JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3875 Hal 79−84 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom
Simulasi Reinforcement Learning untuk Kecerdasan Buatan pada Exergame Penurun Berat Badan
Sofy Fitriani, Siti Dwi Setiarini*, Eddy Bambang Soewono Jurusan Teknik Komputer dan Informatika, Politeknik Negeri Bandung Jl. Gegerkalong Hilir, Ciwaruga,Parongpong,Bandung Barat, Jawa Barat, Indonesia
Email: 1[email protected], 2,*[email protected], 3[email protected] Email Penulis Korespondensi: [email protected]
Submitted 16-02-2022; Accepted 25-02-2022; Published 25-02-2022 Abstrak
Pandemi Coronavirus Disease 2019 (Covid-19) masih melanda seluruh dunia. Hal ini cukup mengkhawatirkan dan berdampak pada terbatasnya aktivitas fisik di luar rumah. Salah satu masalah yang ditimbulkan yaitu kenaikan berat badan. Agar aktivitas fisik menjadi sesuatu yang menyenangkan dengan segala keterbatasannya, diusulkan penelitian simulasi kecerdasan buatan untuk aktivitas fisik dalam membantu menurunkan berat badan. Simulasi ini akan diterapkan ke dalam game. Sebelum diaplikasikan pada game, penelitian ini berfokus pada aktivitas fisik yang dilakukan berdasarkan hasil perhitungan menggunakan kecerdasan buatan untuk menurunkan berat badan. Metode yang digunakan adalah kuantitatif. Pertama, melakukan studi literatur dalam menentukan topik, metode machine learning dan perhitungan kalori dalam menurunkan berat badan. Selanjutnya, pembuatan model perhitungan kebutuhan kalori defisit menggunakan reinforcement learning. Perhitungan tersebut dimodelkan dengan metode waterfall dan disimulasikan ke dalam sistem. Tahapan terakhir validasi model menggunakan functional correctness berdasarkan kebutuhan sistem. Berdasarkan pengujian yang telah dilakukan, menghasilkan 100% luaran yang tepat berdasarkan daftar kebutuhan.
Kata Kunci: Aktivitas Fisik; Game; Kecerdasan Buatan; Machine Learning; Simulasi Abstract
The pandemic of Coronavirus Disease 2019 (Covid-19) is still sweeping the globe. This is alarming, and it has a negative impact on physical activity outside the home. Weight gain is one of the issues that has arisen. Artificial intelligence simulation research is proposed for physical activity to help lose weight for it to be something fun with all its limitations. This simulation is going to be included in the game. This study focused on the physical activity carried out based on the results of artificial intelligence calculations to lose weight before being applied to the game. The approach is quantitative. To begin, conduct a literature review to determine the topic, machine learning methods, and calorie calculations for weight loss. Additionally, using reinforcement learning, a model for calculating the need is created for a caloric deficit. The waterfall method is used to model the calculation, which is then simulated in the system. The final stage is model validation, which involves utilizing the functionality correctness in accordance with system requirements. It produces 100 percent correct output based on the list of requirements, according to the tests that have been conducted.
Keywords: Physics Activities; Game; Artificial Intelligence; Machine Learning; Simulation
1. PENDAHULUAN
Sudah lebih dari satu tahun Pandemi Covid - 19 melanda seluruh dunia. Tercatat per tanggal 29 Maret 2020, kasus Covid - 19 sudah mencapai 127 juta. Total tersebut mencakup kasus aktif, sembuh maupun yang meninggal dunia. Hal ini cukup mengkhawatirkan dan mengakibatkan aktivitas fisik di luar rumah semakin terbatas [1]. Sedangkan, salah satu cara menjaga imunitas agar terhindar dari Covid - 19 adalah dengan banyak melakukan aktivitas fisik. Terbatasnya ruang membuat banyak masyarakat malas untuk bergerak. Keadaan tersebut dapat menimbulkan masalah seperti munculnya berbagai penyakit dan kelebihan berat badan yang berdampak buruk pada kesehatan [2]. Pada kenyataannya, berat badan berlebih menyumbang kerentanan terserangnya Covid - 19 dengan risiko kematian yang tinggi [3], [4].
