Professional Documents
Culture Documents
1, APRIL 2019 | 39
ABSTRACT
Diabetes mellitus (DM) is one chronic disease caused by reduced production of insulin from the
pancreas and insulin produced is not effective in reducing blood sugar levels. This situation will increase
blood sugar levels, thus damaging the immune system. Initial treatment in diabetics is to change the
lifestyle of eating foods with nutritional content needed by the body and increase physical activity. To
regulate the diet in people with diabetes melitus, it takes the diet by adjusting the composition of diet
patterns and control blood sugar levels. This study aims to create a healthy food menu based on the
number of caloric needs per day, so that it meets the criteria of balanced nutrition and meets the variety
of foods in the form of main dishes, side dishes, vegetables and fruits. In this research, Adaptive Neuro
Fuzzy Inference System (ANFIS) and Genetic Algorithm (GA) method are used to provide suggestions
for serving foods that meet the menu type and ideal portion for DM patients. The results showed that
the proposed method scored 89.1% accuracy training and 72.1% accuracy testing by using ANFIS
method and for fulfillment of nutrition reached 98.9% by using GA which means that ANFIS and GA
method can give excellent result that is by producing Healthy food menu that meets optimal nutrition
and achievement of food diversity in accordance with 4 pillars of balanced nutrition.
ABSTRAK
Diabetes melitus (DM) merupakan salah satu penyakit kronis (menahun) yang disebabkan berkurangnya
produksi insulin dari pankreas maupun insulin yang dihasilkan tidak efektif dalam mengurangi kadar
gula darah. Keadaan ini akan meningkatkan kadar gula darah sehingga merusak sistem kekebalan tubuh.
Penanganan awal pada penderita DM adalah dengan mengubah gaya hidup yaitu mengkonsumsi
makanan dengan kandungan nutrisi yang diperlukan oleh tubuh dan memperbanyak aktivitas fisik.
Untuk mengatur pola makan pada penderita DM maka diperlukan diet dengan mengatur komposisi pola
makanan dan mengendalikan kadar gula darah. Penelitian ini bertujuan untuk membuat suatu model
penyusunan menu makanan sehat berdasarkan jumlah kebutuhan kalori per hari, sehingga memenuhi
kriteria gizi seimbang dan memenuhi variasi makanan berupa makanan pokok, lauk pauk, sayuran dan
buah. Pada penelitian ini metode Adaptive Neuro Fuzzy Inference System (ANFIS) dan Algoritma
Genetika (GA) digunakan untuk memberikan saran penyajian makanan yang memenuhi jenis menu dan
jumlah porsi yang ideal bagi penderita DM. Hasil penelitian menunjukkan bahwa metode yang
diusulkan memperoleh nilai untuk accuracy training sebesar 89.1% dan untuk accuracy testing sebesar
72.1% dengan menggunakan metode ANFIS dan untuk pemenuhan nutrisi yang dicapai sebesar 98.9%
dengan menggunakan GA yang artinya bahwa metode ANFIS dan GA dapat memberikan hasil akhir
yang sangat baik yaitu dengan menghasilkan menu sehat yang memenuhi gizi yang optimal dan
tercapainya keanekaragaman makanan sesuai dengan 4 pilar gizi seimbang.
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
40 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 41
untuk memperoleh saran penyajian makanan di mana berat dalam Kilogram, Tinggi dalam
yang optimal. Centimeter dan Umur dalam tahun.
Berdasarkan nilai BMR, kebutuhan energi
II. TINJAUAN PUSTAKA (ER) dihitung sesuai dengan PAL. Tingkat
aktivitas fisik (PAL) dibagi menjadi lima kelas
2.1 Pengertian Diabetes Melitus yaitu rendah, ringan, sedang, berat dan ekstrim
Menurut [11], DM merupakan suatu [14] yang dapat dilihat pada Tabel 1 dengan
kelompok penyakit metabolik dengan mengetahui faktor PAL individu, sehingga
karakteristik hiperglikemia yang terjadi karena kebutuhan energi [14] adalah:
kelainan sekresi insulin, kerja insulin, atau ER = BMR * PAL (3)
kedua-duanya. Terdapat dua kategori utama di mana ER adalah kebutuhan energi dan PAL
diabetes melitus yaitu diabetes tipe 1 dan tipe adalah faktor PAL didasarkan pada aktivitas
