat dihitung kalori berat badan menggunakan Persamaan (3).
𝐾𝑎𝑙𝑜𝑟𝑖 𝑏𝑒𝑟𝑎𝑡 = 𝑁𝐵 × 𝐴𝑀𝐵 (3) 2. Usia
Terdapat klasifikasi usia ibu hamil untuk mendapatkan nilai umur ditunjukkan pada Tabel 2.
Tabel 2. Nilai Usia
Usia Nilai Usia (NU)
40-59 tahun -5%
60-69 tahun -10%
≥70 tahun -20%
Menghitung kalori usia menggunakan Persamaan (4).
𝐾𝑎𝑙𝑜𝑟𝑖 𝑢𝑠𝑖𝑎 = 𝑁𝑈 × 𝐴𝑀𝐵 (4) 3. Aktivitas
Kalori aktivitas dihitung menggunakan Persamaan (5).
𝐾𝑎𝑙𝑜𝑟𝑖 𝑎𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 = 𝑁𝐴 × 𝐴𝑀𝐵 (5) NA adalah nilai aktivitas berdasarkan jenis pekerjaan yang ditunjukkan pada Tabel 3.
Tabel 3. Nilai Aktivitas Fisik
Nilai Aktivitas (NA) Kategori Pekerjaan 0.1 Istirahat - 0.2 Ringan Pegawai kantor, pegawai toko, ahli hukum, ibu rumah
tangga.
0.3 Sedang
Pegawai di industri ringan, mahasiswa, militer yang sedang
tidak perang.
0.4 Berat
Petani, buruh, militer dalam keadaan latihan, penari, atlit.
0.5 Sangat
Berat
Tukang becak, tukang gali, pandai
besi.
4. Usia Kehamilan
Penentuan nilai kalori kehamilan berdasarkan usia kehamilan ditunjukkan pada Tabel 4.
Tabel 4. Nilai Kalori Kehamilan
Usia Kehamilan Nilai Kalori Kehamilan
(NK)
0-12 minggu 180 kalori
13-27 minggu 300 kalori
28-40 minggu 300 kalori
Selanjutnya dapat dihitung total kalori harian yang dibutuhkan ibu hamil menggunakan Persamaan (6).
𝐾𝑎𝑙𝑜𝑟𝑖 = 𝐴𝑀𝐵 + 𝐾𝑎𝑙𝑜𝑟𝑖 𝑢𝑚𝑢𝑟 +
𝐾𝑎𝑙𝑜𝑟𝑖 𝑎𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 + 𝐾𝑎𝑙𝑜𝑟𝑖 𝑏𝑒𝑟𝑎𝑡 + 𝑁𝐾 (6) Setelah mendapatkan nilai kalori harian dapat dihitung kebutuhan gizi ibu hamil menggunakan Persamaan (7), (8), dan (9). 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 (𝑔𝑟) =1 4× (65% × 𝑘𝑎𝑙𝑜𝑟𝑖)(7) 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 (𝑔𝑟) =1 4× (15% × 𝑘𝑎𝑙𝑜𝑟𝑖) (8) 𝐿𝑒𝑚𝑎𝑘 (𝑔𝑟) =1 9× (20% × 𝑘𝑎𝑙𝑜𝑟𝑖) (9)
Pada ibu hamil penderita hipertensi mengikuti diet rendah garam 3 dengan kebutuhan natrium sebesar 1000-1200 mg/hari. Terdapat tambahan kebutuhan karbohidrat, protein, dan lemak pada ibu hamil berdasarkan Tabel 5.
Tabel 5. Tambahan Kebutuhan Gizi Ibu Hamil
Usia Kehamilan Karbohidrat (gr) Protein (gr) Lemak (gr) 0-12 minggu +25 +20 +6 13-27 minggu +40 +20 +10 28-40 minggu +40 +20 +10 2.1. Algoritme Genetika
Algoritme genetika merupakan algoritme yang menerapkan evolusi alamiah, banyak dimanfaatkan dalam menyelesaikan permasalahan kompleks bermacam-macam variabel. Algoritme genetika diawali dengan sejumlah solusi disebut populasi dan disusun menjadi individu. Populasi tersebut mengandung solusi-solusi yang diambil untuk membentuk populasi baru yang diharapkan lebih baik dari sebelumnya (Sari, et al., 2014).
