Fakultas Ilmu Komputer
Universitas Brawijaya 4812
Implementasi Hybrid Algoritma Genetika dan Simulated Annealing untuk Optimasi Nutrisi Makanan Atlet Endurance
Shafira Eka Aulia Putri1, Bayu Rahayudi2, Imam Cholissodin3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Makanan merupakan sumber energi yang utama bagi manusia. Energi yang cukup dapat menunjang performa kegiatan setiap harinya terutama bagi para atlet, seperti atlet endurance. Kegiatan olahraga atlet endurance memiliki durasi yang cukup lama sehingga memerlukan banyak energi. Oleh karena itu, pemilihan komponen makanan atlet setiap hari dapat menjadi salah satu faktor penunjang dalam memberikan performa terbaiknya. Penelitian saat ini memberikan solusi berupa rekomendasi bahan makanan dalam 1 hari bagi atlet endurance dengan mempertimbangkan kebutuhan nutrisinya menggunakan metode hybrid algoritma genetika dan simulated annealing. Komponen bahan makanan memiliki jumlah 125 data, terdiri dari makanan pokok, sayur, hewani, dan pelengkap yang memiliki karbohidrat, protein dan lemak di dalamnya. Rekomendasi diberikan dalam bentuk representasi kromosom dari 14 nomor bahan makanan yang terdiri dari 3 paket makanan. Berdasarkan proses pengujian, parameter optimal memiliki populasi sebanyak 1000, 2000 generasi, kombinasi Cr = 0.1 dan Mr = 0.9, T0 = 0.7, T= 0.5, nilai alpha = 0.2. Hasil penelitian tersebut menghasilkan rekomendasi komponen bahan makanan dengan mempertimbangkan kebutuhan nutrisi atlet dalam batas toleransi kandungan nutrisi yaitu ±10% untuk atlet olahraga endurance.
Kata kunci: optimasi, nutrisi, algoritma genetika, simulated annealing, atlet endurance Abstract
Food is the main source of energy for humans. Sufficient energy can support the performance of daily activities, especially for athletes, such as endurance athletes. Endurance athlete sports activities have a long enough duration so they require a lot of energy. Therefore, the selection of food components for athletes every day can be one of the supporting factors in providing their best performance. The current research provides a solution in the form of recommendations for food ingredients in 1 day for endurance athletes by considering their nutritional needs using a hybrid genetic algorithm and simulated annealing method. The food ingredients component has a total of 125 data, consisting of staple foods, vegetables, animals, and complementary foods that have carbohydrates, proteins and fats in them.
Recommendations are given in the form of chromosomal representation of 14 food ingredients consisting of 3 food packages. Based on the testing process, the optimal parameter has a population of 1000, 2000 generations, the combination of Cr = 0.1 and Mr = 0.9, T0 = 0.7, T = 0.5, alpha value = 0.2. The results of this study resulted in recommendations for food components by considering the nutritional needs of athletes within the tolerance limit of nutritional content, which is ±10% for endurance sports athletes.
Keywords: optimization, nutrition, genetic algorithm, simulated annealing, athlete endurance
1. PENDAHULUAN
Kebutuhan manusia yang utama ialah makanan. Makanan mengandung beberapa unsur seperti karbohidrat, vitamin, lemak dan sebagainya yang akan menunjang energi manusia dalam melakukan aktivitas sehari-hari
(Rachmad, Ratnawati and Arwan, 2016).
Olahraga rutin serta mengkonsumsi nutrisi yang tepat dapat meningkatkan performa seorang atlet (Irawan, 2007). Pemilihan bahan makanan yang mengandung nutrisi tepat dalam jangka waktu tertentu akan mempengaruhi penampilan serta pertumbuhan atlet remaja dalam performanya
(Zahra and Muhlisin, 2020). Usia remaja berada direntang usia 10-18 tahun berdasarkan Peraturan Menteri Kesehatan RI Nomor 25 tahun 2014 (WHO dalam Pusdatin Kemenkes, 2014). Untuk menunjang hal tersebut, diperlukan pemilihan proporsi komponen nutrisi yang disesuaikan dengan energi yang dibutuhkan para atlet mencakup usia, jenis kelamin, berat badan serta durasi dalam aktivitas olahraga yang dilakukannya.