2. Diabetes tipe 2 merupakan 90% dari seluruh fisik setiap individu.
diabetes, sedangkan diabetes gestasional Tabel 1. Tingkat aktivitas fisik
adalah hiperglikemia yang didapatkan saat Tingkat
Definisi
Faktor
kehamilan. Dengan penurunan berat badan dan Aktivitas PAL
perubahan gaya hidup, perkembangan menjadi Tidak memiliki aktivitas atau
diabetes dapat dicegah atau ditunda [1]. Tingkat
latihan sama sekali dalam 1.2
Prinsip pengaturan makan pada Rendah
seminggu
penyandang diabetes yaitu makanan yang
seimbang, sesuai dengan kebutuhan kalori Ada aktivitas atau latihan
Tingkat
paling sedikit 1-3 kali dalam 1.375
masing-masing individu, dengan Ringan
seminggu
memperhatikan keteraturan jadwal makan, Ada aktivitas atau latihan
jenis dan jumlah makanan. Komposisi Tingkat
paling sedikit 3-5 kali dalam 1.55
makanan yang dianjurkan terdiri dari Sedang
seminggu
karbohidrat 45%-65%, lemak 20%-25%, Ada aktivitas atau latihan
Tingkat
protein 10%-20%, Natrium kurang dari 3 g, paling sedikit 5-6 kali dalam 1.725
Berat
dan diet cukup serat sekitar 25g/hari [12]. Oleh seminggu
sebab itu dalam penelitian ini akan Memiliki aktivitas yang berat
dikembangkan sebuah model yang akan sekitar 2 kali dalam sehari,
memberikan saran penyajian menu sehat bagi Tingkat misalnya atlit atau
1.9
Ekstrem mempunyai pekerjaan yang
penderita DM sehingga para penderita
membutuhkan tenaga
memiliki kualitas kesehatan yang baik. ekstrem
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
42 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 43
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
44 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
Berdasarkan tabel di atas dapat disimpulkan metode lain yaitu dengan menggunakan
bahwa: metode algoritma koloni lebah buatan
a. Penelitian sebelumnya hanya dan GA saja.
menyajikan suatu teknik penyajian
makanan untuk kondisi normal atau Sedangkan di dalam penelitian ini akan
dalam keadaan sehat dengan diajukan suatu teknik penyajian makanan
menggunakan GA saja dan metode lain dengan menggunakan pendekatan ANFIS dan
seperti dengan berbasiskan cloud dan GA dan juga dengan melihat kebutuhan kalori
berdasarkan citra makanan. perhari dari penderita diabetes serta
b. Penelitian sebelumnya hanya memperhatikan keanekaragaman makanan
mengajukan suatu teknik perhitungan sehingga sesuai dengan 4 pilar gizi seimbang
kebutuhan kalori tanpa memberikan seperti yang telah ditetapkan oleh Kementerian
saran makanan yang baik untuk Kesehatan RI.
penderita penyakit kronis dan DM.