Individu terbaik ditunjukkan oleh nilai
fitness yang besar. Nilai fitness pada algoritme
permasalahan. Permasalahan optimasi bersifat kompleks atau sulit dibangun dapat diselesaikan dengan algoritme genetika (Mahmudy, 2015). 3. PERANCANGAN DAN
IMPLEMENTASI
Tahapan pada algoritme genetika dimulai dengan inisialisasi parameter input yang terdiri dari data ibu hamil dan operator algoritme genetika, kemudian inisialisasi populasi awal, reproduksi, evaluasi dan seleksi. Diagram alir proses algoritme genetika dapat dilihat pada Gambar 1.
Gambar 1. Diagram Alir Algoritme Genetika Berdasarkan Gambar 1 langkah-langkah algoritme genetika pada penelitian ini adalah sebagai berikut:
1. Memasukkan parameter input data ibu hamil, dan parameter algoritme genetika.
2. Perhitungan gizi ibu hamil oleh sistem berdasarkan parameter input. Hasil berupa banyaknya kebutuhan kalori, karbohidrat, protein, lemak, dan natrium harian.
3. Inisialisasi populasi awal secara acak sebagai calon solusi dari permasalahan sebanyak popsize yang ditentukan.
4. Proses reproduksi crossover untuk menghasilkan offspring menggunakan metode extended intermediate crossover. 5. Proses reproduksi mutasi pada induk
terpilih berdasarkan nilai mr untuk menghasilkan offspring dengan menggunakan metode random mutation. 6. Proses evaluasi yaitu menghitung nilai
fitness masing-masing individu.
7. Melakukan seleksi menggunakan metode elitism. Diambil individu dengan nilai
fitness tertinggi sejumlah popsize untuk
digunakan pada generasi selanjutnya. 3.1. Data Penelitian
Data yang digunakan pada penelitian antara lain:
1. Data ibu hamil penderita hipertesi berasal dari Bidan Praktek Swasta Mojokerto. 2. Data makanan yang dioptimasi disusun
bersama ahli gizi RS. Saiful Anwar Malang bernama Nawangsari L. menggunakan program nutrisurvey.
3.2. Inisialisasi Parameter
Terdapat dua proses insialisasi parameter awal yang dilakukan yaitu parameter data ibu hamil dan parameter algoritme genetika. Parameter data ibu hamil terdiri dari nama, usia ibu hamil, usia kehamilan, tinggi badan, berat badan, dan aktivitas. Parameter algoritme genetika terdiri dari generasi, popsize, crossover
rate (cr) dan mutation rate (mr). Kemudian
dihitung kebutuhan energi harian dan kebutuhan gizi ibu hamil. Contoh permasalahan dengan parameter input ibu hamil hipertensi sebagai berikut:
Nama : Y
Usia : 28 tahun Usia kehamilan : 8 minggu Tinggi badan : 156 cm Berat badan : 50 kg Aktivitas : Ringan
Contoh parameter algoritme genetika yang digunakan adalah sebagai berikut:
Generasi : 2 Popsize : 3 Crossover rate : 0.6 Mutation rate : 0.3
Kemudian menghitung kalori harian ibu hamil yang diawali dengan menghitung BBI menggunakan Persamaan (1).
𝐵𝐵𝐼 = 90% × (156 − 100) × 1 = 50.4 𝑘𝑔 Selanjutnya menghitung AMB menggunakan Persamaan (2).
𝐴𝑀𝐵 = 50.4 × 25 = 1260 𝑘𝑘𝑎𝑙
Setelah mendapatkan nilai AMB selanjutnya menghitung kalori berat, kalori usia, dan kalori aktivitas menggunakan Persamaan (3) sampai (5).