Utamanya seorang atlet olahraga, sebagai contoh seorang Atlet Endurance yang merupakan atlet dengan kegiatan olahraga berdurasi 30 menit hingga 4 jam (Rachmad, Ratnawati and Arwan, 2016). Durasi olahraga yang cukup lama dengan jenis olahraga endurance membutuhkan energi yang cukup serta nutrisi yang tepat karena pada saat nutrisi tersebut kurang memadai dapat menyebabkan atlet memiliki performa yang buruk (Anitasari, Ratnawati and Kusuma, 2019). Endurance sendiri merupakan daya tahan tubuh seseorang dalam melakukan kegiatan sehari-hari yang memiliki durasi berulang (Bastian &
Mahanggoro, 2012). Sehingga tubuh seseorang mampu menyelesaikan kegiatanya tanpa merasa lelah.
Pada saat ini, Atlet Voli di Kota Blitar belum memiliki ahli gizi serta pemantauan khusus terkait kebutuhan nutrisi para atlet, sehingga untuk membantu Atlet Voli di Kota Blitar menemukan proporsi nutrisi makanan yang tepat maka dibentuklah sebuah sistem menggunakan algoritma genetika yang telah diterapkan oleh penelitian sebelumnya agar para atlet mendapatkan energi cukup sehingga dapat menampilkan performa yang lebih baik. Sistem tersebut dapat dibangun dengan metode yang telah berhasil menemukan proporsi yang tepat pada penelitian sebelumnya.
Algoritma genetika merupakan metode heuristic yang mampu menemukan solusi lebih baik dari solusi yang telah ada dengan beberapa aturannya (Regasari, Putri and Wicaksono, 2017). Salah satu keunggulan algoritma genetika yang sesuai dengan penelitian saat ini adalah dapat menyelesaikan masalah optimasi dengan ruang pencarian yang luas (Mahmudy, 2015).
Ruang pencarian yang luas tersebut dapat memicu optimum lokal karena minimnya ragam dalam suatu individu (Mahmudy, 2015).
Sehingga untuk melengkapi kekurangan algoritma genetika tersebut, diperlukan metode simulated annealing yang dapat mengeluarkan solusi tersebut dari lokal optimum dengan
melakukan hill-climbing moves yaitu penerimaan solusi yang bisa jadi lebik buruk (Andriansyah, Novatama and Sentia, 2020).
Pada penelitian yang lain, Algoritma Genetika mampu memberikan solusi pada permasalahan penjadwalan menu makanan bagi penderita gagal ginjal akut (Rossi et al., 2017).
Penggunaan Algoritma Genetika dan PSO memiliki kekurangan dalam hal lokal optimum.
Masalah tersebut muncul akibat penggunaan bilangan acak pada representasi awal kromosomnya sehingga memerlukan algoritma Simulated annealing (SA) untuk mengatasi optimum lokal (Cholissodin and Dewi, 2017).
Optimasi menggunakan metode Hybrid PSO (Particle Swarm Optimization) dan Simulated annealing pernah dilakukan sebelumnya, dengan hasil pop-size 280, crossover rate 0,6, mutation rate 0,4, first temperature 1, last temperature 0,2, alpha 0,9, serta generation size 100 (Cholissodin & Dewi, 2017). Penelitian tersebut dapat menghasilkan menu diet sehat untuk keluarga dengan meminimalisir biaya untuk makanan dengan kebutuhan gizi seimbang. Simulated annealing (SA) merupakan algoritma yang digunakan untuk menemukan solusi lokal optimum sehingga dapat menutupi kekurangan dari Particle Swarm Optimization itu sendiri (Iman, Ratnawati and Kusuma, 2018).
