Optimasi Komposisi Makanan Untuk Ibu Hamil Menggunakan
Hybrid
Algoritme Genetika dan
Simulated Annealing
Fatthul Iman1, Dian Eka Ratnawati2, Titis Sari Kusuma3
1, 2Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 3Program Studi Ilmu Gizi, Fakultas Kedokteran, Universitas Brawijaya
Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Ketidakseimbangan antara asupan nutrisi ibu hamil untuk memenuhi kebutuhan dan pengeluaran energi harus lah selalu terjaga, karena apabila tidak akan berakibat pada keadaan Kekurangan Energi Kronis (KEK) pada ibu dan janin yang ada di kandungan. Oleh karena itu diperlukan komposisi makanan yang sesuai untuk memenuhi gizi dan energi untuk ibu hamil, sehingga dapat membantu ibu hamil untuk menentukan makanannya sendiri. Permasalahan komposisi makanan untuk ibu hamil dapat diselesaikan dengan hybrid Algoritme Genetika dan Simulated Annealing. Tujuan dari penggabungan metode ini adalah untuk menghasilkan solusi yang lebih baik dibandingakan dengan menggunakan Algoritme Genetika saja. Dalam proses penyelesaian permasalahan ini pada menggunakan metode crossover yaitu
one-cut point, mutasi menggunakan metode reciprocal exchange, seleksi menggunakan elitsm, dan
Simulated Annealing. Berdasarkan hasil pengujian dari parameter yang digunakan dalam sistem optimasi komposisi makanan menggunakan hybrid Algoritme Genetika dan Simulated Annealing, didapatkan nilai parameter-parameter terbaik yaitu : jumlah populasi = 2900, Cr = 0,4, Mr = 0,6, T0 = 1, alpha = 0,7 dan jumlah generasi = 220. Sehingga hasil dari sistem berupa rekomendasi makanan dengan menggunakan hybrid Algoritme Genetika dan Simulated Annealing dapat memenuhi batas toleransi yang sudah ditetapkan oleh ahli gizi sebesar ±10%.
Kata kunci: ibu hamil, gizi, Algoritme Genetika, Simulated Annealing
Abstract
The imbalance between the nutritional intake of pregnant women to meet the needs and energy expenditure must always be monitored, because the imbalance itself can result in Chronic Energy Deficiency both in mother and fetus in the womb. Therefore it needs an appropriate food composition to meet the nutrients and energy for pregnant women, so it can help them to determine their own food. The problem of food composition for pregnant women can be solved by hybrid genetic algorithm and Simulated Annealing. The purpose of combining this method is to produce a better solution than using a genetic algorithm alone. This problem solving process have used crossover method is one-cut point, mutation using reciprocal exchange method, selection using elitsm, and Simulated Annealing. Based on the results of the test of the parameters used in the optimization system of food composition that using genetic algorithm hybrid and Simulated Annealing, was obtained the best parameter values are: population number = 2900, Cr = 0.4, Mr = 0.6, T0 = 1, alpha = 0.7 and the number of generations = 220. So the results of the system is in the form of food composition recommendation using hybrid genetic algorithm and Simulated Annealing that can meet the tolerance limit set by the nutritionists at ± 10%.
Keywords: pregnant women, nutrition, genetic algorithm, Simulated Annealing
1. PENDAHULUAN
Angka kematian ibu dan bayi merupakan penanda dari kualitas kesehatan masyarakat (DepkesRI, 2009) . Berdasarkan data dari WHO 2004, angka kematian ibu di negara berkembang adalah yang terbesar dengan 450 kasus yang terjadi dari 100 ribu kelahiran bayi
Beberapa penyebab yang menjadi dampak dari kematian ibu. Penyebab langsung kematian pada ibu terjadi ketika persalinan dan sesudah persalinan. Penyebab langsung kematian ibu adalah pendarahan (28%), eklampsia (24%) dan infeksi (11%). Penyebab yang secara tidak langsung pada kematian ibu hamil seperti Kekurangan Energi Kronis (KEK) sebesar 37% dan anemia sebesar (40) (Riskesdas, 2013).
