You are on page 1of 11

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 1, Januari 2018, hlm. 226-236 http://j-ptiik.ub.ac.id

Optimasi Komposisi Makanan Diet bagi Penderita Hipertensi
menggunakan Algoritme Genetika
Muhammad Shafaat1, Imam Cholissodin2, Edy Santoso3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1msyafaat03@gmail.com, 2imamcs@ub.ac.id, 3edy144@ub.ac.id

Abstrak
Hipertensi merupakan salah satu sebab utama dari mortalitas dan morbiditas di Indonesia, sehingga
masalah klinis penyakit ini yaitu intervensi yang sangat umum dilakukan diberbagai tingkat fasilitas
kesehatan. Bagi penderita Hipertensi sebaiknya mengatur menu makanannya untuk menghindari dan
membatasi makanan yang dapat meningkatkan serta meningkatkan tekanan darah, untuk itu diperlukan
diet untuk mengendalikan kadar gula darah pada penderita Hipertensi yaitu dengan cara mengatur
komposisi pola makanannya. Salah satu teknik yang digunakan untuk mengatur komposisi makanan diet
bagi penderita Hipertensi yaitu dengan pendekatan Algoritme Genetika. Proses Algoritme Genetika
menggunakan representasi bilangan integer dengan panjang kromosom 105, setiap gen dari populasi
merupakan nomor makanan dari setiap kelompok dan setiap index dari kelipatan 15 merepresentasikan
hari, metode crossover yang digunakan yaitu extended intermediate crossover, sedangkan metode
mutasi yang digunakan yaitu reciprocal exchange mutation, dan metode seleksi dengan seleksi elitsm.
Hasil parameter yang optimal diperoleh pada pengujian jumlah populasi adalah 80 dengan nilai fitness
1100.495433, jumlah generasi adalah 300 dengan nilai fitness 1190.022286, dan kombinasi cr dan mr
adalah 0.1 dan 0.9 dengan nilai fitness 1150.466927. Hasil solusi yang diberikan berupa menu
rekomendasi makanan untuk beberapa hari kedepan dengan waktu pagi, siang, dan malam serta dengan
biaya yang minimal.
Kata kunci: diet, Hipertensi, optimasi, Algoritme Genetika
Abstract
Hypertensive is one of the main causes of mortality and morbidity in Indonesia. as the result that, the
clinical problems of the disease that is interventions which at various levels of health facilities are
commonly done. For people with hypertension should be arranging their food menu to avoid and confine
foods that can increase blood pressure. Therefore, it needed a diet to control the blood sugar levels in
hypertensive patients by regulating the composition of the diet. One of techniques that is used to manage
regulate the composition of diet foods for hypertensive patients used by genetic algorithm approach.
The genetic algorithm process uses the representation of the integer with the length of chromosome 105,
each gene of the population is the food number in each group and each index with multiples 15
represents of the day, The crossover method that is used the extended intermediate crossover, while the
mutation method that is used reciprocal exchange mutation, and the selection method with elitsm
selection. The optimal parameter results obtained on the test population number is 80 with the fitness
value 1100.495433, the number of generations is 300 with the fitness value 1190.022286, and the
combination of cr and mr is 0.1 and 0.9 with the fitness value 1150.466927. The results of the solution
given in the form of food menu recommendations for few days for morning, noon, and night time and
with minimal cost.
Keywords: diet, Hypertensive, Genetic Algorithm

diinginkan, karena banyaknya masyarakat yang
masih mengkonsumsi lebih dari satu kali
1. PENDAHULUAN
makanan yang beresiko dalam sehari. Makanan
Saat ini pola konsumsi masyarakat yang beresiko merupakan makanan yang
indonesia belum sesuai dengan harapan yang mengandung tinggi lemak, gula, serta garam.