Pencarian solusi untuk permasalahan optimasi menggunakan pendekatan heuristic memiliki keuntungan efisiensi waktu. Metode Hybrid Algoritma Genetika dan Simulated annealing dapat saling membantu untuk mendapatkan hasil yang lebih baik (Fatyanosa et al., 2017). Hal ini ditunjukkan oleh beberapa penelitian yang dilakukan sebelumnya.
Penggunaan metode Hybrid Algoritma Genetika dan Simulated annealing diawali dengan pembangkitan populasi diikuti proses reproduksi yang terdiri dari crossover one-cut point dan mutasi reciprocal exchange dengan hasil rekomendasi makanan yang memenuhi batas kandungan nutrisi dari ahli gizi sebesar
±10% (Iman, Ratnawati and Kusuma, 2018).
Penggabungan populasi pada kedua metode tersebut diawali dengan penerapan Algoritma Genetika yang berfungsi mencari individu terbaik sementara Simulated annealing digunakan untuk mendapat solusi terbaik untuk lokal optimum.
2. TINJAUAN PUSTAKA 2.1. Nutrisi
Nutrisi merupakan sebuah komponen yang digunakan dalam bermacam-macam fungsi dalam tubuh yang ditemukan dalam sebuah makanan. Nutrisi tersebut mencakup air, protein, lemak, karbohidrat, mineral dan vitamin. Nutrisi tersebut berfungsi mendukung proses tumbuh, berkembang biak serta memiliki hidup sehat dan normal (Sidnell, 2008).
2.2. Atlet Endurance
Atlet dalam penelitian ini merupakan seseorang dengan kegiatan olahraga secara aktif dengan durasi yang teratur. Berdasarkan cara kerja otot dalam penentuan kebutuhan energi jenis olahraga dibagi menjadi 4, yaitu olahraga power, endurance, sprint dan olahraga permainan (Anitasari, Ratnawati and Kusuma, 2019). Endurance atau biasa disebut daya tahan memiliki arti kemampuan dalam menyelesaikan suatu kegiatan tanpa rasa lelah pada tiap individu (Bastian and Mahanggoro, 2012). Atlet Endurance merupakan atlet yang memiliki kegiatan kontinyu dengan durasi sekitar 30 menit sampai 4 jam dengan kebutuhan kalori sejumlah 8.000 setiap harinya. Sehingga diperlukan keseimbangan dalam energi yang didapat dan dikeluarkan. (Rachmad, Ratnawati and Arwan, 2016).
2.3. REE (Resting Energy Expenditure) Menghitung jumlah kalori menggunakan metode REE. REE (Resting Energy Expenditure) merupakan perhitungan jumlah energi yang berisi nilai kalori yang dibutuhkan oleh tubuh dengan beberapa komponen yang harus diperhatikan seperti kondisi dari atlet (Noreik et al., 2014).
Ketentuan tersebut dapat dilihat pada Persamaan berikut (Rachmad, Ratnawati and Arwan, 2016):
Laki –laki (10 –18 tahun): REE = (17,5 × BW) + 651 (1) Laki –laki (18 –30 tahun): REE = (15,3 × BW) + 679
(2) Laki –laki (30 –60 tahun): REE = (11,6 × BW) + 879
(3) Perempuan (10 – 18 tahun): REE = (12,2 × BW) +
749 (4)
Perempuan (18 –30 tahun): REE = (14,7 × BW) + 496 (5) Perempuan (30 –60 tahun): REE = (8,7 × BW) + 829
(6) Berdasarkan perhitungan REE yang terdapat dalam Persamaan 1 hingga Persamaan 6, dilanjutkan perhitungan total kalori yang dibutuhkan atlet menggunakan Persamaan 7 berikut ini:
Total kalori = REE x Faktor aktivitas (7) Keterangan:
- REE (Resting Energy Expenditure) = Jumlah energi yang dibutuhkan oleh Atlet.
- BW (Body Weight) = Berat badan Atlet dalam satuan kilogram.
- Faktor aktivitas atlet endurance berkisar antara 1,6 – 2,4 (Rachmad, Ratnawati and Arwan, 2016).