Gizi ibu hamil sangat perlu mendapatkan perhatian karena sangat berpengaruh terhadap perkembangan janin yang ada dikandungannya. Sejak janin sampai anak berumur dua tahun atau 1000 hari pertama kehidupan, kecukupan gizi sangat berpengaruh terhadap perkembangan fisik dan kognitif. Sehingga di masa kehamilannya ibu hamil wajib tetap memberikan asupan gizi yang layak bagi dirinya dan janin , karena gizi janin sangat bergantung pada gizi ibu dan kebutuhan gizi ibu juga harus terjaga dan tetap terpenuhi (Riskesdas, 2013). Kebutuhan energi bagi ibu hamil normal sebesar 80.000 kalori selama masa kehamilan. Selama masa kehamilan ibu memerlukan tambahan energi sebesar 300 kalori selama masa kehamilan (Lubis, 2003). Berdasarkan pedoman pemberian makanan tambahan pemulihan bagi ibu hamil Kekurangan Energi Kronis (KEK), bahwa kandungan energi 180-300 kkal dan 17 gram protein (KemenkesRI, 2012)). Oleh karena itu diperlukan komposisi bahan makanan yang sesuai untuk memenuhi gizi dan energi untuk ibu hamil, sehingga dapat membantu ibu hamil untuk menentukan makanannya sendiri dan tidak lagi harus menemui dokter atau ahli gizi untuk menanyakan makanan yang akan dikonsumsi oleh ibu hamil yang menderita Kekurangan Energi Kronis(KEK).
Permasalahan komposisi bahan makanan untuk ibu hamil dapat diselesaikan dengan salah satu metode heuristic yaitu Algoritme Genetika. Algoritme Genetika adalah Algoritme yang mendasar pada proses seleksi alam dan Genetika. Rangkaian pada metode Algoritme Genetika merupakan populasi yang dapat menghasilkan suatu kromosom serta menciptakan sebuah populasi dengan menggunakan fungsi fitness sebagai tolak ukur dari suatu kromosom dalam populasi. Algoritme Genetika sendiri memiliki kelemahan yaitu sifat konvergennya yang prematur, suatu kondisi dimana populasi dalam Algoritme Genetika tidak lagi dapat menghasilkan populasi yang
lebih baik dari sebelumnya dan adanya kemungkinan untuk terjebak dalam lokal optimum (Efendi, Dayawati, & Wibowo, 2009). Untuk mengatasi kekurangan dari Algoritme Genetika, diperlukan penggabungan metode lain yaitu menggunakan Simulated Annealing. Penggabungan antara Algoritme Genetika dan
Simulated Annealing bertujuan untuk memanfaatkan kelebihan Simulated Annealing
yang mampu bertahan menghadapi lokal optimum dan proses pencarian yang dikendalikan oleh suhu untuk digunakan dalam menutupi kekuragan Algoritme Genetika tersebut (Sofianti, 2004).
Berdasarkan penjelasan dari latar belakang dan penjelasan dari beberapa hasil penelitian di atas, penulis melakukan penelitian untuk membuat rancangan perangkat lunak untuk mengoptimasi komposisi bahan makanan untuk ibu hamil menggunakan hybrid Algoritme Genetika dan Simulated Annealing. Tujuan dari penggabungan metode ini adalah untuk menentukan komposisi makanan yang sesuai untuk ibu hamil untuk mengantisipasi kekurangan energi, agar kebutuhan gizi yang diperlukan oleh ibu hamil dapat terpenuhi dan dapan mencegah serta mengobati ibu hamil yang menderita Kekurangan Energi Kronis.
2. Kebutuhan Gizi Ibu Hamil
Pemenuhan gizi bagi ibu hamil sangat penting dilakukan untuk mempersiapkan bayinya sehingga terlahir dalam keadaan sehat dan mampu terhindar dari resiko-resiko penyakit seperti , penyakit jantung, diabetes, dan hipertensi. Pada umunya, dalam memenuhi gizi ibu dan bayi dapat dilakukan sejak 1.000 hari pertama kahidupan bayi sejak dalam kandungan (Riskesdas, 2013). Fase pemenuhan gizi ibu dan bayi sangat efektif pada saat sebelum masa kehamilan selanjutnya memfokuskan untuk memenuhi kebutuhan gizi pada 12 minggu pertama masa kehamilan.
WHO menganjurkan intake protein bagi ibu hamil sekitar 1,01 g/kg BB/hari dan kalori sebesar 46 kkal/kg.BB/hari untuk rata-rata wanita dengan berat badan 55 kg. sehinnga setiap Negara bisa menentukan rekomendasi yang sesuai dengan pola makanan di Negara tersebut sesuia dengan keadaan masyarakatnya.