c. Penelitian sebelumnya mengajukan
saran penyajian menu makanan untuk
penderita DM tetapi menggunakan
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 45
III. METODOLOGI
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
46 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
3.2.1 Perumusan Masalah dan Studi dan keragaman makanan. Dalam hal ini
Literatur dibagi atas beberapa sub masalah yaitu:
Rumusan masalah dalam a. Bagaimana melakukan pemodelan
penelitian ini adalah bagaimana membership function untuk variabel-
mengembangkan sebuah model yang akan variabel yang mempengaruhi pola
memberikan saran penyajian makanan makan penderita diabetes melitus yaitu
yang baik bagi penderita DM dengan kondisi gula darah setelah 2 jam
mempertimbangkan kondisi penderita DM muatan glukosa, indeks massa tubuh,
tekanan darah, jumlah kehamilan,
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 47
ketebalan lipatan kulit triceps, kadar semuanya berasal dari jenis kelamin
insulin dalam darah, riwayat diabetes wanita dengan usia sekurang-kurangnya
dalam keluarga dan usia penderita? 21 tahun. Dari 768 data yang terdiagnosa
b. Bagaimana melakukan pemodelan IF- positif diabetes berjumlah 268 dan
THEN rule pada ANFIS untuk sisanya berjumlah 500 adalah negatif
menentukan kondisi diabetes diabetes. Dataset Pima mempunyai 8
seseorang yang terbagi kedalam 2 atribut dan 2 class yaitu 0 dan 1. Untuk
class yaitu Tidak Diabetes dan nilai 1 yang artinya positif diabetes dan
Diabetes? nilai 0 negatif diabetes. Untuk atribut
c. Bagaimana melakukan optimisasi dataset Pima dapat dilihat pada Tabel 3.
saran penyajian makanan yang baik 2. Data Makanan sebagai data menu
bagi penderita diabetes melitus dengan makanan diambil dari Tabel Komposisi
kondisi yang telah ditetapkan melalui Pangan Indonesia yang terdiri dari
proses ANFIS? makanan pokok, lauk pauk, sayuran dan
buah yang total semuanya berjumlah
Tahap analisa masalah dilakukan 312 data makanan beserta nilai energi,
dengan: protein, lemak dan karbohidrat dari
1. Konsultasi dan wawancara masing-masing makanan yang terdapat
dengan yang ahli di bidangnya, pada Tabel 4.
yaitu dengan dr. Briliana. P.
Sabirin, SpPD dan dr. Tetty H, Tabel 3. Atribut dataset pima indians diabetes
SpGK selaku ahli untuk spesialis Singkat
No. Atribut Deskripsi Satuan
an
Penyakit dalam dan spesialis gizi
Number of Banyaknya
yang berasal dari RSUD Tarakan. 1.
times pregnant
NP
kehamilan
-
2. Mempelajari isu-isu terkini pada Plasma
penderita DM mengenai masalah- glucose Kadar glukosa 2
masalah yang berkaitan dengan concentration jam setelah
2. GTT Mg/dL
a 2 hours in konsumsi
penyakit diabetes melitus. oral glucose larutan glukosa
3. Tinjauan pustaka juga dilakukan tolerance test
terhadap penelitian-penelitian 3.
Diastolic
DBP
Tekanan darah
Mm Hg
terdahulu mengenai masalah- blood pressure diastolic
masalah yang berkaitan dengan Ketebalan
Triceps skin
4. TSF Lipatan kulit Mm
penyakit diabetes melitus dan fold thickness
triceps
mengenai penerapan Kadar Insulin di
pembelajaran mesin (machine 5.
2-Hour serum
HSI
dalam darah 2 Mu
learning) dan kecerdasan insulin jam setelah U/ml
makan
komputasi (computational Body Mass Berat massa
intelligence) dalam memodelkan 6. BMI Kg/m2
Index tubuh
kriteria diabetes dan susunan Diabetes Fungsi Riwayat
kebutuhan nutrisi seseorang 7. pedigree DPF diabetes dalam -
khususnya penderita diabetes function keluarga
8. Age AGE Umur Years
melitus. Positif diabetes
3.2.2 Pengumpulan Data Class Variable (1) dan negatif
9. -
Di dalam penelitian ini, data utama yang (0 or 1) diabetes (0)
digunakan adalah:
1. Dataset Pima Indian Diabetes sebagai
data pasien penderita diabetes. Dataset
Pima diambil dari UCI Machine
Learning Repository yaitu berasal dari
Institute of Diabetes and Digestive and
Kidney Diseases yang berada di
Amerika Serikat yaitu data yang diambil
dari wanita suku Indian Pima. Dataset
Pima ini terdiri dari 768 data klinis yang
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
48 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 49
6. Variabel BMI
Variabel BMI ini dibagi dalam 4 kategori
yaitu:
Gambar 12. Kurva himpunan fuzzy Kurus , if BMI < 20
variabel DBP Normal , if 20 < BMI < 25
Status BMI = Gemuk , if 23 < BMI < 35
4. Variabel TSF Sangat gemuk, if BMI> 30
Variabel TSF ini dibagi dalam 3 kategori
Dari pembagian kategori ini
yaitu:
nantinya dapat diketahui fungsi
Rendah , if TSF < 15 keanggotaannya (membership function)
Status TSF = Normal , if 15 < TSF < 16.5
Tinggi , if TSF> 16.5 pada setiap himpunan fuzzy kurus, normal,
gemuk, sangat gemuk. Adapun kurvanya
ditunjukkan pada Gambar 15.