2.4. Hybrid Algoritma Genetika dan Simulated annealing
Penggunaan metode Hybrid Algoritma Genetika dan Simulated annealing digunakan untuk saling melengkapi kekurangan pada individu algoritma tersebut. Kekurangan yang terdapat pada Algoritma Genetika ialah individu yang tidak dapat memiliki hasil lebih baik daripada indukan awalnya. Di sisi lain Simulated annealing yang hanya mampu menyimpan satu solusi dapat menyelesaikan kekurangan dari algoritma genetika tersebut dengan cara memaksimalkan fungsi pengendalian penurunan suhu pada saat menghadapi lokal optimum (Anggarsari, Mahmudy and Dewi, 2017).
Proses Hybrid Algoritma Genetika dan Simulated annealing:
1. Perhitungan kebutuhan nutrisi atlet menggunakan metode REE (Resting Energy Expenditure).
2. Menginputkan parameter algoritma genetika dan simulated annealing yaitu jumlah populasi, jumlah generasi, probabilitas crossover (Cr), probabilitas mutasi (Mr), temperatur awal (Tmin), temperatur akhir (Tmax), alpha (α).
3. Melakukan proses inisialisasi awal kromosom untuk algoritma genetika.
4. Melakukan tahap reproduksi algoritma genetika yaitu proses crossover dan mutasi. Crossover yang digunakan ialah one-cut point, sementara tahapan
mutasi menggunakan reciprocal exchange mutation.
5. Melakukan perhitungan fitness, sebagai tolak ukur baik buruknya solusi yang dihasilkan.
6. Melakukan tahap simulated annealing menggunakan individu terbaik dari proses algoritma genetika, lalu membentuk individu baru dengan metode swapping neighborhoods, dilanjutkan dengan menghitung selisih fitness, proses probabilitas Boltzman dan Penurunan Suhu. Proses tersebut akan berulang hingga mencapai T maksimal.
7. Melakukan proses hybrid secara berulang hingga mencapai batas iterasi maksimum dan menyeleksi individu sejumlah popsize dengan nilai fitness terbaik.
2.7. Evaluasi
Pada tahap evaluasi fitness digunakan untuk mencari hasil yang optimal. Rumus tersebut dapat dilihat pada Persamaan 8 berikut:
𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = 10000
𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 + 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐻𝑎𝑟𝑔𝑎 (8) Nilai 10000 didapatkan dari rentang harga bahan makanan. Untuk Penalti didapatkan dari selisih kebutuhan gizi atlet dengan kandungan gizi pada bahan makanan yang digunakan pada penelitian. Penalti tersebut terdiri dari penalti kalori, karbohidrat, protein, dan lemak.
Sementara Total Harga diperoleh dari penjumlahan harga dari bahan makanan yang diolah pada penelitian tersebut yang akan dikalikan 0,5 agar bisa mengurangi resiko dari total harga tersebut (Rachmad, Ratnawati and Arwan, 2016).
Untuk mendapatkan hasil rekomendasi bahan makanan yang memiliki selisih kandungan nutrisi kurang dari 10% maka rumus fitness diakumulasi dengan hasil perhitungan selisih terbaik dalam kromosom tersebut, dapat dilihat pada Persamaan 9 berikut:
𝑆𝑒𝑙𝑖𝑠𝑖ℎ = (
∑ 𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑁𝑢𝑡𝑟𝑖𝑠𝑖(< 10%) + 1 𝐾𝑎𝑛𝑑𝑢𝑛𝑔𝑎𝑛 𝑁𝑢𝑡𝑟𝑖𝑠𝑖 + 1
5 )
(9) Sehingga persamaan fitness total dapat dilihat
pada Persamaan 10 berikut ini:
𝑭𝒊𝒕𝒏𝒆𝒔𝒔 = 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 𝑎𝑤𝑎𝑙 + 𝑠𝑒𝑙𝑖𝑠𝑖ℎ (10) 3. METODOLOGI PENELITIAN
3.1. Data Penelitian
Data yang digunakan dalam penelitian saat ini berjumlah 125 bahan makanan yang terdiri dari makanan pokok, sayuran, protein hewani, protein nabati serta makanan pelengkap. Bahan makanan tersebut mengandung karbohidrat, lemak dan protein. Data atlet endurance yang akan di uji coba berjumlah 10 atlet.
