Optimasi Komposisi Makanan untuk Penderita Hipertensi Menggunakan Algoritma Genetika dan Simulated Annealing
|
|
- Suharto Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 11, November 217, hlm Optimasi Komposisi Makanan untuk Penderita Hipertensi Menggunakan Algoritma Genetika dan Simulated Annealing Agustin Kartikasari 1, Dian Eka Ratnawati 2, Titis Sari Kusuma 3 Program Studi Teknik Informatika, 1 agustinkartikasari75@gmail.com, 2 dian_ilkom@ub.ac.id, 3 titis_fahreza.fk@ub.ac.id Abstrak Hipertensi menempati urutan terbesar ketiga sebagai penyakit yang menyebabkan kematian dini (Depkes, 26). Salah satu cara untuk mencegah dan menangani hipertensi adalah dengan modifikasi asupan makanan. Namun bagi orang awam, mengatur komposisi makanan sehari-hari masih dirasa sulit. Permasalahan tersebut kemudian diselesaikan dengan kombinasi algoritma genetika dan simulated annealing. Kombinasi kedua algoritma ini bertujuan untuk meningkatkan solusi yang dihasilkan oleh algoritma genetika dan menghindari terjadinya konvergensi dini. Pada penyelasaian permasalahan ini digunakan metode one cut point crossover, reciprocal exchange mutation, seleksi elitism, dan neighborhood move pada simulated annealing. Berdasarkan pengujian parameter yang dilakukan, diperoleh nilai-nilai parameter terbaik yaitu ukuran populasi sebesar 1, jumlah generasi sebesar 2, nilai kombinasi cr dan mr yaitu,6 dan,4, temperatur akhir (T n) sebesar,2, dan cooling rate sebesar,9. Sedangkan berdasarkan pengujian sistem yang dilakukan dapat diketahui bahwa kombinasi kedua algoritma mampu menyelesaikan permasalahan ini karena kandungan gizi yang dihasilkan berada dalam batas toleransi yang diberikan oleh ahli gizi yaitu ±1%. Kata Kunci: algoritma genetika, simulated annealing, komposisi makanan, hipertensi Abstract Hypertension ranks third largest as a disease that causes early death (Depkes, 26). One way to prevent and treat hypertension is to modify food intake. But for the layman, arranging the composition of everyday food is still considered difficult. The problem is then solved by a combination of genetic algorithm and simulated annealing. The combination of these two algorithms aims to improve the solutions generated by genetic algorithms and avoid the occurrence of early convergence. At this problem solving used one-cut crossover method, reciprocal exchange mutation, elitism selection, and neighborhood move on simulated annealing. Based on the parameters test, the best parameter values are population size of 1, the number of generations is 2, the combination value of cr and mr is.6 and.4, the final temperature (Tn) is.2, and the cooling rate of.9. While based on system testing conducted can be seen that the combination of both algorithms able to solve this problem because the resulting nutritional content is within the limit of tolerance given by nutritionists is ± 1% Keywords: genetic algorithm, simulated annealing, food composition, hypertension. 1. PENDAHULUAN Hipertensi adalah suatu keadaan dimana tekanan darah mengalami peningkatan secara kronis dengan tekanan darah sistolik maupun tekanan darah diastolik 14/9 mmhg. Saat ini, hipertensi menempati urutan ketiga terbesar sebagai penyakit yang menyebabkan kematian dini. Dewasa ini, prevalensi hipertensi terus meningkat yaitu sebanyak 972 juta (26%) orang dewasa di dunia menderita hipertensi (Depkes, 26). Angka tersebut menunjukkan bahwa jumlah penderita hipertensi di Indonesia kian hari semakin mengkhawatirkan. Peningkatan tekanan darah dapat dipengaruhi oleh beberapa faktor, salah satunya adalah asupan gizi makanan. Berbagai penelitian menunjukkan bahwa beberapa zat gizi, bahan makanan tertentu, dan pola asupan makanan sehari-hari memiliki peran dalam pencegahan dan terapi hipertensi (Kumala, 214). Namun bagi orang awam, mengatur komposisi makanan sehari-hari masih dirasa sulit. Fakultas Ilmu Komputer Universitas Brawijaya 1236