𝐾𝑎𝑙𝑜𝑟𝑖 𝑏𝑒𝑟𝑎𝑡 = 0% × 1260 = 0 𝑘𝑘𝑎𝑙 𝐾𝑎𝑙𝑜𝑟𝑖 𝑢𝑠𝑖𝑎 = 0 × 1260 = 0 𝑘𝑘𝑎𝑙 𝐾𝑎𝑙𝑜𝑟𝑖 𝑎𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 = 20% × 1260 = 252 𝑘𝑘𝑎𝑙
Kemudian menentukan nilai kalori kehamilan, berdasarkan Tabel 4 dan usia kehamilan yang ditentukan.
𝑁𝐾 = 180 𝑘𝑘𝑎𝑙
Total kalori harian yang dibutuhkan dapat dihitung menggunakan Persamaan (6).
𝐾𝑎𝑙𝑜𝑟𝑖 = 1260 + 0 + 0 + 252 + 0 + 180 = 1692 𝑘𝑘𝑎𝑙
Setelah mendapatkan nilai kalori selanjutnya menghitung kebutuhan gizi karbohidrat, protein, dan lemak, menggunakan Persamaan (7) sampai (9). 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = (65% × 1692 4 ) + 25 = 299.95 𝑔𝑟 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = (15% × 1692 4 ) + 20 = 83.45 𝑔𝑟 𝐿𝑒𝑚𝑎𝑘 = (20% × 1692 9 ) + 6 = 43.6 𝑔𝑟 Pada ibu hamil dengan hipertensi kebutuhan natrium harian mengikuti diet rendah garam 3 yaitu sebesar 1000-1200 mg/hari
3.3. Representasi Kromosom
Penelitian ini menggunakan representasi kromosom bilangan integer berisi id makanan yang akan dikonsumsi. Satu kromosom tersusun atas 105 gen yang terbagi dalam 7 hari makan. Terdapat 15 gen penyusun kromosom dalam satu hari makan, yang dibagi dalam 3 kali waktu makan yaitu makan pagi, makan siang dan makan malam. Masing-masing 5 gen penyusun dalam satu kali makan terdiri dari sumber karbohidrat, protein hewani, protein nabati, sayuran dan buah-buahan. Contoh representasi kromosom dapat dilihat pada Tabel 6.
Tabel 6. Representasi Kromosom
P Hari ke-1 Pagi K Ph Pn S B 5 21 7 9 5 Siang K Ph Pn S B 17 15 12 18 7 Malam K Ph Pn S B 6 14 16 2 15 Hari ke-2 Pagi K Ph Pn S B 4 18 12 2 17 Siang K Ph Pn S B 18 16 15 3 7 Malam K Ph Pn S B 1 13 1 1 20 Keterangan: K= sumber karbohidrat Ph = protein hewani Pn = protein nabati S = sayuran B = buah-buahan
3.4. Perhitungan Nilai Fitness
Perhitungan nilai fitness dilakukan dengan menjumlahkan hasil bagi konstanta dengan penalti masing-masing gizi kemudian ditambah dengan konstanta dibagi jumlah harga dan ditambah dengan hasil kali konstanta dan variasi. Penalti yang digunakan terdiri dari penalti kalori, penalti, karbohidrat, penalti protein, penalti
lemak, dan penalti natrium. Perhitungan fitness menggunakan Persamaan (10) dengan C1 adalah konstanta untuk kalori, C2 adalah konstanta untuk karbohidrat, C3 adalah konstanta untuk protein, C4 adalah konstanta untuk lemak, C5 adalah konstanta untuk natrium, C6 adalah konstanta untuk harga dan C adalah konstanta untuk variasi. 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = 𝐶1 1 + ∑ 𝑃𝐾+ 𝐶2 1 + ∑ 𝑃𝐾𝑏+ 𝐶3 1 + ∑ 𝑃𝑃 + 𝐶4 1 + ∑ 𝑃𝐿+ 𝐶5 1+∑ 𝑃𝑁+ 𝐶6 ∑ ℎ𝑎𝑟𝑔𝑎+ 𝐶. 𝑉 (10) Keterangan: PK = Penalti kalori PKb = penalti karbohidrat PP = penalti protein PL = penalti lemak PN = penalti natrium V = total variasi
Berdasarkan representasi kromosom pada Tabel 6 didapatkan total kandungan gizi sebagai berikut:
Hari ke-1
Total kalori = 1978.2 kkal Total karbohidrat = 268.6 gr Total protein = 77.8 gr Total lemak = 64.6 gr Total natrium = 285.1 mg Hari ke-2
Total kalori = 2039.5 kkal Total karbohidrat = 311.5 gr Total protein = 72.5 gr Total lemak = 59.7 gr Total natrium = 269.6 mg
Kemudian menghitung penalti masing-masing gizi sebagai berikut:
Hari ke-1 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑘𝑎𝑙𝑜𝑟𝑖 = |1692 − 1978.2| = 286.2 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = |299.95 − 268.6| = 31.35 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = |83.45 − 77.8| = 5.65 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐿𝑒𝑚𝑎𝑘 = |43.6 − 64.6| = 21 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑁𝑎𝑡𝑟𝑖𝑢𝑚 = |1000 − 285.1| = 714.9 𝑚𝑔 Hari ke-2 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑘𝑎𝑙𝑜𝑟𝑖 = |1692 − 2039.5| = 347.5 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = |299.95 − 311.5| = 11.55 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = |83.45 − 72.5| = 10.95 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐿𝑒𝑚𝑎𝑘 = |43.6 − 59.7| = 16.1 𝑔𝑟 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑁𝑎𝑡𝑟𝑖𝑢𝑚 = |1000 − 269.6| = 730.4 𝑚𝑔
Selanjutnya menghitung variasi makanan yang ditunjukkan pada Tabel 7.
Tabel 7. Variasi Makanan
P Hari ke-1 Pagi K Ph Pn S B 1 1 1 1 1 Siang K Ph Pn S B 1 1 1 1 1 Malam K Ph Pn S B 1 1 1 1 1 Hari ke-2 Pagi K Ph Pn S B 1 1 1 1 17 Siang K Ph Pn S B 1 1 1 1 1 Malam K Ph Pn S B 1 1 1 1 1
Berdasarkan Tabel 7 dapat dilihat total variasi adalah 30 sehingga dapat dihitung nilai
fitness menggunakan Persamaan (10).
𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = 1+633.71 +1+42.91 +1+16.650 +1+37.110 + 50 1+1445+ 100 82950+ (5 × 30) = 153.426 3.5. Crossover
Metode crossover yang digunakan adalah
extended intermediate crossover dengan langkah-langkah sebagai berikut:
1. Menentukan jumlah offspring yang dihasilkan
2. Memilih dua buah induk secara acak 3. Membangkitkan nilai 𝛼 sebanyak panjang
4. Menentukan nilai setiap gen offspring hasil
crossover menggunakan Persamaan (11)
dan (12) dengan C1 dan C2 merupakan
offspring yang dihasilkan, P1 dan P2
merupakan dua induk crossover.
𝐶1 = 𝑃1 + 𝛼 (𝑃2 − 𝑃1) (11) 𝐶2 = 𝑃2 + 𝛼 (𝑃1 − 𝑃2) (12) Pada contoh permasalahan dapat dihitung jumlah offspring yang dihasilkan yaitu 0.6 × 3 = 1.8 (𝑑𝑖𝑏𝑢𝑙𝑎𝑡𝑘𝑎𝑛 𝑚𝑒𝑛𝑗𝑎𝑑𝑖 2). Kemudian memilih dua induk secara acak ditunjukkan pada Tabel 8.
Tabel 8. Induk Crossover
Individu Kromosom P1 5 21 7 9 5 17 15 12 18 7 6 14 16 2 15 P2 9 1 9 15 9 9 9 12 9 2 15 1 3 1 4
Selanjutnya membangkitkan nilai 𝛼 secara acak seperti pada Tabel 9.
Tabel 9. Nilai Alpha
𝛼
0.3 0.5 0.6 0.9 0.1
0.3 0.6 0.3 0.6 0.7
0.6 0.5 0.1 0.2 0.1
Dengan menggunakan Persamaan (11) dan (12) didapatkan offspring hasil crossover yang ditunjukkan pada Tabel 10.