3.2. Perancangan
Tahapan yang digunakan dalam implementasi hybrid algoritma genetika dan simulated annealing dapat dilihat pada Gambar 1 berikut ini:
Diagram alir yang terdapat pada Gambar 1
Gambar 1 Diagram Alir Hybrid Algoritma Genetika dan Simulated Annealing
Start
Data Atlet, Nutrisi, Parameter Algoritma dan Simulated annealing
Kebutuhan Nutrisi Inisialisasi Populasi Awal
i=0 to maxIterasi-1
Crossover
Mutasi
Fitness
Seleksi
i SA
Individu Terbaik
Stop
tersebut, proses dimulai dari menghitung kebutuhan nutrisi atlet. Kebutuhan nutrisi diproses menggunakan Persamaan 1 hingga 6 sesuai dengan input yaitu berat badan, umur serta jenis kelamin atlet. Selanjutnya, hasil REE diproses kembali menggunakan Persamaan 7 dengan bantuan Tabel 1 sebagai acuan faktor aktivitas yang digunakan.
Tabel 1 Faktor Aktivitas Atlet Endurance
LEVEL AKTIVITAS FAKTOR AKTIVTAS
Pemula
(durasi < 12 jam/minggu) 1,6 Atlet Amatir
(durasi 12-20 jam/minggu) 2 Atlet Profesional
(durasi > 20 jam / minggu) 2,4
Persamaan 7 akan menghasilkan total kalori atlet, Hasil tersebut digunakan untuk mencari kebutuhan gizi atlet endurance dengan melakukan pehitungan berdasarkan Persamaan 10 hingga 12.
𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = 65% 𝑥 𝑇𝑜𝑡𝑎𝑙 𝐾𝑎𝑙𝑜𝑟𝑖 (10) 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = 15 % 𝑥 𝑇𝑜𝑡𝑎𝑙 𝐾𝑎𝑙𝑜𝑟𝑖 (11)
𝐿𝑒𝑚𝑎𝑘 = 15 % 𝑥 𝑇𝑜𝑡𝑎𝑙 𝐾𝑎𝑙𝑜𝑟𝑖 (12) Perhitungan tersebut menghasilkan nilai gizi dengan satuan kalori. Berdasarkan Persamaan 13 hingga 15, hasil tersebut dikonversi ke dalam satuan gram.
𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 =𝑛𝑖𝑙𝑎𝑖 𝑔𝑖𝑧𝑖
4 (13) 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 =𝑛𝑖𝑙𝑎𝑖 𝑔𝑖𝑧𝑖
4 (14) 𝐿𝑒𝑚𝑎𝑘 =𝑛𝑖𝑙𝑎𝑖 𝑔𝑖𝑧𝑖
9 (15) Setelah mendapatkan kandungan nutrisi, proses algoritma genetika akan dimulai dari tahap inisialisasi awal seperti contoh Tabel 2 berikut ini:
Tabel 2 Inisialisasi Populasi Awal
P1 P2 P3 Pagi PK 11 4 2
N 18 3 10 S 21 18 17
H 7 5 0
PL 3 15 24 Siang PK 6 7 24 N 2 24 17 S 22 24 3 H 3 13 21 PL 17 4 4 Malam PK 9 3 14
N 14 7 2 S 12 6 7 PL 18 9 6
Keterangan:
PK = makanan pokok N = protein nabati S = sayuran H = hewani
PL = makanan pelengkap
Setelah melakukan proses inisialisasi awal tersebut, kromosom diproses ke tahap reproduksi seperti crossover dan mutase.