Fakultas Ilmu Komputer
Universitas Brawijaya 226

dimodifikasi dengan operator mutasi sehingga masalah klinis penyakit ini yaitu (Kusumadewi. Jawa Barat menepati urutan pertama dengan Algoritme Genetika dapat menjadi solusi angka mencapai 29. tingginya kadar lemak kolesterol dan asam urat jenis kelamin. data tersebut sesuai dengan ahli gizi. dengan Provinsi biaya minimum. kemudian pada penelitian yang dilakukan oleh oleh karena itu perlunya merubah gaya hidup wahid. dan biaya yang dikeluarkan perhari.. kesehatan sangat umum dilakukan. Algoritme Genetika konsumsi masyarakat juga disebabkan oleh menggunakan pencarian heuristik dari variasi perkembangan teknologi yang membuat kromosom yang dihasilkan dari representasi perubahan pola makan serba instan ditambah dengan simbol yang menghasilkan banyak solusi lagi dengan segudang aktifitas yang dilakukan dalam optimasi. Penelitian oleh pop. untuk menangani penyakit Hipertensi (Soenarta.4%.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 227 Pada usia >25 tahun prevalensi di dunia telah makanan yang diberitahukan oleh dokter atau mencapai 38. selain itu faktor risiko lain yang yang tidak beda jauh dengan penelitian yang dapat diturunkan seperti berat badan berlebih. Bagi penderita Hipertensi merekomendasikan menu makanan sehat untuk sebaiknya mengatur menu makanannya untuk orang tua. Karena kurangnya menggunakan Algoritme Genetika. Adapun Dalam menyelesaikan optimasi komposisi tujuan dari penyusunan Pedoman Praktis klinis makanan atau asupan makanan sudah dibahas ini adalah mempermudah para tenaga kesehatan pada penelitian sebelumnya. memiliki tekanan darah sistolik >140 mmHg. Selain itu. Algoritme pengetahuan dalam mengatur komposisi Genetika dapat menyelesaikan permasalahan makanan. Struktur umum dari Algoritme membuat orang Indonesia lebih memilih Genetika adalah populasi yang akan membentuk fastfood atau junkfood untuk konsumsinya. hanya menghindari Diharapkan sistem ini dapat membantu Fakultas Ilmu Komputer. 2015). angka tersebut lebih masalah optimasi yang model matematikanya besar jika dibandingkan dengan provinsi Jawa kompleks atau bahkan sulit dibangun Tengah. beberapa hari kedepan. dari dua kromosom membentuk anak (offspring) Salah satu sebab utama dari mortalitas dan dengan operator penyilangan (crossover) dan morbiditas di Indonesia adalah Hipertensi. et. berat badan. Menurut Riset diet bagi penderita Hipertensi dengan variasi Kesehatan Dasar pada tahun 2013 Indonesia menu beberapa hari kedepan sehingga memiliki angka prevalensi penderita Hipertensi didapatkan komposisi yang optimal dengan pada usia >18 tahun 25. Metode yang digunakan dalam menghindari dan membatasi makanan yang penelitian ini adalah Hybrid Honey Bees Mating dapat meningkatkan kadar kolesterol darah serta Optimization dengan parameter input informasi meningkatkan tekanan darah. Gabungan akan berakibat stroke atau infark jantung. pribadi seperti umur. al. jenis Pada umumnya penderita Hipertensi kelamin. 2011).4%. jika dibiarkan maka ukuran kualitas kromosom populasi. Universitas Brawijaya . adalah mengembangkan perangkat lunak yang Indonesia memiliki angka prevalensi lebih besar dapat merekomendasikan kompoisi makanan (Krishnan. Pola (Mahmudy. 2010. et. Jika dibandingkan dengan negara lain Alternatif untuk mengatasi masalah tersebut seperti Bangladesh. 2003). tinggi badan. Nepal. al (2015) untuk membantu dalam pada penderita Hipertensi untuk menurunkan pengendalian kadar lemak dan biaya yang tekanan darah. dan Thailand. Tujuan dari diet ini merupakan optimal dengan metode yang digunakan adalah untuk membantu menurunkan tekanan darah Algoritme Genetika dengan parameter input menuju normal. serta proses seleksi untuk intervensi dari berbagai tingkat fasilitas mendapatkan individu-individu terbaik. aktivitas. et. kromosom untuk membentuk sebuah populasi Dengan pola makan tidak sehat ini dapat dengan evaluasi melalui fungsi fitness sebagai menimbulkan Hipertensi. al pada tahun 2016 dengan tujuan untuk et.8%. berat badan dan dalam darah. Korea. 2013). Dari permasalahan di atas maka diperlukan Dari permasalahan di atas. maka dibuat diet untuk mengendalikan kadar gula darah pada sebuah sistem untuk optimasi komposisi penderita Hipertensi yaitu dengan cara mengatur makanan diet bagi penderita Hipertensi komposisi pola makanannya. et. al (2016) yaitu umur. biaya juga bisa menjadi jurnal Noncommunicable Disease Country faktor utama dalam mengatur komposisi Profiles yang dikeluarkan oleh WHO pada tahun makanan diet bagi penderita Hipertensi. al. sulit bagi orang awam dalam yang kompleks berdasarkan keberhasilan dalam memvariasikan komposisi makanan dalam penelitian yang menerapkan Algoritme tersebut. Jawa Timur dan DKI Jakarta. dilakukan oleh pop. tinggi.