Beberapa cara dapat dilakukan untuk menurunkan berat badan. Seperti coaching melalui aplikasi whatsapp, menggunakan aplikasi Finc, MyPlate Calorie Tracker, 1500+ Health Tips, Lose it!, Carb Manager, serta Lose Weight in 21 Days. Namun, masih memiliki beberapa kendala seperti biaya yang mahal, harus dilakukan di luar rumah, ketidakcocokan aktivitas fisik dengan kebutuhan, kebosanan dalam melakukan aktivitas fisik di rumah, penilaian yang buruk pada google play store, serta belum menggunakan kecerdasan buatan [5], [6].
Aktivitas fisik memiliki beberapa faktor yang harus diperhatikan, seperti intensitas, durasi, frekuensi, variasi, status kesehatan, usia dan tujuan latihan. Selain itu, faktor lingkungan menjadi hal yang sangat penting [7]. Terutama dalam kondisi Covid-19 yang diharapkan aktivitas fisik dapat dilakukan di rumah, hal ini menjadi sangat penting mengingat jumlah kasus kematian yang terus meningkat.
Agar aktivitas fisik menjadi kegiatan yang menyenangkan dan dapat dilakukan di ruangan yang terbatas, diusulkan penelitian simulasi kecerdasan buatan untuk aktivitas fisik yang nantinya akan diterapkan ke dalam game. Sebelum diaplikasikan pada game, penelitian ini berfokus pada aktivitas fisik yang dilakukan berdasarkan hasil perhitungan menggunakan kecerdasan buatan untuk menurunkan berat badan [8].
Penelitian sebelumnya, kecerdasan buatan menggunakan reinforcement learning, namun masih belum menggunakan sistem [9]. Selain itu, penelitian yang dibuat masih menggunakan remote coaching yang dilakukan berkala. Sedangkan, berdasarkan penelitian yang diusulkan akan dibuat sistem simulasi perhitungan berbasis kecerdasan buatan. Sehingga, otak dari coach yang seharusnya melatih partisipan dipindahkan ke sistem simulasi kecerdasan buatan menggunakan reinforcement learning yang akan dibuat.
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3875 Hal 79−84 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Penelitian ini bertujuan untuk membuat simulasi sistem kecerdasan buatan yang nantinya akan diterapkan pada workout game. Sistem yang diusulkan dapat membantu pengguna untuk mengetahui perhitungan tanpa harus didampingi coach dan dapat dilakukan di rumah. Simulasi perhitungan ini diharapkan dapat membantu mengarahkan pengguna dalam melakukan aktivitas fisik di rumah dengan terjadinya penghematan biaya, waktu, tetap di rumah, tidak menjenuhkan, dan tidak membutuhkan pengawasan dari coach [8].
Berdasarkan latar belakang tersebut, rumusan masalah pada penelitian ini yaitu bagaimana membuat simulasi perhitungan pemilihan aktivitas fisik berdasarkan kebutuhan pengguna untuk menurunkan berat badan serta bagaimana ketepatan perhitungan pada simulasi tersebut. Penelitian ini bertujuan untuk membuat simulasi sistem kecerdasan buatan yang nantinya akan diterapkan pada workout game. Sistem yang diusulkan dapat membantu pengguna untuk mengetahui perhitungan tanpa harus didampingi coach dan dapat dilakukan di rumah.
2. METODOLOGI PENELITIAN
Metode yang digunakan dalam penelitian ini adalah metode kuantitatif. Gambar 2 berikut menggambarkan alur penelitian beserta penanggung jawab setiap alurnya. Tahap studi literatur dilakukan selama pelaksanaan penelitian ini. Studi literatur dilakukan untuk mendukung keputusan penulis dalam melakukan penelitian ini. Hasil studi literatur terdapat pada bagian tinjauan pustaka dalam dokumen ini. Secara garis besar hasil studi literatur yang digunakan dalam penelitian ini yaitu sebagai latar belakang penelitian, penggunaan State Action Reward State Action (SARSA) reinforcement learning sebagai kecerdasan buatan pada exergame, perhitungan kalori untuk menurunkan berat badan, saran aktivitas fisik, pengembangan sistem simulasi perhitungan, serta pengujian simulasi perhitungan menggunakan uji functionality correctness.