Penelitian saat ini menggunakan metode crossover one-cut point. Contoh dapat dilihat pada Tabel 3 berikut ini:
Tabel 3 Proses Crossover
P1 P2 PK 2 11 N 10 18 S 17 21 H 0 7 PL 24 3 PK 24 6 N 17 2 S 3 22 H 21 3 PL 4 17 PK 14 9
N 2 14 S 7 12 PL 6 18
P1 P2 PK 2 11 N 10 18 S 17 21 H 0 7 PL 24 3 PK 24 6 N 17 2 S 22 3 H 3 21 PL 17 4 PK 9 14
N 14 2 S 12 7 PL 18 6
Selanjutnya, proses dilanjutkan ke tahap mutasi menggunakan mutase reciprocal exchange mutation seperti pada Tabel 4 berikut:
Tabel 4 Proses Reciprocal Exchange Mutation
Proses berikutnya
adalah perhitungan fitness menggunakan Persamaaan 8 dilanjutkan dengan Persamaan 9 dan dijumlah menggunakan Persamaan 10. Hasil fitness tersebut akan diseleksi menggunakan metode Elitism untuk hasil terbesar kromosom tersebut akan diproses ke tahapan Simulated Annealing. Simulated annealing memiliki proses sebagai berikut:
1. Memberikan batasan dengan mendeklarasikan nilai Tmin sebagai nilai awal yang digunakan untuk mencari Temperature pada generasi Simulated Annealing selanjutnya dan Tmax sebagai batas akhir dilakukannya perulangan untuk tahapan Simulated Annealing.
2. Proses neighborhood untuk memodifikasi kromosom dengan cara menukar indeks gen terpilih pada individu lama agar menghasilkan individu baru.
3. Proses perbandingan selisih nilai fitness individu baru (xp) dan individu lama (xn). Dapat dilihat pada Persamaan 16 berikut ini:
Δf= fitness (xp)-fitness (xn) (16)
4. Ketika proses sebelumnya menghasilkan nilai fitness kurang dari 0 maka dilanjutkan dengan proses perbandingan probabilitas Boltzman dengan angka random (antara bilangan 0 hingga 1). Dapat dilihat pada Persamaan 17 berikut ini:
Boltzman=exp (∆E/Tmin)≥δ (17) 5. Hasil jika tidak memenuhi persamaan tersebut, proses berlanjut ke penurunan suhu yang dapat dilihat pada persamaan 18 berikut ini:
Tmin+1=Tmin* ∝(18) 6. Proses akan berhenti ketika mencapai
Tmax.
4. PENGUJIAN DAN ANALISIS
Pengujian saat ini menghasilkan rekomendasi makanan dari atlet berjenis kelamin perempuan, dengan usia 18 tahun dan berat badan 68.
4.1. Pengujian Populasi
Pada pengujian ukuran populasi akan dilakukan pengujian terhadap jumlah populasi agar mengetahui ukuran populasi yang optimal sehingga dapat menghasikan nilai nutrisi yang optimal dengan 5 kali pengujian. Parameter yang digunakan adalah alpha sebesar 0.2, generasi sebanyak 1 kali, Tmin 0.7, Tmax 0.5, dengan kombinasi Cr 0.6 dan Mr 0.4 menguji jumlah populasi dari 100 hingga 1000. Pengujian tersebut menghasilkan grafik yang dapat dilihat pada Gambar 2 dengan pola peningkatan yang landai. Rata-rata fitness tertinggi berada pada ukuran populasi 1000 yaitu 0,8594.
Gambar 2 Pengujian Populasi
4.1. Pengujian Generasi
Pada pengujian banyaknya generasi akan dilakukan pengujian terhadap jumlah generasi agar mengetahui generasi mana yang optimal sehingga dapat menghasikan nilai nutrisi yang
0,3000 0,5000 0,7000 0,9000 1,1000 1,3000
1 2 3 4 5 6 7 8 9 10
P1 C3
PK 24 PK 24 N 17 N 17 S 3 S 24 H 21 H 21 PL 4 PL 4 PK 14 PK 14
N 2 N 2
S 7 S 7
PL 6 PL 6 PK 2 PK 2 N 10 N 10
S 17 S 17
H 0 H 0
PL 24 PL 3
optimal dalam penelitian saat ini. Parameter baru yang digunakan yaitu jumlah populasi sebanyak 1000. Pengujian generasi yang dilakukan memiliki rentang dari 1 hingga 2000 banyaknya generasi yang dilakukan dengan 5 kali percobaan. Berdasarkan hasil pengujian, fitness tertinggi terdapat pada generasi ke 2000 dengan rata-rata fitness 1,3048. Sementara rata-rata fitness terendah yaitu 0,8659 berada pada generasi ke 1. Perubahan nilai rata-rata fitness dapat dilihat pada Gambar 3 tidak memiliki perubahan signifikan sehingga hal tersebut menunjukkan fitness sudah memasuki nilai yang konvergen.