Adapun pembagian derajat klasifikasi gemuk maka BB menggunakan BB keparahan Hipertensi pada seseorang merupakan ideal yang dapat dilihat pada Persamaan (2). 160 – 179 100 – 109 2 Hipertensi derajat Tabel 2. tetapi jika IMT termasuk kedalam Hipertensi. Menurut WHO menangani Hipertensi.1 Hipertensi badan. atau mengukur tingkat berat badan yang berlebih sehingga tatalaksana penyakit ini merupakan dan obesitas pada orang dewasa. adapun klasifikasi yang tahun 2011 dalam metode pengukuran IMT. yaitu mengukur terlebih dahulu tinggi badan dan berat badan sample. Sistolik Diastolik 𝑩𝑩 (π’Œπ’ˆ) Klasifikasi (mmHg) (mmHg) 𝐼𝑀𝑇 = (1) 𝑻𝑩(π’Ž)𝟐 Optimal < 120 < 80 Keterangan: Normal 120 – 129 80 – 84 BB(kg) = Berat badan Normal tinggi 130 – 139 84 – 89 TB(m) = Tinggi badan Hipertensi derajat 1 140 – 159 90 – 99 Kemudian interpretasikan hasil IMT tersebut kedalam tabel klasifikasi IMT yang Hipertensi derajat dapat dilihat pada Tabel 2. Klasifikasi IMT β‰₯ 180 β‰₯ 110 3 Klasifikasi IMT Hipertensi sistolik Kurus <18. Sebelum melakukannya. Universitas Brawijaya . maka menggunakan BB Adjusted yang dapat dilihat pada Persamaan (3).Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 228 memberikan menu makanan untuk mengurangi bentuk lain (Budianti. 2009 dalam Wahid dan berat badan menjadi berat ideal dan mengurangi Mahmudy. BB Ideal = (TB – 100) – 10% (TB – 100) (2) dan energi dalam makanan ini terdapat sebagai energi kimia yang dapat diubah menjadi energi Keterangan: Fakultas Ilmu Komputer. 2015). 2015).5 β‰₯ 140 < 90 terisolasi Normal 18. Perhitungan asupan energi yang dibutuhkan dalam penyandang Hipertensi yang terkini dalam teori yang didasarkan oleh Harris 2.9 baik dari dalam walaupun luar negeri. Klasifikasi Hipertensi Persamaan (1). et. PERSAMAAN MATEMATIKA Benedict yaitu dengan memperhitungkan berat 2. tubuh berikut: memperoleh energi dari makanan yang dimakan. Obesitas >24.0 – 24. Badan (BB) dapat menggunakan berat badan Tekanan darah sistolik merupakan pengukuran asal untuk mencari nilai Basal Metabolic Rate utama yang menjadi dasar penentuan diagnosis (BMR). cara menunjukan tekanan darah pada seorang yang dilakukan dalam menentukan IMT sample Hipertensi dapat dilihat pada Tabel 1. 2004). tinggi badan dan umur. terlebih dahulu menghitung Hipertensi adalah salah satu penyebab Indeks Massa Tubuh (IMT) untuk mengetahui utama mortalitas dan morbiditas di Indonesia. pada pemeriksaan yang berulang. IMT intervensi yang sangat umum dilakukan merupakan indikator yang sering digunakan diberbagai tingkat fasilitas kesehatan. tekanan darah pada penderita Hipertensi.2 Perhitungan Asupan Energi menentukan BMR berdasarkan jenis kelamin Energi dapat didefinisikan sebagai dapat dilihat oleh Persamaan (4) dan (5) sebagai kemampuan untuk melakukan pekerjaan. al. lalu dimasukkan kedalam Tabel 1. Selanjutnya untuk 2.9 Hampir semua consensus/pedoman utama Gemuk 23.9 menyatakan bahwa seseorang akan dikatakan Hipertensi bila memiliki tekanan darah sistolik β‰₯ Setelah diinterpretasikan jika pasien 140 mmHg dan atau tekanan darah diastolik β‰₯ 90 termasuk kedalam klasifikasi normal maka Berat mmHg. dan salah satu dasar penentuan tatalaksana jika IMT termasuk kedalam klasifikasi obesitas Hipertensi (Soenarta. Pedoman dalam memperkirakan seseorang apakah Praktis klinis ini disusun untuk memudahkan termasuk obesitas atau tidak serta berkorelasi para tenaga kesehatan di Indonesia dalam dengan tubuh (Lisbet.5-22.

Algoritme evolusi mungkin tidak yaitu algoritme meta-heuristic yang berdasakan menyebabkan pernapasan populasi yang berupa sub-set dari komputasi atau ketahanan evolusi. centimeter Tabel 4.8 x TB) – (4.3 Algoritme Genetika sehat. yang TB(cm) = Tinggi Badan dalam satuan dapat dilihat pada Tabel 4... dan (9) sebagai berikut: BB Ideal: Hasil dari berat badan ideal pasien pada Persamaan (2). Aktivitas Fisik batasan maksium natrium 600 . dengan berolahraga.800 mg/hari Aktivitias Bobot Keterangan Stage 3 Tekanan darah sistolik >180 mmHg Sedentary 1 Sebuah pola hidup dimana batasan maksimum natrium 200 - manusia tidak terlibat 400 mg/hari dalam aktifitas yang cukup seperti pada umumnya yang dianggap hidup 2. Ringan 1.4 Sedikitnya tenaga yang Algoritme Genetika adalah salah satu dikeluarkan dan atau bagian dari algoritme evolusi. Stage 2 Tekanan darah sistolik >160 mmHg Tabel 3. Tingkatan Hipertensi Setelah mendapatkan nilai BMR kemudian Tingkatan Keterangan mencari nilai Total Energy Expenditure (TEE) Stage 1 Tekanan darah sistolik >140 mmHg dengan aktivias fisik yang berbeda-beda yang batasan maksimum natrium 1000 - dilakukan dalam kurun waktu 24 jam.7 x timbulnya hipertensi.4 Struktur Algoritme Genetika Jumlah energi yang dibutuhkan sesuai Algoritme Genetika digunakan untuk dengan aktivitasnya sehari-hari dapat dihitung memecahkan suatu masalah yang dapat dilihat dengan Persamaan (6) sebagai berikut: pada Gambar 2. 2014). kekuatan atau pada optimasi yang bersifat kompleks dapat berirama dalam diselesaikan menggunakan Algoritme Genetika menggerakkan otot. Banyaknya permasalahan dalam bidang seperti fisika.1. membuat berkeringat. ekonomi. 2014). Tingkatan 1200 mg/hari aktivitas fisik dapat dilihat pada Tabel 3.6 Tenaga yang dibutuhkan intens.9 Membutuhkan kekuatan bidang industri manufaktur menggunakan serta ada kaitannya Algoritme Genetika (Mahmudy et. Universitas Brawijaya . (8). (Mahmudy. karbohidrat (gram) = (60% x TEE)/4 (7) BB: Berat Badan Pasien. protein. Salah satu penerapannya yaitu optimasi penjadwalan produksi dalam Berat 1.al. dan lemak yang dibutuhkan Keterangan: pada Persamaan (7).6 x BB) + (1. Pada hipertensi ada U) (5) beberapa 3 stage yang menggambarkan Keterangan: tingkatan Hipertensi tersebut serta berapa BB(kg) = Berat badan dalam satuan kilogram banyak natrium yang dapat dikonsumsi. String kromosom ini disusun dengan Fakultas Ilmu Komputer. protein (gram) = (25% x TEE)/4 (8) Laki – Laki: Lemak (gram) = (60% x TEE)/9 (9) BMR = 66.8 x Dalam diet hipertensi perlu diperhatian U) (4) kandungan natrium dalam makanan yang Perempuan: dikonsumsi karena asupan natrium merupakan hal yang sangat penting pada mekanisme BMR = 655.8 x BB) + (5 x TB) – (6. biologi.1 + (9. dan sebagainya Sedang 1.5 + (13.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 229 TB: Tinggi Badan Setelah mengetahui kebutuhan energi perhari yang dibutuhkan oleh penderita BBA = BB Ideal + [(BB – BB Ideal) x 25%] (3) Hipertensi selanjutnya menghitung jumlah karbohidrat. 2. pemetaan (encoding) suatu masalah dari solusi yang di dapat menjadi string TEE = BMR x Aktivitas Fisik (6) kromosom.