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1237 Permasalahan tersebut kemudian diselesaikan dengan kombinasi algoritma genetika dan simulated annealing. Algoritma genetika merupakan algoritma optimasi yang meniru proses seleksi alami makhluk hidup (Mahmudy, 215). Algoritma simulated annealing merupakan algoritma optimasi yang menganalogikan operasi pengolahan logam (Kirkpatrick et al., 1983). Kombinasi kedua algoritma tersebut bertujuan untuk meningkatkan solusi yang dihasilkan oleh algoritma genetika dan menghindari terjadinya konvergensi dini. Kombinasi algoritma genetika dan simulated annealing mampu memberikan solusi dengan nilai fitness yang lebih baik apabila dibandingkan dengan penggunaan algoritma genetika murni (Avicena, 216). Penelitian ini diharapkan mampu membantu penderita hipertensi maupun ahli gizi dalam memberikan rekomendasi komposisi makanan, mengurangi terjadinya human error, serta membantu menurunkan tekanan darah penderita dengan komposisi makanan yang tepat. 2. METODE 2.1. Hipertensi Hipertensi atau yang biasa disebut dengan tekanan darah tinggi merupakan suatu keadaan peningkatan tekanan darah yang terjadi secara kronis, tekanan darah sistolik dan tekanan darah diastolik mencapai 14/9 mmhg. Klasifikasi tingkat hipertensi menurut Joint National Committee 7 (24) dapat dibagi menjadi 4 kategori yaitu normal, prehypertension, hypertension stage 1, dan hypertension stage 2. Terdapat anjuran untuk modifikasi gaya hidup dengan cara diet hipertensi. Tujuan diet hipertensi adalah untuk membantu menurunkan tekanan darah penderita dan mempertahankan tekanan darah normal. Prinsip diet pada penderita tekanan darah tinggi antara lain makanan beraneka ragam dengan gizi seimbang, jenis dan komposisi makanan disesuaikan dengan kondisi penderita hipertensi, jumlah garam dibatasi sesuai dengan kesehatan penderita dan membatasi jenis makanan yang dapat memicu meningkatnya tekanan darah. Garam yang dimaksud dalam diet ini adalah garam natrium yang terdapat pada hampir pada seluruh bahan makanan (Kurniawan, 2). Asupan kalium dalam makanan untuk penderita hipertensi harus ditingkatkan. Asupan kalium dalam makanan memiliki peranan penting untuk penderita hipertensi yaitu dapat mengatasi kelebihan natrium (Kusumastuty et al., 216) Rumus Perhitungan Gizi Terdapat dua perhitungan untuk mengetahui kebutuhan gizi penderita hipertensi yaitu perhitungan energi dan perhitungan gizi. Perhitungan energi diawali dengan mengelompokkan berat badan kedalam kategori dengan menggunakan IMT (Indeks Massa Tubuh). IMT dapat dihitung menggunakan Persamaan (1). IMT = BB (TB) 2 (1) Pada Persamaan (1) BB adalah berat badan dan TB adalah tinggi badan. Setelah didapatkan kategori, maka langkah selanjutnya adalah mengukur berat badan ideal. Apabila IMT masuk pada kategori normal, maka berat badan penderita hipertensi sudah masuk dalam berat badan ideal. Namun apabila IMT masuk pada kategori lainnya, maka berat badan ideal dihitung menggunakan Persamaan (2). BBI = (TB 1) 1%(TB 1) (2) Selanjutnya dilakukan perhitungan AMB (Angka Metabolisme Basal) menggunakan Persamaan (3) dan (4). AMB(laki laki) = 66 + (13,7 BBI) + (5 TB) (6,8 U) (3) AMB(perempuan) = (9,6 BBI) + (1,8 TB) (4,7 U) (4) Pada Persamaan (3) dan (4) U merupakan umur. Langkah selanjutnya adalah melakukan perhitungan kebutuhan gizi pasien menggunakan Persamaan (5). Kebutuhan energi = AMB FA FS (5) Pada persamaan (5) FA merupakan tingkat aktivitas dan FS merupakan tingkat stress. Setelah didapatkan kebutuhan energi, maka selanjutnya dilakukan perhitungan kebutuhan gizi penderita hipertensi seperti pada Persamaan (6), (7), dan (8). Kebutuhan karbohidrat = 65% kebutuhan energi 4 Kebutuhan protein = Kebutuhan lemak = (6) 15% kebutuhan energi 4 2% kebutuhan energi 9 (7) (8)