Gambar 3 Pengujian Banyaknya Generasi
4.3. Pengujian Kombinasi Cr dan Mr
Pada Pengujian Ukuran populasi akan dilakukan pengujian terhadap jumlah populasi agar mengetahui ukuran populasi yang optimal sehingga dapat menghasikan nilai nutrisi yang optimal pula. Pengujian dilakukan sebanyak 5 kali dengan parameter baru yaitu 1000 populasi dan 2000 generasi. Pengujian Kombinasi Cr dan Mr menghasilkan grafik yang dapat dilihat pada Gambar 4. Grafik tersebut menunjukkan grafik landai yang mengalami kenaikan seiring dengan nilai mutasi yang besar. Kondisi tersebut disebabkan oleh kemampuan eksplorasi populasi yang meningkat (Mahmudy, 2015). Hasil tersebut dapat dilihat pada kombinasi Cr = 0,1 dan Mr = 0,9 dengan hasil rata-rata fitness tertinggi yaitu 1,4008. Sementara pada kombinasi Cr = 0,9 dan Mr = 0,1 memiliki nilai rata-rata fitness yang rendah yaitu 1,2381. Hal tersebut disebabkan oleh tingkat crossover yang tinggi dengan nilai mutasi rendah mengakibatkan penurunan pada kemampuan eksplorasi pencarian pada GA (Sari, 2014).
Gambar 4 Pengujian Kombinasi Cr dan Mr
4.4. Pengujian Atlet Lain
Berdasarkan hasil pengujian parameter sebelumnya, populasi 1000 dengan generasi 2000, Kombinasi Cr dan Mr 0,1 dengan 0,19 memiliki hasil yang optimal. Sehingga dilakukan penguian terhadap atlet lain untuk menguji apakah penelitian ini dapat menghasilkan rekomendasi makanan yang sesuai dengan batas toleransi gizi yaitu selisih kurang dari ±10%. Pengujian tersebut menghasilkan nilai seperti Tabel 5 berikut ini:
Tabel 5 Pengujian Atlet Lain
Nazalia Zabrina
Percobaan
ke- 1 2 3 4 5
Kandungan Nutrisi
Seli sih (%)
Seli sih (%)
Seli sih (%)
Seli sih (%)
Seli sih (%) Kalori 0,3 0,1 -0,1 0,03 0,45 Karbohidrat -3,6 -2,3 -2,8 -4,3 -2,6
Protein 0,5 -0,2 3,4 -3,2 -5,3 Lemak -0,2 -5,8 -3,1 2,9 -0,5
Hilma Lia K
Percobaan
ke- 1 2 3 4 5
Kandungan Nutrisi
Seli sih (%)
Seli sih (%)
Seli sih (%)
Seli sih (%)
Seli sih (%) Kalori 0,05 -0,4 0,31 -0,3 -
0,03 Karbohidrat -4,1 -4,9 -2,3 -3,3 -3,5 Protein -4,4 -1,3 -1,7 -3,3 -0,2 Lemak -0,7 -0,2 -2,8 -0,1 -2,3 5. KESIMPULAN
Berdasarkan pengujian yang telah dilakukan, penelitian saat ini berhasil membuat rekomendasi bahan makanan atlet endurance dengan mempertimbangkan kebutuhan nutrisi yang tidak melebihi batas toleransi kandungan gizi yaitu ±10%.