Gambar 2. Alur Metode Penelitian
Aktivitas fisik dalam rangka menurunkan berat badan harus melihat prinsip tahapan latihan. Ada yang bersifat aerobik dan latihan tetap. Hal ini dikarenakan kalori yang terbakar biasanya mulai saat sudah melakukan aktivitas fisik selama minimal 20 menit [10]. Aktivitas fisik dibagi setiap sesinya, pertama pemanasan, yang kedua gerakan inti dan ketiga pendinginan. Durasi pemanasan yaitu 5 sampai 10 menit, gerakan inti 15 sampai 60 menit dan pendinginan 5 - 10 menit.
Durasi dibutuhkan untuk meningkatkan kapasitas fungsional tubuh.
Intensitas aktivitas fisik harus diperhatikan agar menghindari risiko cedera. Pada umumnya intensitas aktivitas mulai dari 40% sampai 85%. Aktivitas dengan intensitas tinggi dan durasi sebentar akan menimbulkan respons yang sama dengan aktivitas intensitas rendah dengan durasi lama. Namun, hal tersebut tidak dapat dilakukan semua orang, oleh karena itu disarankan untuk melakukan aktivitas fisik dengan intensitas sedang dan durasi lama [7]. Variasi diperlukan agar tidak terjadi kejenuhan saat melakukan aktivitas fisik. Gerakan dapat dikombinasi sesuai dengan kebutuhan [11].
Bodyweight training adalah aktivitas fisik yang menggunakan beban berat tubuh sebagai alat bebannya [10]. Aktivitas fisik ini merupakan jenis latihan kebugaran yang cocok dilakukan pada masa pandemi Covid-19, karena bisa dilakukan di mana saja tanpa harus menggunakan fasilitas latihan yang mahal, kelompok otot yang dilatih banyak dan memiliki risiko yang rendah terhadap cedera [12]. Adapun jenis aktivitas bodyweight training antara lain push up, sit up, back up, pull up, lunge, squat jump, squat thrust, skipping, plank, jumping jack, Crunches, Burpee, Mountain Climber, V-up, Leg Raises dan lain-lain.
Dalam proses penurunan berat badan, selain memperhatikan jenis aktivitas fisik, harus diperhatikan pula kalori yang dibakar. Hal ini berkaitan dengan pembatasan pembakaran kalori per hari serta variasi latihan yang akan dilakukan. Pada umumnya, kebutuhan kalori pada wanita setiap harinya adalah 2000 sedangkan pada pria adalah 2500. Idealnya setiap hari hanya diperbolehkan mengurangi 500 kalori yang berasal dari aktivitas fisik dan defisit kalori makanan dalam satu hari.
Sehingga, penurunan berat badan setiap minggu tidak melebihi 1 kg [7]. Sebagai contoh, apabila dengan membakar 500 kalori, maka dalam seminggu kalori yang dibakar apabila melakukan aktivitas fisik setiap hari adalah 7 x 250 = 1750 Kalori aktivitas fisik, 7 x 250 = 1750 Kalori defisit makanan [8].
Aplikasi game yang diusulkan kecerdasan buatannya menggunakan teknologi augmented reality (AR). Teknologi ini digunakan dalam sistem game yang mengombinasikan aktivitas fisik atau yang biasa disebut dengan exergame. Selama pandemi COVID-19, exergame terbukti sangat membantu karena meningkatkan motivasi dalam melakukan aktivitas fisik.
Selain itu, mengurangi efek negatif akibat stres yang ditimbulkan akibat terbatasnya ruang lingkup bergerak [13].