Dari pembagian kategori ini nantinya
dapat diketahui fungsi keanggotaannya
(membership function) pada setiap himpunan
fuzzy rendah, normal dan tinggi [21]. Adapun
kurvanya ditunjukkan pada Gambar 13.
7. Variabel DPF
Variabel DPF ini dibagi dalam 5
Gambar 13. Kurva himpunan fuzzy variabel kategori yaitu:
TSF Sangat Rendah, if DPF < 0.244
Rendah , if 0.245 < DPF < 0.525
Status DPF = Sedang , if 0.526 < DPF < 0.805
5. Variabel HSI
Tinggi , if 0.806 < DPF < 1.11
Variabel HSI ini dibagi dalam 3 kategori Sangat Tinggi, if DPF> 1.11
yaitu:
Rendah , if HSI < 16 Dari pembagian kategori ini
Status HSI = Normal , if 16 < HSI < 166 nantinya dapat diketahui fungsi
Tinggi , if HSI> 166
keanggotaannya (membership function)
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
50 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
pada setiap himpunan fuzzy Sangat rendah, menghasilkan output linier. Berdasarkan Rule
Rendah, Sedang, Tinggi dan Sangat Tinggi yang berkaitan dengan nilai variabel.
[22] [3]. Adapun kurvanya ditunjukkan Arsitektur ANFIS ditentukan oleh
pada Gambar 16. jumlah kriteria dan parameter. Terdapat 8 input
kriteria yang akan digunakan di dalam
pemodelan ANFIS yaitu NP (jumlah
kehamilan), GTT (kadar gula darah 2 jam
setelah makan), DBP (tekanan darah diastolic),
TSF (ketebalan lipatan kulit triceps), HSI
(kadar insulin dalam darah 2 jam setelah
makan), BMI (indeks massa tubuh), DPF
(fungsi riwayat diabetes dalam keluarga) dan
AGE (usia) dimana masing-masing kriteria
Gambar 16. Kurva himpunan fuzzy variabel mempunyai jumlah paramater yang berbeda-
DPF beda.
Di dalam pemodelan IF-THEN rule
8. Variabel AGE pada ANFIS, 8 variabel input kriteria akan
Variabel AGE ini dibagi dalam 2 dibandingkan secara bertahap yaitu dengan
kategori yaitu: mengambil variabel yang paling berpengaruh
Muda , if AGE < 45 didalam menentukan diabetes atau tidaknya
Tua , if AGE> 45 seseorang, tujuannya adalah agar mempercepat
Status AGE =
waktu proses. Berdasarkan wawancara yang
Dari pembagian kategori ini telah dilakukan dengan dr. Briliana. P. Sabirin,
nantinya dapat diketahui fungsi SpPD selaku pakar untuk spesialis Penyakit
keanggotaannya (membership function) dalam, adapun variabel input yang paling
pada setiap himpunan fuzzy muda, tua. berpengaruh bagi penderita diabetes melitus
Adapun kurvanya ditunjukkan pada secara berututan adalah GTT, AGE, DPF,
Gambar 17. BMI, HSI, DBP, NP dan TSF, sehingga proses
ANFIS dijelaskan sebagai berikut:
Tahap 1: Variabel input GTT dan AGE akan
menghasilkan nilai output 1 yang akan
dibandingkan dengan variabel selanjutnya.