induk yang terpilih berdasarkan 2013). lemak parameter awal yang berarti data pasien dan kemudian menentukan berapa banyak penderita Hipertensi yaitu nama. Jika kondisi akhir terpenuhi. Membangkitkan populasi awal secara Algoritme Genetika dinilai dari seberapa baik random dengan jumlah populasi sebanyak kromosom yang dihasilkan dari repesentasi yang ditentukan. berat natrium yang dapat dikonsumsi dalam badan. Universitas Brawijaya . Inisialisasi parameter awal 2. Membuat populasi baru dengan langkah- hasil kualitas solusi yang dihasilkan sangat langkah yang dijelaskan dibawah ini: ditentukan dari bagaimana representasi solusi a. crossover rate (cr) untuk mendapatkan anak (offspring) dengan metode extended intermediate crossover. Solusi yang layak untuk dimasukkan kedalam 3. 2. Data pasien penderita Hipertensi di Selesai Puskesmas Tanah Grogot dimana data ini digunakan untuk menghitung kebutuhan Gambar 1. tinggi badan.1 Data Penelitian Populasi Baru 1. Perhitungan tersebut dapat dilihat didapat melalui variabel-variabel keputusan. pada Persamaan (1) sampai dengan (9). d. 1. Seleksi 3. Melakukan seleksi dengan metode seleksi elitism yang berguna untuk i=1 to jumlah generasi dijadikan populasi pada generasi berikutnya sebanyak jumlah populasi Crossover awal dari individu gabungan induk dengan anak. kromosom dan fungsi fitnessnya. 4. Diagram Alir Algoritme Genetika energi serta mengetahui berapa natrium harian penderita. 5. PERANCANGAN b. Melakukan proses mutasi pada induk yang terpilih berdasarkan mutation Mulai rate (mr) untuk mendapatkan offspring dengan cara memilih dua gen secara Parameter random kemudian menukar informasi gen tersebut. maka iterasi Mutasi berhenti dengan solusi terbaik yang merupakan populasi yang terpilih pada Menghitung Fitness generasi tersebut. protein. Melakukan prores crossover pada tersebut menjadi sebuah kromosom (Mahmudy. jika kondisi akhir belum terpenuhi maka iterasi terus belanjut sampai kondisi akhir terpenuhi. Data bahan pangan yang digunakan untuk menyusun menu makanan didapat dari i Tabel Komposisi Makanan Indonesia serta makalah hasil penelitian oleh Pusat Penelitian dan Pengembangan Gizi dan Generasi Makanan Departemen Kesehatan RI serta Terbaik program nutrien survey gizi 2013 Solusi Universitas Indonesia. Menghitung nilai fitness pada masing- Pembangkitan Populasi Awal masing individu.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 230 sejumlah gen yang terdiri dari solusi yang sehari. tekanan Fakultas Ilmu Komputer. usia. c. Menghitung kebutuhan energi harian pasien 3.2 Inisialisasi Parameter Pada proses menghitung kebutuhan energi harian pasien berdasarkan data Pada proses inisialisasi parameter ada 2 pasien yang kemudian energi tersebut inisalisasi yaitu yang pertama inisialisasi dibagi meliputi karbohidrat. jenis kelamin. Dalam hal itu. 3.