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3875 Hal 79−84 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Aplikasi exergame merupakan aplikasi game untuk exercise (olah raga) yang dikembangkan oleh komunitas virtual reality. Pada masa pandemi seperti ini, exergame mendapatkan popularitas yang tinggi. Contoh aplikasi yang populer saat ini adalah Jump Rope Challenge yang dirilis oleh Nintendo [14].
Terdapat beberapa tipe exergame, yaitu static dan mobile [15]. Yang membedakannya adalah gerakan statis adalah jenis gerakan hanya dalam satu tempat, sedangkan mobile yaitu jenis gerakan yang lebih dinamis dan dapat berpindah-pindah tempat. Dari penelitian yang sudah dilakukan oleh Lanham dkk exergame dengan gerakan statis memiliki kesalahan yang jauh lebih sedikit dibanding yang mobile [15].
Kecerdasan buatan juga dapat digunakan dalam exergame. Seperti reinforcement learning yang diterapkan oleh trainer aktivitas fisik pada [10]. Alur yang digunakan pada penelitian tersebut dapat diadaptasi pada kecerdasan buatan untuk exergame ini. Gambar 1 menunjukkan alur reinforcement learning pada penelitian tersebut.
SARSA merupakan salah satu teknik reinforcement learning yang banyak digunakan untuk data latih yang sama dengan data uji. Secara umum pola SARSA ini menggunakan rumus (1) berikut.
𝑄(𝑆𝑡, 𝐴𝑡) = 𝑄(𝑆𝑡, 𝐴𝑡) + 𝛼(𝑅𝑡+1+ 𝛾𝑄(𝑆𝑡+1, 𝐴𝑡+1)) − 𝑄(𝑆𝑡, 𝐴𝑡) (1) 𝑄(𝑆𝑡, 𝐴𝑡) = State-Action saat ini
𝛼(𝑅𝑡+1+ 𝛾𝑄(𝑆𝑡+1, 𝐴𝑡+1)) = Reward (reward/discount factor) untuk State selanjutnya
Berdasarkan rumus tersebut, dapat digambarkan alur SARSA secara umum yang terdapat pada Gambar 1.
Gambar 1. Diagram alir SARSA
Tahap selanjutnya yaitu tahap pembuatan model. Pada tahap ini penulis memutuskan untuk menggunakan reinforcement learning untuk kemudian diterapkan ke dalam exergame penurun berat badan. Reinforcement learning ini dilakukan karena data yang digunakan untuk dilatih adalah merupakan data itu sendiri. Setelah data dilatih, dihasilkan aksi yang harus dilakukan kemudian. Skema ini sangat tepat untuk menjadi asisten penghitung kebutuhan kalori defisit bagi pengguna yang akan menurunkan berat badan.
Tahap selanjutnya yaitu tahap pengembangan sistem simulasi perhitungan. Pengembangan sistem tersebut menggunakan metode waterfall pada Software Development Life Cycle (SDLC)[14].
Rumus-rumus yang dibutuhkan untuk perhitungan dibuat dalam bentuk code dalam program. Rumus yang digunakan yaitu rumus Indeks Massa Tubuh (IMT) (2) dan rumus Basal Metabolic Rate (BMR) (3). Rumus IMT digunakan untuk mengetahui kategori berat badan, jika minimal overweight maka cocok untuk penggunaan sistem ini. Klasifikasi berat badan berdasarkan nilai IMT dapat dilihat pada tabel 1 di bawah. Rumus BMR digunakan untuk menghitung kebutuhan kalori makanan seseorang berdasarkan tinggi badan, berat badan, serta usia [16].