Tahap 2: Output 1 yaitu variabel GTT dan
AGE akan dibandingkan dengan variabel input
DPF.
Tahap 3: Output 2 yaitu variabel GTT, AGE,
DPF akan dibandingkan dengan variabel input
BMI.
Gambar 17. Kurva himpunan fuzzy Tahap 4: Output 3 yaitu variabel GTT, AGE,
variabel AGE DPF, BMI akan dibandingkan dengan variabel
input HSI.
3.2.3.2 Pemodelan Adaptive Neuro Fuzzy Tahap 5: Output 4 yaitu variabel GTT, AGE,
Inference System (ANFIS) DPF, BMI, HSI akan dibandingkan dengan
Pemodelan IF-THEN rule pada ANFIS variabel input DBP.
digunakan untuk menentukan kondisi diabetes Tahap 6: Output 5 yaitu variabel GTT, AGE,
seseorang yang terbagi kedalam 2 class yaitu DPF, BMI, HSI, DBP akan dibandingkan
Tidak Diabetes dan Diabetes. Untuk dengan variabel input NP.
pemodelan IF-THEN rule pada ANFIS Tahap 7: Output 6 yaitu variabel GTT, AGE,
menggunakan sistem fuzzy Takagi Sugeno DPF, BMI, HSI, DBP, NP akan dibandingkan
untuk mengambil keputusan berdasarkan rule dengan variabel input TSF.
(aturan) fuzzy IF-THEN dan fakta yang ada.
Model fuzzy Takagi Sugeno yang digunakan Aturan umum fuzzy Takagi Sugeno
adalah fuzzy Takagi Sugeno Kang yang dengan n rule fuzzy IF-THEN dihasilkan pada
Gambar 18.
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 51
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
52 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
itu total asupan energi atau total energy intake MP : adalah nilai Energi makanan pokok
(TE) ditulis dengan persamaan berikut: LK : nilai Energi lauk
TE x1MP x2 LK x3S x4 B (20) S : nilai Energi sayuran
di mana, B : nilai Energi buah
Untuk contoh data makanan akan
x1 , x2 , x3 , x4 : adalah jumlah porsi, untuk ditunjukkan pada Tabel 5 di bawah ini:
makan pagi sebesar ½ porsi, makan siang dan
makan malam sebesar 1 porsi
Tabel 5. Contoh tabel data makanan
Komposisi Zat Gizi makanan per 100 gram
Nama
No Energi Protein Lemak Karbohidrat
Makanan
(kkal) (g) (g) (g)
Makanan Pokok
1. Nasi 180 3 0.3 39.8
Nasi
2. Beras 149 2.8 0.4 32.5
Merah
. ….. …. …. …. ….
. ….. …. …. …. ….
37. Nasi tim 120 2.4 0.4 26
Lauk Pauk
Tahu
38. 115 9.7 8.5 2.5
goring
Rendang
39. 193 22.6 7.9 7.8
sapi
. …. …. …. …. ….
. …. …. …. …. ….
149 Mujahir
121 21.7 2.8 0.8
. pepes
Sayuran
150 Bayam
30 1.3 0.7 5.8
. kukus
151 Buncis
30 2.2 0.2 6.4
. rebus
. …. …. …. …. ….
. …. …. …. …. …..
262 Sayur
29 0.7 0.6 5
. asem
Buah
263
Apel 58 0.3 0.4 14.9
.
Mangga
264
indramay 72 0.8 0.2 18.7
.
u
. …. …. …. …. ….
. …. …. …. …. ….
312 Semangk
28 0.5 0.2 6.9
. a
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 53
kromosom akan dirandom sesuai dengan 4. Parents selection atau seleksi induk.
batas maksimal indeksnya masing-masing Seleksi parents dilakukan dengan
yang artinya setiap angka yang dihasilkan membagi 2 dari total jumlah kromosom
dari proses random mewakili nama jenis yang telah terpilih melalui Roulete
makanan yang terdapat di dalam database Wheel Selection secara random yang
makanan. terdapat pada Gambar 19.