untuk pasien ini populasi).6 tersebut merupakan makanan pokok.4 = 2098.75)2 24 15 10 15 1 Setelah mendapatkan hasil dari IMT lihat Siang Tabel 2.4 Perhitungan Fitness 25% π‘₯ 2098.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 231 darah.5 3 1 9 19 7 BMR = 66. dan penalti 4 = 34. 15% π‘₯ 2098.6 π‘˜π‘Žπ‘Ÿπ‘π‘œβ„Žπ‘–π‘‘π‘Ÿπ‘Žπ‘‘ (π‘”π‘Ÿπ‘Žπ‘š) = 4 = 314. dan lemak dengan melihat P N H S B Persamaan (7) sampai (9). Crossover Rate (cr).5 x 1.5 + (13.5 x 55) P Pagi = 24.8 x 75) + (5 x 175) . dan aktivitas/pekerjaan. penalti protein.3 Representasi Kromosom Contoh kasus dengan pasien penderita Representasi kromosom yang digunakan Hipertensi dengan parameter input sebagai pada penelitian ini adalah representasi permutasi berikut: dengan bilangan integer yang berisi nomor ο‚· Usia : 55 tahun makanan yang akan dikonsumsi. berdasarkan data pasien yang dilakukan pada Persamaan (1) sampai (9).5 P N H S B Selanjutnya setelah mendapatkan nilai TEE yang terdapat dalam Persamaan (6) dan lihat 13 12 15 1 9 Tabel 3 untuk mengetahui bobot aktivitas Siang fisiknya. sayuran.6 7 11 13 13 4 Kemudian selanjutnya menghitung jumlah Malam karbohidrat.(6. Mutation Rate memiliki tekanan darah sebesar 160/100 mmHg (mr). Karena gemuk maka menggunakan berat 17 1 24 18 3 badan ideal untuk menghitung BMR yang dapat dilihat pada Persamaan (2) dan (4). Hari Ke-2 P N H S B TEE = 24.4 nabati. Pagi 75 P N H S B 𝐼𝑀𝑇 = = 24. Malam P N H S B BB Ideal = (175-100)-10% x (175 -100) = 24. sumber ο‚· Mr : 0. Dalam satu ο‚· Berat badan : 75 kg kromosom terdapat 105 gen penyusun dengan ο‚· Tinggi badan : 175 cm susunan yang telah ditentukan yaitu 15 gen ο‚· Jenis kelamin : laki-laki pertama merupakan indek komposisi makanan ο‚· Tekanan darah :160/100 mmHg hari pertama yang dibagi lagi menjadi 5 ο‚· Aktivitas : Ringan makanan pagi. Representasi Kromosom dahulu dengan Persamaan (1). 5 makanan siang.5 (1.6 Kemudian penalti terdiri dari penalti natrium. dan 5 makanan ο‚· Popsize :5 malam dengan masing-masing dari 5 gen ο‚· Cr : 0.1625 4 jumlah harga ditambah dengan jumlah penalti. π‘™π‘’π‘šπ‘Žπ‘˜ (π‘”π‘Ÿπ‘Žπ‘š) = penalti karbohidrat. sumber protein hewani. untuk pasien ini masuk dalam kategori Hari Ke-1 P N H S B gemuk. Langkah pertama yaitu menghitung IMT terlebih Tabel 5. Universitas Brawijaya . Kemudian yang Langkah terakhir menentukan jumlah kedua yaitu inisialisasi parameter Algoritme natrium yang diperbolehkan dalam sehari yang Genetika yang meliputi: Popsize (Ukuran dapat dilihat pada Tabel 4. Jumlah generasi (iterasi).6 Rumus fitness yaitu konstanta dibagi π‘π‘Ÿπ‘œπ‘‘π‘’π‘–π‘› (π‘”π‘Ÿπ‘Žπ‘š) = = 131. Setelah yang berarti hanya diperbolehkan menginisialisasi parameter selanjutnya mengkonsumsi natrium dalam sehari sebesar menghitung kebutuhan energi harian 600 sampai 800 mg. 3.97666667 lemak yang merupakan selisih kebutuhan Fakultas Ilmu Komputer. protein. dan ο‚· Jumlah generasi :5 buah-buahan.79 3. 10 13 21 17 3 60% π‘₯ 2098.

2 . Memasangkan kromosom terpilih yang menjadi induk untuk melakukan proses 72. Setelah membangkitkan nilai Ξ± kemudian Tabel 6.1 .9 = 93. pada hari kedua dengan total natrium 1 1 1 1 1 sebesar 1667. P N H S B offspring1 = p1 + Ξ± (p2-p1) (11) P Hari Ke-1 1 1 1 1 1 offspring2 = p2 + Ξ± (p1-p2) (12) Siang Berdasarkan contoh kasus maka nilai P N H S B offspring yang dihasilkan yaitu 0. siang Penalti Karbohidrat Hari Ke-1 dan sore berbeda.1625 = 4.7 dan sore berbeda.3mg.89 siang dan sore juga berbeda.1625 1. 1 0 1 1 1 𝛼1 𝛼2 𝛼3 Pagi 𝐹𝑖𝑑𝑛𝑒𝑠𝑠 = 1 + βˆ‘ 𝑃𝑁 + 1 + βˆ‘ 𝑃𝐾 + 1 + βˆ‘ 𝑃𝑃 (10) P N H S B 𝛼4 𝛼5 1 1 1 1 1 + + + 𝛼6.283333 1 + 74. Kemudian jumlah harga merupakan Malam penjumlahan harga pada setiap gen dari seluruh P N H S B hari.7274 Penalti Natrium Hari Ke-2 1667. 314.220.5 1 + 73. 136 .976667 = 41.27g.2mg. dan buah-buahan pada pagi.26 .9g.31 crossover. total protein sebesar 103g.8375 100 1 1 𝐹𝑖𝑑𝑛𝑒𝑠𝑠 = + + 1 + 1974. total karbohidrat sebesar 220. total Malam protein sebesar 136g. Penalti Variasi membangkitkan offspring dengan Persamaan Pagi (11) dan (12).Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 232 seimbang pasien dengan kandungan gizi pada 1 1 0 1 1 1 kromosom.1g.3 = 341. Membangkitkan nilai Ξ± secara random penalti variasi makanan yang mengacu pada sejumlah panjang kromosom Tabel 5 dapat dilihat pada Tabel 6.800 = 867.103 = 28. Kemudian langkah selanjutnya menghitung 3. siang dan sore berbeda.5 Proses Crossover Penalti Karbohidrat Hari Ke-2 Pada proses ini metode crossover yang digunakan yaitu extended intermediate 471. protein hewani pada pagi.976667 = 18.131.1 1 + 242. sehingga nilai fitness didapatkan dengan persamaan (10) Penalti Protein Hari Ke-1 sebagai berikut. Langkah-langkah metode tersebut Penalti Protein Hari Ke-2 dapat dilihat dibawah: 131. siang Penalti Natrium Hari Ke-1 dan sore berbeda. Memilih induk secara random.4 * 5 = 2 offspring.977 96205 = 280. Pemilihan induk untuk proses Fakultas Ilmu Komputer.293333 crossover. sayuran pada pagi.79 . Penalti Lemak Hari Ke-2 2.2 Penalti Lemak Hari Ke-1 50 100 + + + (10 π‘₯ 28) 53.458. total karbohidrat sebesar 471.34.1625 .314. dan total lemak sebesar P N H S B 53.2 3. 𝑉 1 + βˆ‘ 𝑃 𝐿 βˆ‘ π»π‘Žπ‘Ÿπ‘”π‘Ž Siang Dari hasil perhitungan kandungan gizi di Hari Ke-2 P N H S B atas diperoleh hasil dari kandungan gizi pada 1 1 1 1 1 hari pertama dengan total natrium sebesar 458. dan total Pada tabel diatas dapat dilihat jumlah dari lemak sebesar 76.67 – 34. siang 800 .79 = 156. makanan yang berbeda adalah 28 yang artinya dalam sehari makanan pokok pada pagi.26g. protein nabati pada pagi. Universitas Brawijaya . Rumus fitness dapat dilihat pada Persamaan (10).