Kebutuhan gizi yang dibutuhkan ibu hamil berupa kebutuhan energi, karbohidrat, protein, dan lemak. Untuk memenuhi kebutuhan energi ibu hamil dapat dihitung dengan menggunakan persamaan Harria Bennedict (Arisman, 2003).
BEE =655 9,6 BB + 1,4 TB – 4,7 U (1)
KF = NKF * BEE (2)
FIT = T * (BEE + KF) (3)
Sehingga untuk menghitung total kebutuhan energi (Total Energy Ecxpenditure/TEE)
menggunakan persamaan 4.
TEE = BEE + KF + FIT (4)
Kebutuhan energi yang dibutuhkan ibu hamil dihitung dengan menambahkan energi sebanyak 300 kkal (per hari) dari TEE seperti pada persamaan 5.
Energi = TEE + 300 Kkal (5) Untuk kebutuhan kebutuhan karbohidrat, protein dan lemak dapat dihitung menggunakan persamaan 6, persamaan 7 dan persamaan 8.
Karbohidrat = 60% * Energi (6)
Protein = 15% * Energi (7)
Lemak = 25% * Energi (8) Keterangan:
BEE : Basal Energy Expenditure BB : Berat Badan
TB : Tinggi Badan U : Umur
KF : Kegiatan Fisik NKF : Nilai Kegiatan Fisik
FIT : Food Induced Thermogenesis T : Trisemester
Kegiatan fisik ibu hamil terdiri dari 4 kelompok yang dijelaskan pada Tabel 2.1 (Darusman,2016).
Tabel 1 Kegiatan Fisik No Kegiatan
Nilai Food Induced Thermogenesis
(FIT) terdiri dari 3 kategori dapat dilihat pada Tabel 2.5 (Darusman,2016).
Tabel 2 Food Induced Thermogenesis (FIT) No Bulan Trimester Nilai
1 1-3 Trimester 1 10%
2 4-6 Trimester 2 20%
3 7-9 Trimester 3 30%
Sumber: Darusman (2016)
2.2 Hybrid Algoritme Genetika dan
Simulated Annealing
Optimasi menggunaka Algoritme Genetika dengan Simulated Annealing (GASA) merupakan Algoritme yang menerapkan hybrid
antara dua jenis Algoritme yaitu Algoritme Genetika dan Simulated Annealing (Permana, Sulistiyo, & Wulandari, 2015). Proses dan elemen-elemen yang ada didalamnya pun berdasarkan Algoritme tersebut. Algoritme Genetika merupakan Algoritme yang dalam pencairannya sangat cepat untuk menemukan solusi yang mendekati optimum. Namun, dalam proses pencariannya, ada kemungkinan Algoritme Genetika akan terjebak dalam lokal optimum, sehingga solusi hasil pencariannya tidak akan optimal. Kemudian Simulated Annealing merupakan Algoritme pencarian yang memiliki kelebihan untuk keluar dari solusi lokal oprimum. Oleh karena itu, SA akan cocok bila dipadukan dengan GA untuk mengoptimmalkan hasil pencarian GA.
2.3 Penyelesaian Permasalahan Optimasi Menggunakan Hybrid Algoritme Genetika dan Simulated Annealing
Pada sub bab ini menjelaskan tentang penyelesaian optimasi komposisi bahan makanan menggunakan hybrid Algoritme Genetika dan Simulated Annealing. Untuk menyelesaiakan permasalahan ini terdapat beberapa tahapan yaitu membangkitkan populasi awal, kemudian proses reproduksi yang terdiri dari crossover dan mutasi. Kemudian dilakukan penggabungan populasi dan dilakukan seleksi untuk mencari individu terbaik dari Algoritme Genetika untuk diproses kembali menggunakan
langkah-langkah penyelesaian yang ditunjukkan pada Gambar 1.
Gambar 1. Flowchart Hybrid Algoritme Genetika dan Simulated Annealing
Langkah pertama adalah memasukkan parameter yang dibutuhkan sistem. Parameter untuk menetukan kebutuhan gizi ibu hamil meliputi berat badan, tinggi badan, usia kehamilan, aktivitas fisik untuk menghitung kebutuhan gizi dari ibu hamil. Kemudian parameter untuk menyelesaikan proses optimasi yaitu memasukkan jumlah popsize, jumlah generasi, Crossover rate (Cr), mutation rate (Mr), temperatur awal (T0), temperature akhir (Tn), alpha (α). Selanjutnya representasi kromosom yang terdiri dari bilangan acak antara 1 sampai 50 yang ditunjukkan pada Gambar 2.