𝐶1 𝑔𝑒𝑛 𝑘𝑒 − 1 = 5 + 0.3 × (9 − 5)
= 6.2 (dibulatkan menjadi 6) 𝐶2 𝑔𝑒𝑛 𝑘𝑒 − 1 = 9 + 0.3 × (5 − 9)
= 7.8 (dibulatkan menjadi 8) Tabel 10. Offspring Hasil Crossover
Individu Kromosom C1 6 11 8 14 5 15 11 12 13 4 11 8 15 2 14 C2 8 11 8 10 9 11 13 12 14 6 10 8 4 1 5 3.6. Mutasi
Metode mutasi yang digunakan adalah
random mutation dengan langkah-langkah
sebagai berikut:
1. Menentukan jumlah offspring yang dihasilkan
2. Memilih satu buah induk secara acak
3. Menentukan nilai maksimum dan minimum induk terpilih
4. Membangkitkan nilai 𝑟 secara acak 5. Menentukan nilai setiap gen offspring
hasil crossover menggunakan Persamaan (13) dengan C merupakan individu
offspring yang dihasikan dan P merupakan induk mutasi.
𝐶 = 𝑃 + 𝑟 × (𝑚𝑎𝑥 − 𝑚𝑖𝑛) (13) Pada contoh permasalahan dapat dihitung jumlah offspring yang dihasilkan yaitu 0.3 × 3 = 0.9 (𝑑𝑖𝑏𝑢𝑙𝑎𝑡𝑘𝑎𝑛 𝑚𝑒𝑛𝑗𝑎𝑑𝑖 1). Kemudian memilih satu induk secara acak ditunjukkan pada Tabel 11.
Tabel 11. Induk Mutasi
Individu Kromosom
P
4 2 4 4 15
17 11 3 7 17
5 23 5 17 16
Dengan menggunakan nilai r = 0.2 dapat dihitung nilai setiap gen offspring menggunakan Persamaan (13). Offspring hasil mutasi ditunjukkan pada Tabel 12.
𝐺𝑒𝑛 𝑘𝑒 − 1 = 4 + 0.2(23 − 2)
= 8.4 (dibulatkan menjadi 8) Tabel 12. Offspring Hasil Mutasi
Individu Kromosom C 8 6 8 8 19 21 15 7 11 21 9 27 9 21 20 3.7. Seleksi
Metode seleksi yang digunakan adalah seleksi elitisim. Seluruh individu pada populasi awal dan individu hasil crossover dan mutasi digabungkan menjadi satu populasi. Populasi gabungan tersebut diurutkan berdasarkan nilai
fitness terbesar hingga terkecil. Kemudian
diambil individu sebanyak popsize dengan nilai
fitness tertinggi
4. PENGUJIAN DAN ANALISIS 4.1. Hasil dan Analisis Pengujian Ukuran Generasi
Ukuran generasi yang diuji yaitu ukuran generasi 30, 60, 90, 120, 150, 180, 210, 240, 170, dan 300 dengan 10 kali uji coba pada setiap ukuran generasi. Ukuran populasi yang digunakan adalah 70 dengan nilai cr = 0.6 dan
mr = 0.4. Berdasarkan pengujian yang dilakukan
didapatkan grafik perbandingan hasil rata-rata nilai fitness yang ditunjukkan pada Gambar 2.
Gambar 2. Grafik Hasil Pengujian Ukuran Generasi Pada Gambar 2 dapat dilihat rata-rata nilai
fitness tertinggi yang dihasilkan yaitu pada
ukuran generasi 240 dan rata-rata nilai fitness terendah yaitu pada ukuran generasi 30 hal ini disebabkan ukuran generasi yang kecil membatasi eksplorasi ruang pencarian sebaliknya ukuran generasi yang besar memberi peluang untuk melakukan eksplorasi ruang pencarian yang lebih besar. Rata-rata nilai fitness mengalami kenaikan pada generasi 30 hingga generasi 240 dan setelah generasi 240 rata-rata nilai fitness tidak mengalami perubahan yang signifikan, hal ini menunjukkan bahwa nilai
fitness pada generasi tersebut telah mengalami
konvergensi. Apabila pengujian ukuran generasi dilanjutkan dengan ukuran generasi lebih tinggi maka nilai fitness tidak memiliki selisih yang besar dan individu yang dihasilkan tidak berbeda jauh dengan induknya (Shafaat, et al., 2018). Berdasarkan hasil tersebut maka ukuran generasi 240 dapat dianggap optimal untuk digunakan dalam optimasi asupan makanan harian ibu hamil penderita Hipertensi.