7 Seleksi Tabel 8. 0. 110. Pemilihan induk untuk Berdasarkan Gambar 2 grafik pengujian Fakultas Ilmu Komputer. Pada proses mutasi. Berikut ini proses extended intermediate crossover. Kemudian membandingkan proses crossover. Universitas Brawijaya . 90. 0. Gambar 2. setelah menentukan 2 induk yang ingin di gen terpilih. 80. 0. 20. Hasil Crossover popsize yang telah ditentukan sebelumnya. 0. Proses seleksi menggunakan metode (11) dan (12). Menentukan 2 Induk P3 13 16 7 7 … 4 19 13 4 18 1 24 4 19 … 14 P4 14 4 7 4 … 23 6 10 22 10 26 16 4 8 … 8 C3 13 19 3 7 … 4 16 13 24 15 10 15 1 17 … 7 P2 13 12 15 1 9 7 … 3 3. Tabel 10.2 0. Pada tiap kromosom yang gennya pada Gambar 2.2 * 5 = 1 offspring. Banyaknya populasi diambil grafik untuk melihat perbedaan hasil fitness secara random pada tiap gen untuk dijadikan setiap banyaknya generasi yang dapat dilihat parent. Memilih induk secara acak 1099. Memilih 2 gen secara acak pada kromosom dengan interval 15 sebanyak 7 kali Ukuran Populasi kemudian menukar nilai gen tersebut. Jumlah offspring 1100. terpilih. Berikut adalah proses reciprocal crossover kemdian bangkitkan nilai Ξ± yang dapat exchange mutation. 70. Hasil dari proses crossover dapat elitism selection yaitu dengan memilih dilihat pada Tabel 9 kromosom dengan nilai fitness terbesar sebanyak Tabel 9. pasangkan 2 induk secara acak untuk dilakukan Kemudian pilih dua gen secara acak yang akan prosses crossover yang dapat dilihat pada Tabel mengalami mutasi. lalu tukarkan informasi pada 7. dan 120. 60. 0.4 hasil perkalian antara jumlah populasi dengan mutation rate (mr) yang telah ditentukan 1100.7 populasi baru yang akan digunakan proses untuk 0 7 1 5 1 evaluasi berikutnya. Nilai Ξ± Proses seleksi dilakukan dengan 0.1 Hasil dan Analisi Pengujian Ukuran C2 22 12 23 3 7 7 … 7 Populasi Berdasarkan pengujian yang dilakukan sebanyak 10 kali percobaan dengan ukuran 3. Proses seleksi dilakukan untuk menyaring semua individu hasil proses Nilai gen pada masing-masing offspring Algoritme Genetika untuk membentuk generasi didapatkan dengan menggunakan Persamaan baru.6 yang dihasilkan dari proses ini diperoleh dari Rata-rata Fitness 1100.2 0. 30. akah dilakukan mutasi dengan menukar nilai gen tersebut secara acak. 0. Dari Metode mutasi yang digunakan yaitu reciprocal hasil percobaan yang dilakukan tersebut dibuat exchange mutation. seperti halnya pada 100. rata-rata nilai fitness dengan generasi lain. 50. 40. PENGUJIAN DAN ANALISIS 13 10 18 15 7 8 … 5 14 16 4 16 2 19 … 9 4. Proses ini 5 7 1 3 9 dilakukan dengan tujuan untuk memperoleh Ξ± 1. … 0. dilihat pada Tabel 8. Kemudian proses mutasi yang dipilih secara acak.2 sebelumnya.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 233 crossover dilakukan secara acak.6 Proses Mutasi populasi yaitu 10. 14 17 7 23 3 17 … 12 C1 4. Proses Mutasi 14 4 23 4 … 3 6 10 Tabel 7. 0.3 menggunakan metode elitism. 0. Langkah-langkah dari metode 1100 mutasi adalah seperti dibawah: 1. akan dihasilkan offspring. Grafik Hasil Pengujian Terhadap Ukuran Populasi Dari studi kasus diperoleh offspring mutasi = 0. … 0.8 10 20 30 40 50 60 70 80 90 100 110 120 2.