Gambar 2. Representasi Kromosom
Keterangan :
K : Karbohidrat PN : Protein Nabati PH : Protein Hewani L : Lemak
S : Selingan
Setelah inisialisasi populasi awal terbentuk, dilanjutkan dengan proses reproduksi yang terdiri dari proses crossover dan mutasi.
Crossover merupakan proses yang dilaukan
untuk menghasilkan individu-individu baru atau kromosom baru dengan cara menggabungkan dua kromosom induk. Pada penelitian ini metode
crossover yang digunakan adalah one-cut point. Proses crossover dapat dilihat pada Gambar 3.
Gambar 3. Proses Crossover
Mutasi merupakan proses mengubah nilai
dari satu gen dalam satu kromosom secara acak (Arifudin, 2011). Pada penelitian ini proses mutasi menggunakan metode reciprocal exchange mutation. Proses mutasi ditunjukan pada Gambar 4.
Gambar 4. Proses Mutasi
Selanjutnya dilakukan penggabungan
populasi dengan cara menggabungkan semua kromosom dari proses crossover dan proses mutasi. Kemudian dilanjutkan dengan menghitung nilai fitness dari setiap kromosom tersebut. Untuk mendapatkan nilai fitness
diperlukan beberapa tahapan yaitu konversi gen dan menghitung berat total makanan.
Konversi dilakukan untuk menetukan index bahan makanan yang akan digunakan. Konversi gen dapat dilakukan dengan menggunakan persamaan (Sulistiowati, Marji, & Cholissodin, 2016) (1)
𝑰𝒏𝒅𝒆𝒙𝑮𝒆𝒏 = 𝟏 + ((𝒙 − 𝟏) ∗ (𝒚−𝟏𝒛−𝟏)). (1). Kemudian menghitung berat total makanan bertujuan untuk menghitung selisih dari kandungan gizi antara makanan yang dikonsumsi dengan yang dibutuhkan. Untuk menghitung berat total makanan dapat dilihat pada persamaan (2).
Total berat = berat makanan x presentasi makan x porsi (2)
Kemudian menghitung nilai fitness , fungsi nilai fitness sendiri adalah untuk melihat apakah solusi yang dihasilkan oleh setiap individu dari suatu populasi terdapat perbandingan. Untuk mencari nilai fitness dilakukan dengan menggunakan persamaan (3).
C : bilangan konstanta.
Untuk persamaan (3) dapat digunakan untuk mencari nilai minimum. Pada persamaan (3) merupakan nilai konstan yang harus diterpkan sebelumnya. Konstan dengan nilai 100.000 digunakan untuk memudahkan pertimbangan dalam perhitungan nilai fitness
dengan hasil nilai positif dan jika meenggunakan nilai konstanta 1.000 maka menghasilkan nilai
fitness negative. (Cahyaningtyas, Ratnawati, & Sutrisno, 2016).
Setelah mendapatkan nilai fitness, kemudian dilakukan seleksi untuk menyaring individu dari kumpulan populasi dan offspring
kemudian memilih beberapa individu dengan nilai fitness tertinggi untuk dipertahankan dan dilanjutkan ke proses berikutnya. Dalam penelitian ini proses seleksi menggunakan metode elitism yaitu mengurutkan semua individu berdasarkan nilai fitness yang tertinggi.
Setelah mendapatkan individu dengan nilai fitness tertinggi, selanjutnya individu tersebut dimasukkan kedalam proses Simulated Annealing. Proses Simulated Annealing adalah sebegai berikut (Jawahar, Aravindan, & Ponnambalam, 1999):
1. Mencari penyelesaian awal S menggunakan parameter awal dan metode heuristik awal yang dapat ditentukan sendiri.
2. Menetapkan nilai temperatur awal T dengan nilai yang tinggi dimana, T>0.
3. Saat keadaan titik frozen, dilakukan:
a. Lakukan L kali:
i.Cari solusi neighbourhoodS’ dari S
menggunakan metode yang dapat ditentukan sendiri.
ii.A = Nilai Objektif (S’) – Nilai Objektif (S).
iii. Jika A<0, maka tetapkan S=S’ dengan probabilitas exp(-A/T).