𝐼𝑀𝑇 = 𝐵𝑒𝑟𝑎𝑡 𝐵𝑎𝑑𝑎𝑛 (𝑘𝑔)
𝑇𝑖𝑛𝑔𝑔𝑖 𝐵𝑎𝑑𝑎𝑛 (𝑚) × 𝑇𝑖𝑛𝑔𝑔𝑖 𝐵𝑎𝑑𝑎𝑛 (𝑚) (2)
Tabel 1. Klasifikasi Kategori Berat Badan Wanita No. Kategori berat badan Nilai IMT (kg/m2)
1 Kurus < 17
2 Normal 17 – 23
3 Kegemukan (overweight) 23 – 27
4 Obesitas > 27
BMR Wanita = 655 + (9,6 × berat badan) + (1,8 × tinggi badan) − (4,7 × usia) (3) Setelah tahap pengembangan pada waterfall, dibutuhkan pelaksanaan simulasi. Hal ini dilakukan dengan memasukkan data yang perlu dimasukkan ke dalam sistem lalu disimulasikan. Model tersebut kemudian diuji validitasnya.
Pengujian menggunakan uji functionality correctness berdasarkan daftar kebutuhan pada Tabel 2 [17].
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3875 Hal 79−84 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Tabel 2. Daftar Kebutuhan Sistem Perhitungan
No. Kebutuhan
1 Input data nama pengguna, hari ke berapa melakukan program penurunan berat badan, tinggi badan, serta berat badan
2 Menghitung Indeks Massa Tubuh untuk menentukan klasifikasi kategori berat badan (minimal overweight untuk pengguna exergame ke depannya)
3 Menghitung kalori makanan yang dibutuhkan berdasarkan berat badan tertentu
4 Menghitung kebutuhan kalori defisit untuk menurunkan berat badan baik dari makanan maupun dari aktivitas fisik
5 Menyarankan aktivitas fisik yang harus dilakukan berdasarkan kalori defisit yang dibutuhkan melalui aktivitas fisik
6 Input jumlah aktivitas yang dilakukan setelah mendapatkan saran aktivitas fisik 7 Input jumlah kalori masuk dari makanan hari ini
8 Menghitung selisih kalori yang dimakan dan dikeluarkan dari aktivitas fisik dengan kalori defisit yang seharusnya 9 Membagi selisih ke hari-hari selanjutnya dan ditambahkan ke kalori defisit hari-hari selanjutnya
10 Memberikan hasil perhitungan kalori defisit yang dibutuhkan esok hari untuk kemudian digunakan dalam penentuan saran aktivitas fisik esok hari
3. HASIL DAN PEMBAHASAN
Gambar 3 berikut menunjukkan diagram alir perhitungan kebutuhan kalori defisit yang dibutuhkan oleh pengguna yang sedang program penurunan berat badan selama minimal 30 hari. Proses perhitungan kebutuhan kalori defisit tersebut kemudian dibuat ke dalam suatu sistem simulasi perhitungan sebagai dasar untuk diterapkan dalam exergame di kemudian hari.
Gambar 3. Diagram alir perhitungan kalori defisit
Gambar 4 menunjukkan proses pengembangan aplikasi menggunakan metode waterfall. Pada tahap requirement dihasilkan kebutuhan apa saja yang harus dipenuhi oleh sistem yang ditunjukkan pada Tabel 2.
Gambar 4. Metode Waterfall
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3875 Hal 79−84 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Kebutuhan tersebut yang menjadi dasar pengujian ketepatan hasil perhitungan sistem simulasi. Setelah daftar kebutuhan dibuat, perancangan sistem dilakukan dengan menentukan rencana input, rencana proses, serta rencana luaran dari sistem simulasi berupa diagram alir seperti pada Gambar 3. Tahap selanjutnya yaitu tahap pengujian. Seperti yang telah disebutkan sebelum ini, bahwa pengujian dilakukan berdasarkan daftar kebutuhan sistem. Ketepatan perhitungan dari setiap tahap dalam SARSA diuji dengan uji functionality correctness. Tahap pengujian ini dilakukan dengan menjalankan simulasi perhitungan. Tahap terakhir yaitu maintenance. Tahap maintenance dilakukan sebagai perbaikan saat ada uji functionality correctness yang mengeluarkan hasil yang tidak sesuai.