2. Evaluasi nilai fitness (fitness function)
dari masing-masing kromosom dengan Parent1 Parent2
menggunakan fungsi fitness. Dengan Chro1 …. ….. …..
demikian fungsi fitness untuk Chro2 ….. ….. …..
mengoptimalkan asupan energi adalah .. ….. ….. …..
selisih dari kebutuhan energi dan asupan .. …..
energi seperti yang ditunjukkan dalam .. …..
persamaan berikut: Chron …..
1 Gambar 19. Parents selection
FV max (21)
Error
5. Ubah nilai gen yang terdapat di dalam
dimana,
masing-masing parents ke dalam
bilangan biner yang bertujuan untuk
2
ERtotal TEi
n
mempertahankan diversity atau
i keanekaragaman. Untuk masing-masing
i 1
Error gen akan diubah ke dalam 9 buah
n bilangan biner atau 9 bit, jadi total dalam
(22) 1 kromosom akan terdapat 4*9 = 36
dimana: bilangan biner atau 36bit seperti
FV: Fitness Function (Fungsi Fitness) ditunjukkan pada Gambar 20.
ERtotal : Total Energi Requirement
(Total Kebutuhan kalori per hari) (Pers.
4 - 6)
TE: Total Energy intake (Total asupan
energi) (Pers. 20)
n: Total set konsumsi makanan
Nilai fitness suatu kromosom
menggambarkan kualitas kromosom Gambar 20. Contoh mengubah
dalam pupulasi tersebut. Semakin tinggi kromosom terpilih ke dalam bilangan
nilai fitnessnya maka akan semakin baik biner
individu tersebut dan peluang untuk 6. Proses Crossover pada induk atau
terpilih dalam proses seleksi semakin parents yang terpilih untuk
besar. mendapatkan anak (offspring) dengan
3. Proses seleksi yaitu dengan menggunakan metode Single point
menggunakan metode Roulete Wheel crossover. Crossover dilakukan
Selection. Di dalam seleksi Roulete berdasarkan probabilitas atau
Wheel ini adalah dengan mencari nilai probability crossover (pc) dimana pc
probability dari masing-masing menentukan banyaknya kromosom yang
kromosom yang telah ditetapkan yang mengalami crossover. Misal nilai pc =
bertujuan untuk mencari fitness function 0.6. Range untuk nilai pc berkisar dari 0-
yang terbaik yaitu dengan cara membagi 1. Besarnya nilai pc ideal adalah di
nilai fitness dari masing-masing antara 0.4 sampai dengan 0.9 yang
kromosom dengan total nilai fitness. bertujuan agar tercapai keberagaman
Seleksi dijalankan pada kromosom [23]. Maka:
untuk menemukan mating pool yang Jc pc * jumlah kromosom (23)
berisi kromosom terbaik yaitu yang dimana,
memiliki nilai fitness yang maksimal Jc : Jumlah kromosom yang akan
(terbesar). mengalami crossover
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
54 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 55
5. HSI adalah 2-hours serum insulin 5 kali percobaan untuk masing-masing epoch
(kadar insulin dalam darah 2 jam maka hasil yang didapat menunjukkan bahwa
setelah makan). dengan semakin banyak jumlah Epoch
6. BMI adalah Body Mass Index (Indeks (perulangan) yang diberikan maka nilai akurasi
Massa Tubuh) yang dihasilkan juga semakin tinggi dan lebih
7. DPF adalah Diabetes Pedigree akurat.
Fungtion (Fungsi riwayat diabetes Hasil output yang dihasilkan dari
dalam keluarga). pemodelan pada ANFIS memberikan hasil
8. AGE adalah Usia. yang continue yang artinya hasil tersebut
Sedangkan 1 variabel ouputnya adalah nilainya tidak berupa nilai diskrit (0 atau 1)
class variable yang bernilai 0 atau 1. 0 apabila tetapi berupa 0-0.5 untuk tidak diabetes dan
tidak diabetes dan 1 adalah diabetes. Dari ke-8 0.51-1 untuk diabetes yang nantinya akan
variabel input tersebut akan dibandingkan menjadi bobot penentu untuk menghitung nilai
secara bertahap, tahapannya terdiri dari 7 tahap fitness di dalam proses GA.