b. Turunkan T, T = alpha * T
c. Dapatkan solusi optimal
3. Pengujian dan Analisis
3.1 Pengujian dan Analisis Jumlah Populasi
Dalam pengujian populasi dilakukan
sebanyak 10 kali percobaan dan dihitung nilai rata-rata fitness setiap 10 kali prcobaan. Pengujian ini menggunakan jumlah generasi sebanyak 20 generasi. Nilai Cr menggunakan nilai 0,3 dan Mr menggunakan nilai 0,5. Pada parpameter Simulated Annealing nilai To yang digunakan adalah 0,4 dan nilai alpha yang
digunakan adalah 0,6. Hasil dari pengujian populasi ditunjukkan pada gambar 5.
Gambar 5. Hasil Pengujian Populasi
Dari Gambar 5 dapat dilihat bahwa nilai rata-rata fitness tertinggi pada pengujian jumlah populasi ke-2900 dengan nilai rata-rata fitness
48,60. Dari pengujian 2000 populasi hingga 2900 populasi terjadi kenaikan yang stabil dari rata-rata nilai fitness. Nilai rata-rata terendah pengujian sebesar 46,00 pada populasi ke-2100 dan nilai rata-rata fitness tertinggi pengujian sebesar 48,60 pada populasi ke-2900. Dari pengujian tersebut menunjukkan bahwa semakin banyak populasi dapat mempengaruhi tingginya nilai fitness yang hasilkan. Nilai rata-rata fitness
tertinggi kemudian dijadikan sebagai parameter jumlah populasi pada pengujian yang lainnya.
3.2 Pengujian dan Analisis Kombinasi Cr
dan Mr
Pengujian ini menggunakan parameter jumlah populasi sebanyak 2900, jumlah generasi sebanyak 20. Kemudian paramter T0 yang digunakan adalah 0,4 dan nilai alpha sebesar 0,6. Hasil dari pengujian kombinasi Cr dan Mr
Gambar 6. Hasil Pengujian Kombinasi Cr
dan Mr
Dari Gambar 6.2 tentang pengujian kombinasi Cr dan Mr dapat diketahui nilai rata-rata fitness tertinggi pada kombinasi nilai Cr 0,4 dan Mr 0,6 dengan nilai rata-rata sebesar 49,2. Kemudian nilai rata-rata fitness terkecil pada kombinasi nilai Cr 0,5 dan nilai Mr 0,5 dengan nilai rata-rata fitness sebesar 43,5. Dari pengujian tersebut nilai rata-rata fitness tersebut cenderung tidak stabil. Dengan didapatkannya kombinasi nilai Cr 0,4 dan Mr 0,6, maka sesuai dengan penelitian sebelumnya menyatakan bahwa tingkat Crossover yang terlalu besar dan mutasi yang kecil akan menurunkan kemampuan Algoritme Genetika untuk mengeksplorasi daerah pencarian. Pada kondisi sebaliknya (tingkat Crossover kecil, mutasi besar) akan menurunkan kemampuan Algoritme Genetika untuk belajar dari generasi sebelumnya dan tidak mampu mengekplorasi daerah local optimum
(Sari, Mahmudy, & Dewi, 2014).
3.3 Pengujian dan Analisis Temperatur Awal (T0)
Dalam pengujian ini jumlah populasi yang digunakan adalah 2900 populasi dengan nilai Cr
0,4 dan Mr 0,6, kemudian jumlah generasi yang digunakan sebanyak 20 generasi dan nilai alpha yang digunakan adalah 0,6. Hasil dari pengujian
T0 ditunjukkan pada gambar 7.
Gambar 7. Hasil Pengujian Temperatur Awal (T0)
3.4 Pengujian dan Analisis Nilai Alpha
Nilai parameter yang digunakan dalam pengujian ini adalah populasi dengan nilai 2900, nilai Cr 0,4 dan Mr 0,6, nilai temperatur yang digunakan adalah 1 dan nilai generasi yang digunakan sebanyak 20. Hasil dari pengujian nilai alpha ditunjukkan pada gambar 8.