4.2. Hasil dan Analisis Pengujian Ukuran Populasi
Ukuran populasi yang diuji yaitu ukuran populasi 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, dan 110 dengan 10 kali uji coba pada setiap ukuran populasi. Kemudian hasil rata-rata nilai
fitness dibandingkan untuk menentukan ukuran
populasi yang optimal. Grafik hasil pengujian ukuran populasi ditunjukkan pada Gambar 3.
Gambar 3. Grafik Hasil Pengujian Ukuran Populasi Gambar 3 hasil pengujian ukuran populasi menunjukkan rata-rata nilai fitness tertinggi yang dihasilkan yaitu pada ukuran populasi 90 dan rata-rata nilai fitness terendah yaitu pada ukuran populasi 10, hal ini disebabkan ukuran populasi yang besar akan menghasilkan individu yang semakin beragam melalui proses crossover dan mutasi, dan berdampak pada nilai variasi yang dihasilkan, namun ukuran populasi yang besar juga tidak menjamin akan menghasilkan nilai fitness yang tinggi dikarenakan pembangkitan populasi yang dilakukan secara acak (Kusumaningsih, 2016). Ukuran populasi yang terlalu kecil akan memperkecil peluang untuk memperoleh solusi terbaik. Rata-rata nilai
fitness mengalami kenaikan pada ukuran
populasi 10 hingga 90. Pada ukuran populasi 100 rata-rata nilai fitness tidak menunjukkan perubahan yang signifikan hal ini menunjukkan bahwa telah mengalami konvergensi. Ukuran populasi 90 dapat dianggap sebagai ukuran populasi yang optimal.
4.3. Hasil dan Analisis Pengujian Kombinasi
Cr dan Mr
Kombinasi nilai cr dan mr yang diuji yaitu nilai cr dan mr antara 0,1 dan 1. Setiap kombinasi nilai cr dan mr diuji sebanyak 10 kali uji coba pada setiap ukuran populasi. Kemudian hasil rata-rata nilai fitness dibandingkan untuk menentukan kombinasi nilai cr dan mr yang optimal. Grafik hasil pengujian kombinasi nilai
Gambar 4. Grafik Hasil Pengujian Kombinasi Cr dan Mr
Gambar 4 menunjukkan grafik peningkatan rata-rata nilai fitness pada kombinasi nilai
cr=0.1 dan mr=1 sampai dengan kombinasi nilai cr=0.6 dan mr=0.5. Hasil tersebut menunjukkan
apabila nilai cr yang terlalu rendah dan mr yang terlalu tinggi menyebabkan Algoritme genetika memiliki kemampuan eksplorasi yang lebih besar sehingga individu yang dihasilkan lebih beragam, dan sebaliknya nilai cr yang terlalu tinggi dan mr yang terlalu rendah menyebabkan algoritme genetika memiliki tingkat eksploitasi yang besar sehingga individu yang terbentuk cenderung mirip dengan induknya dengan nilai fitness yang cenderung menurun serta membatasi eksplorasi terhadap individu yang lainnya (Siahaan, et al., 2017). Berdasarkan hasil pengujian kombinasi nilai cr dan mr optimal yang dapat digunakan adalah cr=0,6 dan mr=0,5. 5. KESIMPULAN
Berdasarkan penelitian yang telah dilakukan didapatkan kesimpulan sebagai berikut
1. Algoritme genetika dapat diimplementasikan dalam optimasi asupan makanan harian ibu hamil penderita hipertensi dengan memberikan rekomendasi makanan untuk beberapa hari yang terdiri dari makan pagi, makan siang, dan makan malam. Representasi kromosom menggunakan representasi bilangan integer yang merepresentasikan id makanan, metode crossover yang digunakan adalah extended intermediate
crossover, metode mutasi yang digunakan
adalah random mutation, dan proses seleksi menggunakan seleksi elitism. Langkah-langkah dalam melakukan optimasi adalah sebagai berikut:
a. Melakukan perhitungan kebutuhan gizi berdasarkan parameter data ibu hamil.