0 0. 0. Kemudian membandingkan Berdasarkan pengujian yang dilakukan rata-rata nilai fitness dengan generasi lain.3 Hasil dan Analisi Pengujian Kombinasi makanan bagi penderita Diabetes Melitus. maka nilai fitness tidak mengalami rata-rata fitness pada ukuran jumlah populasi perubahan yang signifikan yang berarti individu berikutnya. 150.2 0.9 dengan 0.2. 0. 0.05158 pada ukuran generasi sebesar 300 memiliki rata- yang merupakan rata-rata fitness terendah dari rata 1190.5 0. 200. Pada terjadi kenaikan nilai secara terus menerus dari ukuran generasi sebesar 50 memiliki rata-rata ukuran populasi 10 sampai dengan ukuran fitness 1100.6 0. WF (2015) yang menerapkan Algoritme Genetika untuk optimasi komposisi 4.9 dan 0 dengan 1. 0. 100.7.3 0. Pada ukuran populasi fitness terendah dari ukuran generasi lainnya dan sebesar 10 memiliki rata-rata fitness 1100.8 dengan 0.5. Dari sebanyak 10 kali percobaan dengan ukuran hasil percobaan yang dilakukan tersebut dibuat generasi yaitu 50. 0.466927 pada kombinasi dengan nilai cr terjadi kenaikan nilai secara terus menerus dari dan mr adalah 0.3.1 dan 0. tinggi yang berarti nilai fitness tersebut Percobaan pengujian jumlah populasi mencapai mengalami konvergensi.3 dengan 0.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 234 terhadap ukuran generasi dapat dilihat bahwa generasi 50 sampai dengan generasi 300. 0.7 0. 0. 0. Dari pada Gambar 4.8. 350. 0.4.3. Grafik tersebut menunjukkan bahwa Berdasarkan Gambar 7 grafik pengujian nilai rata-rata fitness tertinggi sebesar terhadap ukuran generasi dapat dilihat bahwa 1150. 0. selisih nilai rata-rata fitness sudah yang optimal untuk hasil menentukan komposisi sangat sedikit pada ukuran generasi yang lebih makanan diet bagi penderita Hipertensi.1. 0.1.1 0. 250. Universitas Brawijaya . sedangkan nilai rata- Fakultas Ilmu Komputer. Pada ukuran generasi tertinggi sekaligus merupakan ukuran populasi sebesar 350. Jika pengujian ukuran nilai konvergensi pada ukuran populasi sebesar generasi dilanjutkan dengan ukuran yang lebih 90 dengan hanya memiliki selisih sedikit dengan tinggi.8. 1 1150 0.064489 yang merupakan rata-rata populasi sebesar 80. grafik untuk melihat perbedaan hasil fitness 400. 0. 0.6 dengan 0.9.022286 yang merupakan rata-rata ukuran populasi lainnya dan pada ukuran fitness tertinggi sekaligus optimal untuk hasil generasi sebesar 80 memiliki rata-rata menentukan komposisi makanan diet bagi 1100. hasil percobaan yang dilakukan tersebut dibuat grafik untuk melihat perbedaan hasil fitness 1160 Rata-rata Fitness setiap banyaknya generasi yang dapat dilihat 1140 pada Gambar 3.4 0. 300. Cr dan Mr penelitian tersebut menujukkan bahwa semakin Berdasarkan pengujian yang dilakukan besar jumlah populasi yang digunakan maka sebanyak 10 kali percobaan dengan kombinasi semakin besar pula nilai rata-rata fitness yang crossover rate dan mutation rate yaitu 1 dengan dihasilkan.7 dengan 0. A dan induknya. 0. 450 dan 500.2.495433 yang merupakan rata-rata fitness penderita Hipertensi.6. Pola perubahan nilai fitness ini juga yang dihasilkan akan tidak terlalu jauh dengan didapatkan pada penelitian Rianawati. 1120 1100 1200 1080 1060 Rata-rata Fitness 1.9. 0. Grafik Hasil Pengujian Terhadap rate (cr) dengan mutation rate (mr) Ukuran Generasi mempengaruhi nilai rata-rata fitness yang diperoleh.7. Mahmudy.5 dengan 0.4.5.6. Kemudian membandingkan setiap banyaknya generasi yang dapat dilihat rata-rata nilai fitness dengan generasi lain. 0.9 Kombinasi Cr dan Mr 1100 Gambar 4.4 dengan 4. Grafik Hasil Pengujian Terhadap Kombinasi Cr dan Mr 1050 50 100 150 200 250 300 350 400 450 500 Berdasarkan grafik pada Gambar 4 dapat Ukuran Generasi simpulkan bahwa kombinasi nilai dari crossover Gambar 3.1 dengan Generasi 0.2 dengan 0. 0. 0.8 0.2 Hasil dan Analisi Pengujian Ukuran 0. 0.