Data tersebut yaitu data tinggi badan serta berat badan. Asumsi pengguna exergame ini yaitu wanita, selang usia 17 hingga 40 tahun, tipe berat badan minimal overweight, serta kategori aktivitas sehari-harinya adalah ringan. Data dimasukkan sebelum, antara, serta sesudah melakukan aktivitas fisik dalam rentang waktu 30 hari. Setelah dimasukkan data tinggi badan serta berat badan di awal, perhitungan hari pertama dimulai dan menghasilkan rekomendasi jumlah kalori makanan serta aktivitas fisik yang diperlukan untuk mencapai target kalori defisit di hari tersebut. Setelah melakukan aktivitas fisik, pada malam hari, setelah makan malam, data berapa masing-masing aktivitas fisik dilakukan dan jumlah kalori makanan yang dimakan dimasukkan ke dalam sistem sebagai input untuk menjadi dasar perhitungan reward, stage, serta action selanjutnya.
Hasil luaran setelah tahap tersebut adalah rekomendasi kalori makanan dan kalori defisit yang diperlukan untuk esok hari yang sudah ditambahkan dengan reward. Hasil setiap tahap SARSA pada simulasi ini yang kemudian diperiksa kebenaran hasil perhitungannya sebagai bahan uji functionality correctness. Hasil pengujian ini dapat dilihat pada Tabel 3 berikut.
Berdasarkan tabel tersebut, persentase kebenaran hasil simulasi dihitung menggunakan rumus (4). Berdasarkan pengujian terhadap kebutuhan pada Tabel 2, hasil pengujian adalah 100% proses simulasi menghasilkan luaran yang tepat [17].
Tabel 3. Pengujian Functionality Correctness
No Hasil yang diharapkan Hasil pengujian
Sesuai Sesuai 1 Input data nama pengguna, hari ke berapa melakukan program penurunan berat badan, tinggi
badan, serta berat badan
v
2 Menghitung Indeks Massa Tubuh (IMT) untuk menentukan klasifikasi kategori berat badan (minimal overweight untuk pengguna exergame ke depannya)
v
3 Menghitung kalori makanan yang dibutuhkan berdasarkan tinggi badan, berat badan, serta usia tertentu
v
4 Menghitung kebutuhan kalori defisit untuk menurunkan berat badan baik dari makanan maupun dari aktivitas fisik
v
5 Menyarankan aktivitas fisik yang harus dilakukan berdasarkan kalori defisit yang dibutuhkan melalui aktivitas fisik
v
6 Input jumlah aktivitas yang dilakukan setelah mendapatkan saran aktivitas fisik v
7 Input jumlah kalori masuk dari makanan hari ini v
8 Menghitung selisih kalori yang dimakan dan dikeluarkan dari aktivitas fisik dengan kalori defisit yang seharusnya
v
9 Membagi selisih ke hari-hari selanjutnya dan ditambahkan ke kalori defisit hari-hari selanjutnya v 10 Memberikan hasil perhitungan kalori defisit yang dibutuhkan esok hari untuk kemudian
digunakan dalam penentuan saran aktivitas fisik esok hari
v
Jumlah 10 0
𝑋 =𝐼
𝑃 × 100% (4)
𝑋 = Persentase ketepatan 𝐼 = Jumlah tepat
𝑃 = Banyak yang diuji
Pemilihan reinforcement learning sebagai algoritma kecerdasan buatan adalah karena untuk menentukan aktivitas fisik yang harus dilakukan oleh seseorang yang akan menurunkan berat badan harus dilakukan perhitungan kalori yang dikeluarkan setiap hari. Kekurangan kalori yang dikeluarkan mengakibatkan keesokan harinya harus ditambahkan porsi aktivitas fisiknya agar memenuhi target penurunan berat badan. Selain aktivitas fisik, asupan kalori makan pun harus dikurangi dari kebutuhan kalori normal tubuh seseorang. Jika kalori yang masuk melebihi yang seharusnya, maka keesokan harinya kalori yang berasal dari makanan harus dikurangi. Hal ini terus berjalan selama masa program penurunan berat badan.