Gambar 8. Hasil Pengujian Nilai Alpha
Dari Gambar 8 hasil pengujian nilai alpha, diperoleh nilai rata-rata fitness tertinggi pada nilai alpha 0,7 sebesar 47,3 dan nilai yang terendah pada nilai alpha 0,2 dengan rata-rata
fitness sebesar 42,6. Kemudian pada pengujian nilai alpha 0,2 sampai dengan 0,6 terjadi penurunan nilai rata-rata fitness. Sedangkan pada nilai alpha 0,7 sampai dengan 0,9 terjadi penurunan dan kenaikann nilai rata-rata fitness. Dari hal tersebut dapat disimpulkan bahwa semakin besar nilai alpha dapat memperluas ruang dalam pencarian solusi tetapi hal tersebut belum tentu mendapatkan solusi terbaik dengan nilai rata-rata fitness tertinggi.
3.5 Pengujian dan Analisis Jumlah Generasi
Nilai dari parameter-parameter yang digunakan dalah pengujian jumlah generasi adalah jumlah populasi 2900, nilai Cr 0,4 dan Mr
0,6, nilai temperatur yang digunakan adalah 1 dan nilai alpha 0,7
. Hasil dari pengujian
jumlah generasi ditunjukka pada gambar 9.
Gambar 9. Hasil Pengujian Jumlah Generasi
Berdasarkan hasil pengujian dari parameter yang digunakan dalam sistem optimasi komposisi bahan makanan menggunakan hybrid
Algoritme Genetika dan Simulated Annealing, didapatkan nilai parameter-parameter terbaik yaitu : jumlah populasi = 2900, Cr = 0,4, Mr = 0,6, T0 = 1, alpha = 0,7 dan jumlah generasi = 220. Selanjutnya nilai parameter yang sudah didapatkan tersebut diujikan dengan data ibu hamil dengan usia 38 tahun, usia kehamilan 16 minggu, berat badan 52 kg, tinggi badan 149 cm, dan kegiatan fisik ringan. Dari data tersebut dilakukan pengujian untuk mengetahui kebutuhan gizi ibu hamil dalam satu hari dan didapatkan kebutuhan gizi berupa energi 1863,14 Kkal, karbohidrat 279,472 gram, protein 69,8678 gram dan lemak 51,754 gram.
Dari kebutuhan gizi tersebut, kemudian dibandingkan dengan hasil dari rekomendasi sistem yang ditunjukka pada Tabel 3.
Tabel 3. Selisih Selisih Kebuthan Gizi Ibu Hamil dan Kandungan Gizi Bahan Makanan
Rekomendasi Sistem
Dari Tabel 3 dapat dilihat hasil rekomendasi sistem mengenai kandungan gizi dari bahan makanan dan kebutuhan gizi ibu hamil dan juga selisih nilainya. Dapat diketahui bahwa selisih nilai dari rekomendasi sistem dengan menggunakan hybrid Algoritme Genetika dan Simulated Annealing dengan kebutuhuan gizi adalah energi sebesar 1%, karbohidrat sebesar 1%, protein 0% dan lemak 1%. Sedangkan selisih nilai dari rekomendasi sistem hanya menggunakan Algoritme Genetika saja memiliki selisih energi sebesar 12%, karbohidrat sebesar 20%, protein sebesar 26% dan lemak sebsar 37%. Hasil dari sistem dengan menggunakan hybrid Algoritme Genetika dan
Simulated Annealing dapat memenuhi batas toleransi yang sudah ditetapkan oleh ahli gizi.
Dan dari hasil percobaan yang telah
dilakukan didapatkan akurasi sistem sebesar
70%.
Ditambahkan nya Simulated Annealingdapat membantu Algoritme Genetika untuk bertahan dalam menghadapi lokal optimum dan
mampu menghasilkan solusi yang lebih baik dibandingakan dengan menggunakan Algoritme Genetika saja, akan tetapi dengan menggunaka
hybrid Algoritme Genetika dan Simulated Annealing dapat mememakan waktu yang cukup lama untuk mendapatkan solusi yang lebih baik.
4. Kesimpulan
Berdasarkan hasil pengujian dari penelitian tentang optimasi komposisi bahan makanan untuk ibu hamil menggunakan hybrid Algoritme Genetika dan Simulated Annealing, dapat diambil kesimpulan sebagai berikut :
1. Penerapan optimasi komposisi bahan makanan ibu hamil menggunakan hybrid
Algoritme Genetika dan Simulated Annealing dilakukan dengan dimulai dari proses Algoritme Genetika yang tahap-tahapnya adalah inisialisasi kromosom,
Crossover menggunakan metode one cut-point, mutasi menggunakan metode
reciprocal exchange, menghitung fitness, dan seleksi mnggunakan metode elitism. Kemudian dilanjutkan dengan proses
Simulated Annealing hingga mencapai iterasi maksimum dan mendapatkan solusi yang optimal.