b. Melakukan proses inisialisasi populasi awal berdasarkan parameter algoritme genetika yang ditentukan. c. Melakukan proses crossover
menggunakan metode extended intermediate crossover.
d. Melakukan proses mutasi menggunakan metode random mutation.
e. Melakukan perhitungan nilai fitness masing-masing individu untuk menentukan kualitas individu. f. Melakukan proses seleksi untuk
menentukan populasi pada generasi berikutnya dan solusi terbaik. 2. Kualitas hasil rekomendasi makanan
sistem dapat diukur dengan menggunakan parameter algoritme genetika berdasarkan hasil pengujian antara lain ukuran generasi sebesar 240, ukuran populasi sebesar 90 dan kombinasi nilai cr dan mr adalah 0,6 dan 0,5.
6. DAFTAR PUSTAKA
Ariani, A. P., 2017. Ilmu Gizi. Yogyakarta: Nuha Medika.
Indriati, M. T. & Sukaca, B. E., 2015. Nutrisi
Janin & Bayi. Yogyakarta: Parama Ilmu.
Kaiser Lucia L. PhD, R., Davis & Christina G. Campbell, P. R., 2014. Nutrition and Lifestyle for a Healthy Pregnancy Outcome. Journal of the Academy of
Nutrition and Dietetics.
Kemenkes, 2014. Info Datin, Jakarta: Kementrian Kesehatan RI.
Kusumaningsih, F. D., 2016. Penerapan
Algoritma Genetika Pada Optimasi Susunan Bahan Makanan Untuk Pemenuhan Kebutuhan Gizi Keluarga.
Malang: Fakultas Ilmu Komputer Universitas Brawijaya.
Mahmudy, W. F., 2013. Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer.
Mahmudy, W. F., 2015. Dasar-Dasar Algoritma
Evolusi. Malang: Program Teknologi
Informasi dan Ilmu Komputer.
Maryamah, Putri, R. R. M. & Wicaksono, S. A., 2017. Optimasi Komposisi Makanan Pada
Penderita Diabetes Melitus dan Komplikasinya Menggunakan Algoritma Genetika. Jurnal Pengembangan Teknologi
Inormasi dan Ilmu Komputer, pp. 270-281.
Moehji, S., 2017. Dasar-Dasar Ilmu Gizi 2. Jakarta: Pustaka Kemang.
Pregnancy, A. C. o. O. a. G. T. F. o. H. i., 2013.
Hypertention in Pregnancy. s.l.:s.n.
Putri, R. R. A., Furqon, M. T. & Wihandika, R. C., 2018. Optimasi Komposisi Menu Makanan Bagi Penderita Tekanan Darah Tinggi Menggunakan Algoritme Genetika Adaptif. Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, pp. 515-522.
Sari, A. P., Mahmudy, W. F. & Dewi, C., 2014. Optimasi Asupan Gizi Ibu Hamil Dengan Menggunakan Algoritma Genetika.
DORO:Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya.
Shafaat, M., Cholissodin, I. & Santoso, E., 2018. Optimasi Komposisi Makanan Diet Bagi Penderita Hipertensi menggunakan Algoritme Genetika. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer,
pp. 226-236.
Siahaan, E. J. I., Cholissodin, I. & Fauzi, M. A., 2017. Sistem Rekomendasi Bahan Makanan Bagi Penderita Penyakit Jantung Menggunakan Algoritma Genetika. Jurnal
Pengembangan Teknologi Informasi dan Ilmu Komputer, Volume I, pp. 1406-1415.
Tarmizi, T., 2017. Antara News. [Online]
Available at:
https://www.antaranews.com/berita/65085 5/hipertensi-penyebab-dominan-kematian-ibu-melahirkan
[Diakses 17 September 2017].
Wahid, N. & Mahmudy, W. F., 2015. Optimasi Komposisi Makanan Untuk Penderita Kolesterol Menggunakan Algoritma Genetika. DORO:Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya.
WHO, 2005. The World Health Report 2005
Make every mother and child count,