Penambahan atau pengurangan kalori dari aktivitas fisik maupun dari makanan merupakan reward ataupun discount yang harus diterima oleh pengguna. Sistem seperti ini sangat berkaitan dengan metode SARSA pada reinforcement learning.
State dan action hari ini berpengaruh terhadap state dan action keesokan harinya. Hal ini sesuai dengan perhitungan reward/discount berdasarkan state dan action hari ini.
Namun, terdapat kendala saat menentukan action untuk esok hari. Data mengenai besar kalori aktivitas fisik harus bervariasi agar tidak menjenuhkan. Variasi aktivitas fisik ini memerlukan kecerdasan buatan khusus agar dapat tepat memenuhi kebutuhan kalori yang dikeluarkan sebagai state baru. Karena fokus penelitian ini tidak spesifik untuk metode pemilihannya, maka hal ini tidak menjadi fokus utama. Sehingga, metode brute force masih menjadi pilihan agar variasi
JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3875 Hal 79−84 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom aktivitas fisik lengkap untuk mencegah terpilihnya variasi aktivitas fisik yang sama. Metode searching brute force memang akurat, namun membutuhkan waktu yang lama karena melakukan seluruh kemungkinan pencarian hingga diputuskan solusinya.
4. KESIMPULAN
Berdasarkan hasil semua tahapan metodologi penelitian, didapatkan kesimpulan bahwa Reinforcement learning dengan metode SARSA dapat dibuat sistem simulasi perhitungan menggunakan metode waterfall. Selain itu, hasil simulasi perhitungan reinforcement learning menghasilkan luaran yang tepat. Hal ini didapatkan dengan uji functionality correctness yang menghasilkan 100% semua daftar kebutuhan menghasilkan luaran yang tepat. Di dalam proses SARSA terdapat perhitungan untuk menentukan aktivitas fisik yang harus dilakukan untuk menurunkan berat badan. Saat ini proses tersebut masih menggunakan brute force untuk mencari variasi gerakan sebanyak-banyaknya agar pengguna tidak jenuh. Namun, hal ini membutuh kan waktu yang sangat lama bahkan hingga lebih dari 200 proses iterasi untuk menemukan solusi yang tepat.
Metode searching lain mungkin dapat digunakan untuk mengefisienkan waktu, namun tetap mendapatkan variasi hasil yang banyak agar pengguna tidak bosan. Kalori defisit dari makanan masih dalam bentuk saran jumlah kalori. Jika sistem dilengkapi dengan hasil searching variasi menu makanan yang dapat dimakan oleh pengguna akan lebih membantu pengguna dalam mengatur makanan hariannya. Sistem simulasi ini sudah benar berdasarkan hasil pengujian, sehingga sistem ini dapat diujikan kepada beberapa pengguna langsung. Sistem harus disiapkan agar menjadi user friendly agar pengguna dapat menggunakan sistem ini untuk uji coba.
REFERENCES
[1] E. Füzéki, D. A. Groneberg, and W. Banzer, “Physical activity during COVID-19 induced lockdown: Recommendations,” Journal of Occupational Medicine and Toxicology, vol. 15, no. 1. BioMed Central Ltd, Aug. 12, 2020. doi: 10.1186/s12995-020-00278-9.
[2] R. Yuniana, “EFFECT OF AEROBIC AND LOAD EXERCISES ON BODY FAT AND LUNG VITAL CAPACITY,”
MEDIKORA, vol. 19, no. 2, pp. 82–97, 2020.
[3] S. Kwok et al., “ Obesity: A critical risk factor in the COVID ‐19 pandemic ,” Clinical Obesity, vol. 10, no. 6, pp. 1–11, Dec. 2020, doi: 10.1111/COB.12403.
[4] E. Shin, “Pandemic Fear and Weight Gain: Effects on Overweight and Obese Adults’ Purchasing Exercise Apparel Online,” Clothing and Textiles Research Journal, vol. 39, no. 3, pp. 232–246, Jul. 2021, doi: 10.1177/0887302X211004892.