seperti yang telah dijelaskan pada Bab tiga. Hasil terbaik didapatkan pada epoch =
Dimulai dari variabel yang paling 2000 yaitu sebesar 89.1% untuk accuracy
berpengaruh di dalam menentukan diabetes training dan 72.1% untuk accuracy testing.
atau tidaknya seseorang sehingga urutannya Hasil akhir output yang diambil adalah yang
akan menjadi GTT, AGE, DPF, BMI, HSI, menghasilkan akurasi yang terbaik untuk
DBP, NP dan TSF. Setelah dilakukan training dilanjutkan ke langkah berikutnya yaitu
dan testing terhadap data pima secara bertahap optimasi menu makanan dengan menggunakan
maka didapatkan hasil akurasinya adalah GA.
seperti yang terdapat pada Tabel 6 dan Gambar
21 di bawah ini: 4.2 Hasil dari Optimasi Menu Makanan
Tabel 6. Hasil accuracy proses training dan Sehat dengan Menggunakan GA
testing pada ANFIS Untuk optimasi menu makanan sehat
Accuracy Accuracy dengan menggunakan GA dilakukan setelah
No. Epoch
Training Testing mendapatkan output dari pemodelan ANFIS.
1. 100 87 % 72.1 % Selanjutnya hasil output tersebut akan menjadi
2. 300 86.8 % 70.8 % bobot penentu untuk menghitung nilai fitness
3. 500 87.1 % 70.1 % didalam proses GA. Pada penelitian ini akan
4. 700 87.9 % 71.4 % dilakukan eksperimen dengan memberikan
5. 1000 87.8 % 72.1 % nilai untuk Jumlah kromosom = 10 dan Jumlah
6. 2000 89.1 % 72.1 % pasien = 10, Jumlah Generasi yang diberikan
akan dimulai dari 20 – 150. Selanjutnya akan
dilakukan eksperimen sebanyak 5 kali
percobaan dari masing-masing generasi dan
akan dilihat apakah pemenuhan nutrisinya
sudah mencapai optimal atau belum yang
artinya apakah sudah mencapai nilai fitness
yang maksimal. Berikut hasilnya terdapat pada
Tabel 7 dan Gambar 22. Untuk contoh daftar
menu makanan yang telah dioptimasi
menggunakan GA dapat dilihat pada Tabel 8.
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
56 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
Daun
100,00% Nasi Beras Pempek Mangga
98,90%
Pemenuhan nutrisi yang dicapai
singkon
7. Merah belida kwini
97,70% g ambon
98,00%
96,00% 94,30% Nasi Beras Pempek
Kacang
93,50% kedelai
94,00% 8. Merah adaan Salak bali
rebus
92,00%
Pemenuhan Pencok
90,00% 89,10% Nasi tim Gudeg Pisang raja
9. lele
nutrisi yang
88,00%
dicapai Pempek Toge
86,00% Nasi Tim Nanas
10. kulit goreng
84,00%
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019 | 57
yang telah ditetapkan oleh Kementerian Measuring Calorie and Nutrition From
Kesehatan RI. Food Image, 63(8), 1947–1956.
[8]. Anthimopoulos, M., Dehais, J.,
5.2 Saran Shevchik, S., Ransford, B. H., Duke, D.,
Dalam penelitian ini perlu dilakukan Diem, P., & Mougiakakou, S. (2015).
beberapa peningkatan antara lain: Computer vision-based carbohydrate
1. Penyesuaian parameter pada ANFIS estimation for type 1 patients with
sehingga accuracy pada proses testing diabetes using smartphones. Journal of
dapat ditingkatkan. Diabetes Science and Technology, 9(3),
2. Untuk data makanan perlu adanya 507–515.
penambahan dari Tabel Komposisi [9]. Amine, E., Baba, N., Belhadj, M.,
Pangan Indonesia sehingga variasi Deurenbery-Yap, M., Djazayery, a.,
menu dapat lebih kaya dan beragam. Forrester, T., … Yoshiike, N. (2003).