0,5000 0,7000 0,9000 1,1000 1,3000 1,5000
1 200 400 600 800 1000 1200 1400 1600 1800 2000
1,1500 1,2000 1,2500 1,3000 1,3500 1,4000 1,4500
0,9 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1
6. DAFTAR PUSTAKA
Andriansyah, A., Novatama, R. and Sentia, P.D., 2020. Algoritma Simulated Annealing untuk Menentukan Rute Kendaraan Heterogen (Studi Kasus). Jurnal Teknologi Informasi dan Ilmu Komputer, 7(5), p.933.
Anggarsari, F., Mahmudy, W.F. and Dewi, C., 2017. Optimasi Kebutuhan Gizi untuk Balita Menggunakan Hybrid Algoritma Genetika dan Simulated Annealing.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 1(12), pp.1668–
1677.
Anitasari, N., Ratnawati, D.E. and Kusuma, T.S., 2019. Optimasi Komposisi Bahan Makanan Atlet Olahraga Menembak dengan Menggunakan Metode Evolution Strategies ( ES ). 3(1), pp.1005–1011.
Bastian, L.P. and Mahanggoro, T.P., 2012.
Perbedaan Tingkat Endurance antara Pria Bertipe Kepribadian A dan Pria Bertipe Kepribadian B. 12(3), pp.195–200.
Cholissodin, I. and Dewi, R.K., 2017.
Optimization of Healthy Diet Menu Variation using PSO-SA. Journal of Information Technology and Computer Science, 2(1), pp.28–40.
Fatyanosa, T.N., Sihananto, A.N., Alfarisy, G.A.F., Burhan, M.S. and Mahmudy, W.F., 2017. Hybrid Genetic Algorithm and Simulated Annealing for Function Optimization. Journal of Information Technology and Computer Science, 1(2), p.82.
Iman, F., Ratnawati, D.E. and Kusuma, T.S., 2018. Optimasi komposisi makanan untuk ibu hamil menggunakan hybrid optimasi komposisi makanan untuk ibu hamil menggunakan hybrid algoritme genetika dan simulated annealing. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(11), pp.4325–4332.
Irawan, M.A., 2007. Nutrisi, Energi, & Performa olahraga. Polton Sport Science &
Performance Lab, 1.
Mahmudy, W.F., 2015. The Introduction of Genetic Algorithm. pp.1–104.
Noreik, M., Maurmann, M., Meier, V., Becker,
I., Röhrig, G., Polidori, M.C. and Schulz, R.J., 2014. Resting energy expenditure (REE) in an old-old population:
Implications for metabolic stress.
Experimental Gerontology, [online] 59,
pp.47–50. Available at:
<http://dx.doi.org/10.1016/j.exger.2014.0 6.009>.
Rachmad, Z.Y., Ratnawati, D.E. and Arwan, A., 2016. Optimasi Komposisi Makanan Untuk Atlet Endurance Menggunakan Metode Particle Swarm Optimization.
Jurnal Teknologi Informasi dan Ilmu Komputer, 3(2), p.103.
Regasari, R., Putri, M. and Wicaksono, S.A., 2017. Optimasi Komposisi Makanan Pada Penderita Diabetes Melitus dan Komplikasinya Menggunakan Algoritma Genetika. 1(4).
Rossi, A., Lestari, T., Rofiqoh, U., Robbana, S., Nurjanah, W.E., Wulandari, U.L. and Cholissodin, I., 2017. GINJAL AKUT DENGAN ALGORITMA GENETIKA.
4(1), pp.1–7.
Sidnell, A., 2008. Essentials of Human Nutrition. Nutrition Bulletin, 33(2), pp.155–156.
WHO dalam Pusdatin Kemenkes, 2014.
Infodatin Reproduksi Remaja-Ed.Pdf.
Situasi Kesehatan Reproduksi Remaja,
Available at:
<https://www.kemkes.go.id/download.ph p?file=download/pusdatin/infodatin/infod atin reproduksi remaja-ed.pdf>.
Zahra, S. and Muhlisin, M.-, 2020. Nutrisi Bagi Atlet Remaja. Jurnal Terapan Ilmu Keolahragaan, 5(1), pp.81–89.