[5] K. Tanaka et al., “Professional dietary coaching within a group chat using a smartphone application for weight loss: A randomized controlled trial,” Journal of Multidisciplinary Healthcare, vol. 11, pp. 339–347, Jul. 2018, doi: 10.2147/JMDH.S165422.
[6] M. V. Villasana et al., “Mobile Applications for the Promotion and Support of Healthy Nutrition and Physical Activity Habits: A Systematic Review, Extraction of Features and Taxonomy Proposal,” The Open Bioinformatics Journal, vol. 12, no. 1, pp. 50–71, Oct. 2019, doi: 10.2174/1875036201912010050.
[7] M. Kurnia, “PRINSIP DASAR PROGRAM OLAHRAGA KESEHATAN,” 2017.
[8] S. N. Ubay, W. Andhyka Kusuma, and Z. Sari, “Pengembangan Sistem Monitoring Langkah Kaki Dengan Sensor MPU6050 Untuk Menghitung Jumlah Penurunan Berat Badan Berbasis Android,” REPOSITOR, vol. 2, no. 2, pp. 123–128, Feb. 2020.
[9] E. M. Forman et al., “Can the artificial intelligence technique of reinforcement learning use continuously-monitored digital data to optimize treatment for weight loss?,” Journal of Behavioral Medicine, vol. 42, no. 2, pp. 276–290, Apr. 2019, doi: 10.1007/s10865- 018-9964-1.
[10] A. Lestari and A. Nasrulloh, “EFEKTIVITAS LATIHAN BODY WEIGHT TRAINING DENGAN DAN TANPA MENGGUNAKAN RESISTANCE BAND TERHADAP PENURUNAN BERAT BADAN DAN PERSENTASE LEMAK,”
MEDIKORA, vol. XVII, no. 2, pp. 31–101, 2018.
[11] S. Adi, M. Supriyadi, and N. Masgumelar, Model-model exercise dan aktivitas fisik untuk kebugaran jasmani anak SD. Malang:
Wineka Media, 2020.
[12] R. L. Bile and Y. B. O. Tapo, “PELATIHAN PROGRAM OLAHRAGA KESEHATAN UNTUK PEMELIHARAAN KEBUGARAN JASMANI SISWA SMA DI MASA PANDEMI COVID-19,” Jurnal Abdimas Ilmiah Citra Bakti, vol. 2, no. 1, pp.
41–49, Apr. 2021, doi: 10.38048/jailcb.v2i1.187.
[13] F. Losilla and F. Rosique, “An augmented reality mirror exergame using 2D pose estimation,” in ICSOFT 2019 - Proceedings of the 14th International Conference on Software Technologies, 2019, pp. 643–648. doi: 10.5220/0007798906430648.
[14] A. K. Nalendra et al., “Penerapan Artificial Intelligence untuk Kontrol Suhu dan Kelembapan pada Kandang Broiler berbasis Internet of Things,” Generation Journal, vol. 5, no. 2, pp. 59–68, Jul. 2021.
[15] M. Lanham, Hands-on reinforcement learning for games : implementing self-learning agents in games using artificial intelligence techniques. Birmingham: Packt Publishing Ltd., 2020.
[16] C. N. Jonathan et al., “Implementasi Metode Algoritma Genetika Pada Penentuan Menu Makanan Untuk Membentuk Berat Badan Ideal,” Jurnal Teknologi Informasi dan Terapan, vol. 6, no. 1, pp. 35–40, Sep. 2019, doi: 10.25047/jtit.v6i1.93.
[17] R. B. Kurniawan, N. Agitha, and R. Afwani, “RANCANG BANGUN SISTEM INFORMASI KONSULTASI DAN PENJADWALAN FISIOTERAPI PENYAKIT BELL’S PALSY (STUDI KASUS KLINIK GRIYA FISIOTERAPIS),” JTIKA, vol.
3, no. 1, pp. 51–61, Mar. 2021, [Online]. Available: http://jtika.if.unram.ac.id/index.php/JTIKA/