3. Untuk data makanan sebaiknya di Introduction. DIET, NUTRITION AND
dalam Tabel Komposisi Pangan THE PREVENTION OF Chronic
Indonesia terdapat Ukuran Rumah Diseases: Report of a Joint WHO/FAO
Tangga (URT) untuk memudahkan Expert Consultation, 1–3.
peneliti membuat range porsi http://doi.org/0512-3054
makanan. [10]. Melfazen, O., Dachlan, H. S., &
Mustofa, A. (2012). Carbohydrate
DAFTAR PUSTAKA Counting untuk Penderita Diabetes
Mellitus dengan Terapi Insulin
[1]. Kemenkes RI. (2014). infodatin- Menggunakan Algoritma Koloni Lebah
diabetes.pdf. Buatan, 6(1), 29–36.
[2]. Wulandhari, L. A., & Kurniawan, A. [11]. American Diabetes Association. (2014).
(2016). Genetic Algorithm Approach in Standards of Medical Care in Diabetes
Optimizing the Energy Intake for Health d 2014 (Vol. 37).
Purpose. In Artificial Intelligence [12]. PERKENI. (2011). Buku Panduan
Perspectives in Intelligent Systems (pp. Konsensus Pengendalian dan
191–201). Springer Pencegahan Diabetes Melitus Type 2.
[3]. Cipto, I. G. P. R. S. D. (2006). [13]. Mahan, L. K., & Raymond, J. L. (2016).
Mangunkusumo dan Asosiasi Dietisien Krause’s food & the nutrition care
Indonesia. Penuntun Diet. Jakarta: PT process. Elsevier Health Sciences.
Gramedia Pustaka Utama. [14]. Whyte, G., Loosemore, M., & Williams,
[4]. Lesmana, I. P. D. (2012). C. (2015). ABC of sports and exercise
Pengembangan Decision Tree J48 medicine. John Wiley & Sons.
Untuk Diagnosis Penyakit Diabetes [15]. Engelbrecht, A. P. (2007).
Mellitus. Seminar Nasional Teknologi Computational intelligence: an
Informasi & Komunikasi Terapan, introduction. John Wiley & Sons.
(Semantik), 189–193. [16]. Kusumadewi, S. (2002). Analisis dan
[5]. Lee, C., Member, S., & Wang, M. desain sistem fuzzy menggunakan
(2011). A Fuzzy Expert System for Toolbox Matlab. Graha Ilmu,
Diabetes Decision Support Application. Yogyakarta.
IEEE International Conference on [17]. Jang, J.-S. R., Sun, C.-T., & Mizutani, E.
Evolutionary Computation, 41(1), 139– (1997). Neuro-fuzzy and soft
153. computing; a computational approach to
[6]. Virtual, C., & Sciences, N. (n.d.). learning and machine intelligence.
CLOUD BASED VIRTUALIZATION [18]. Jang, J. R. (1993). ANFIS : Adap tive-
FOR A CALORIE MEASUREMENT Ne twork-Based Fuzzy Inference
E- HEALTH MOBILE APPLICATION System, 23(3).
Sri Vijay Bharat Peddil, Abdulsalam [19]. Chikezie, C. U., Olowosulu, A. T., &
Yassinel, Shervin Shirmohammadil,2. Abejide, O. S. (2013). Multiobjective
[7]. Pouladzadeh, P., Shirmohammadi, S., optimization for pavement maintenance
Member, S., & Al-maghrabi, R. (2014). and rehabilitation programming using
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901
58 | JURNAL TEKNIK INFORMATIKA VOL 12 NO. 1, APRIL 2019
Lili Ayu W., dkk: Deteksi Diabetes .... 39-58 p-ISSN 1979-9160 | e-ISSN 2549-7901