2. Hasil dari optimasi komposisi bahan makanan untuk ibu hamil menggunakan
hybrid Algoritme Genetika dan Simulated Annealing dipengaruhi oleh parameter inputan yang digunakan. Hasil terbaik yang diperoleh sistem dengan jumlah populasi sebanyak 2900 menghasilkan nilai rata-rata
fitness sebesar 48,60. Pada nilai Cr = 0,4 dan Mr = 0,6 menghasilkan nilai rata-rata
fitness sebesar 45,1, kemudian nilai temperatur awal (T0) sebesar 1 dan menghasilkan nilai rata-rata fitness sebesar 48,8, pada nilai alpha = 0,7 menghasilkan nilai rata-rata fitness sebesar 47,3, dan pada jumlah generasi sebanyak 220 generasi menghasilkan rata-rata nilai fitness sebesar 46,60. Dari hasil yang didapatkan tersebut menampilkan hasil rekomendasi bahan bahan makanan untuk ibu hamil dalam sehari.
DAFTAR PUSTAKA
Informatika, Vol.2, No.4, ISSN 2086-4930.
Arisman. (2003). GIZI DALAM DAUR KEHIDUPAN : BUKU AJAR ILMU GIZI. Jakarta: Buku Kedokteran.
Cahyaningtyas, Y. N., Ratnawati, D., & Sutrisno. (2016). Implementasi Hybrid Algoritma Genetika dan Simulated Annealing Untuk Penjadwalan Mata Pelajaran (Studi Kasus: SMP Negeri 1 Sukomoro).
DepkesRI. (2009). Indikator Kesehatan Indonesia. GAMBARAN KEJADIAN KURANG ENERGI KRONIK DAN POLA MAKAN WANITA USIA SUBUR DI DESA PESINGGAHAN KECAMATAN DAWAN KLUNGKUNG BALI 2014.
Efendi, M., Dayawati, R., & Wibowo, A. (2009). Sistem Penjadwalan Kuliah ITTELKOM Dengan Hybrid Algoritma Genetika Simulated Annealing (GA-SA).
Jawahar, N., Aravindan, P., & Ponnambalam, S. (1999). A Simulated Anealing Algorithm For Job Shop Scheduling.
vol. 10, no. 8, pp.767-77.
KemenkesRI. (2012). Pedoman Penyelenggaraan Pemberian Makanan Tambahan Pemulihan Bagi Ibu Hamil KEK dan Balita Gizi Kurang. Jurnal Kesehatan "Pengaruh Pemberian Makanan Tambahan Terhadap Pningkatan Berat Badan Ibu Hamil KEK (Kekurangan Energi Kronis) Di Wilayah Kerja Puskesmas Labuan Lombok.
Lubis. (2003). Status Gizi Ibu Hamil Serta Pengaruhnya terhadap Bayi yang Dilahirkan: Semarang. IKM-UNNES INFOKES, VOL.3 NO.3 November 2013.
Permana, A., Sulistiyo, M., & Wulandari, G. (2015). Optimasi Genetic Algorithm dengan Simulated Annealing Untuk Multiple Depot Capacitated Vehicle Routing Problem. Indonesia Symposium On Computing 2015, ISSN :2460-3295.
Riskesdas. (2013). InfoDATIN. SITUASI GIZI.
Sari, A., Mahmudy, W., & Dewi, C. (2014). Optimasi Asupan Gizi Pada Ibu Hamil Dengan Menggunakan Algoritma Genetika. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol.4, no.5.
Sofianti, T. (2004). Penjadwalan Multipurpose Batch Chemical Plant Dengan Metode Optimasi Gabungan : Algoritma Genetika-Simulated Annealing.
Stephanie, P., & Kartika, S. K. (2016). Gambaran Kejadian Kurang Energi Kronik Dan Pola Makan Wanita Usia Subur Di Desa Pesinggahan Kecamatan Dawan Klungkung Bali 2014. E-Jurnal Medika, VOL 5 NO.6.
Sulistiowati, F., Marji, & Cholissodin. (2016).
Optimasi Susunan Bahan Makanan Sehat Untuk Pemenuhan Gizi Keluarga Dengan Algoritma Evolition Strategies.