R. Kemudian mengecek apakah kondisi on Computer and Information Technology akhir terpenuhi. Hipertensi menggunakan Algoritme Genetika. menghitung kebutuhan gizi perhari 5. Melakukan seleksi elitism untuk selection and machine loading problems memilih individu sebanyak jumlah with alternative production plans in flexible populasi awal... ECTI Transactions f. Hypertension in the South-East Asia yang ditentukan.022286. Garg.. Algoritme Genetika dapat terhadap Upaya pencegahan Komplikasi di diimplementasikan untuk optimasi wilayah kerja Puskesmas Berastagi tahun komposisi makanan diet bagi penderita 2010...495433. dengan nilai fitness 1100. Region: an overview. dan kombinasi cr dan mr dan mr sebesar 0.CIT). b. Perilaku Penderita Hipertensi 1. Dian. generasi tersebut. W. C. 1.. 2016.. maka dapat diambil kesimpulan bahwa: Jhondry.S. RM & Luong. Jurnal Pelangi Ilmu Volume 2 No. Membuat populasi baru dengan proses Forum – Volume 17. T.9. mutation. Universitas Brawijaya . dengan langkah-langkah sebagai Katili. pengujian jumlah populasi. A. a. lebih tinggi dibandingkan dengan kemampuan eksploitasi. 2014. sampai kondisi akhir terpenuhi. V. Menghitung nilai fitness pada masing. A. Prigoana. masing individu.1 dan 0. Universitas Sumatra Utara. Jika C.. Salomie. WF. dkk..Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 235 rata fitness terendah sebesar 1100. 8. Boros. jika kondisi akhir belum (ECTI. I. & Kahandaliyanage. vol. crossover dengan metode extended Mahmudy.. acak dengan jumlah populasi sebanyak 2013. Membangkitkan populasi awal secara Krishnan.9 dengan nilai fitness permasalahan ini kemampuan eksplorasi yang 1150. Chifu. R. Nutrition Care optimasi komposisi makanan diet bagi penderita Process (NCP). Hybrid genetic algorithms for part type e. PTIIK. jumlah kombinasi nilai cr dan mr yang memiliki nilai generasi adalah 300 dengan nilai fitness rata-rata fitness tertinggi ada pada kombinasi cr 1190. 2009.. d. jika nilai mr lebih besar dari populasi terpilih tersebut yang pada nilai cr. D. terpenuhi maka iterasi terus berlanjut Pop. Modul Matakuliah intermediate crossover dan proses Algoritma Evolusi. B. kondisi akhir terpenuhi. Sebaliknya jika nilai cr lebih besar makanan beberapa hari kedepan. 2004. Penuntun Diet Edisi 5. Hipertensi. pp. Sunita. Mel 2009. maka dapat berakibat bahwa kemudian akan dijadikan solusi kemampuan eksplorasi pada Algoritme Genetika rekomendasi makanan diet bagi yang lebih tinggi serta keragamannya semakin penderita Hipertensi berupa menu besar pula. sehingga pada adalah 0. DAFTAR PUSTAKA Almatsier.F. maka iterasi Generating Healthy Menus for Older Adults berhenti dengan solusi terbaik yang using a Hybrid Honey Bees Mating Fakultas Ilmu Komputer. manufacturing system. 2013. no. 2013..466927.. Regional Health c. Hasil yang diperoleh permasalahan optimasi komposisi makanan diet pada pengujian jumlah populasi adalah 80 bagi penderita Hipertensi Algoritme Genetika. KESIMPULAN Baru. 200.1 dan 0.090837 merupakan populasi yang terpilih pada dengan kombinasi nilai cr dan mr yaitu 1 dan 0. 2010.. Jakarta: PT Gramedia Pustaka Utama Berdasarkan hasil penelitian tentang Handayani. 80-93. Universitas mutasi dengan reciprocal exchange Brawijaya. pasien. Number 1. dari pada nilai mr maka kemampuan algoritme 2. Kemudian decoding Menurut Mahmudy. Untuk mengetahui hasil serta kualitas dalam menjaga keragaman populasinya akan penerapan Algoritme Genetika untuk mengalami penurunan Karena kemampuan mengoptimasikan komposisi makanan diet eksploitasinya lebih tinggi dibandingkan bagi penderita Hipertensi yaitu dengan eksplorasi. A. Struktur Dan Fungsi Protein berikut: Kolagen. Mahmudy. Moldovan.. Marian. jumlah generasi Berdasarkan grafik pada Gambar 8 pada dan kombinasi crossover rate (cr) dan hasil pengujian dapat diambil kesimpulan bahwa mutation rate (mr). Yogyakarta: Graha Ilmu.

Lukito. A.S. 5. Mumpuni. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya.S.. vol. Pedoman Tatalaksana Hipertensi pada Penyakit Kardiovaskular: Edisi Pertama. Erwinanto. no.2015.. A dan Mahmudy. A.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 236 Optimization Approach. Fakultas Ilmu Komputer.F. R.S.A. N. 5.. 978-1-5090-0461- 4/16 $31. Universitas Brawijaya . 15. Soenarta. 'Implementasi algoritma genetika untuk optimasi komposisi makanan bagi penderita diabetes mellitus'. WF 2015. Barack. W. R.00 Β© 2016 IEEE DOI 10. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya. 2015. A.A. no. vol. Pratikto. 2015. 14.1109/SYNASC.... N dan Mahmudy.73 Rianawati.. Optimasi komposisi makanan untuk penderita kolesterol menggunakan algoritma genetika. Wahid. Hersunarti.