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Kombinasi Algoritma Genetika dan Simulated Annealing Algoritma genetika merupakan algoritma optimasi yang menganalogikan proses seleksi alami makhluk hidup, yaitu tahapan-tahapan perubahan susunan gen untuk melewati seleksi alam. Dalam proses seleksi hanya individu yang mampu menyesuaikan diri dengan lingkungannya yang dapat bertahan hidup (Mahmudy, 215). Sedangkan Algoritma simulated annealing merupakan analogi dari operasi pengolahan logam (Kirkpatrick et.al., 1983). Kombinasi kedua algoritma ini bertujuan untuk meningkatkan solusi yang dihasilkan oleh algoritma genetika dan menghindari terjadinya konvergensi dini. Metropolis telah menguji algoritma simulated annealing yang diadaptasi pada algoritma genetika. Menurut Metropolis, hybrid algoritma genetika dan simulated annealing telah terbukti menanggulangi sifat konvergen pada algoritma genetika dan hasil optimasi kombinasi kedua algoritma terdebut melebihi GA atau SA murni (Orkcu, 213). Terdapat beberapa macam penempatan algoritma simulated annealing dalam algoritma genetika. Pada penelitian ini, simulated annealing diletakkan setelah proses seleksi pada algoritma genetika. Individu terbaik hasil dari iterasi algoritma genetika dijadikan masukan pada algoritma simulated annealing (Avicena, 216) Data yang Digunakan Data-data yang dibutuhkan dalam penelitian ini meliputi data makanan, daftar bahan makanan penukar, dan data penderita hipertensi. Data makanan diperoleh dari software nutrisurvey 27, daftar bahan makanan penukar yang diperoleh dari buku Penuntun Diet Edisi Baru oleh Sunita Almatsier, dan data penderita hipertensi diperoleh dari Klinik Aldifarma Tabiang Padang pada bulan Februari Penyelesaian Masalah Menggunakan Algoritm Genetika dan Simulated Annealing Pada sub bab ini akan dijelaskan mengenai penyelesaian maslah menggunakan algoritma genetika dan simulated annealing. Tahapan penyelesaiannya meliputi inisialisasi parameter awal, pembangkitan populasi awal, proses reproduksi yang terdiri dari crossover dan mutasi, evaluasi, seleksi, penentuan individu terbaik, simulated annealing, lalu proses berlanjut hingga mencapai iterasi maksimum. Flowchart tahapan pada algoritma genetika dan simulated annealing dapat dilihat pada Gambar 1. Mulai Inisialisasi parameter Inisialisasi populasi awal For i= to jumlah generasi-1 One cut point crossover Reciprocal exchange mutation Hitung nilai fitness Seleksi elitism Simulated annealing i Individu terbaik Selesai Gambar 1. Flowchart Algoritma Genetika dan Simulated Annealing Parameter yang diinisialisasi pada proses ini adalah parameter gizi, parameter algoritma genetika, dan parameter algoritma simulated annealing. Parameter gizi meliputi nama, jenis kelamin, usia, tinggi badan, berat badan, tingkat aktivitas, tingkat stress, dan tingkat hipertensi. Parameter tersebut digunakan untuk melakukan perhitungan kebutuhan gizi yang dibutuhkan oleh penderita hipertensi. Parameter algoritma genetika meliputi ukuran populasi, crossover rate, mutation rate, dan jumlah generasi. Parameter simulated annealing meliputi temperatur awal (T ), temperatur akhir (T n), dan cooling rate (β). Parameter algoritma genetika dan parameter algoritma simulated annealing digunakan sebagai kontrol dalam proses algoritma tersebut. Representasi yang digunakan
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1239 adalah representasi kromosom dengan bilangan integer. Contoh representasi kromosom dapat dilihat pada Gambar 2. Makan Pagi PL1 Makan Siang PL2 Makan Malam P1 PK N H S PL PK N H S PL PK N H S Gambar 2. Representasi Kromosom Berdasarkan Gambar 2 diketahui bahwa dalam satu kromosom terdapat 14 gen penyusun yang meliputi 4 gen bahan makan pagi, 1 gen bahan makan pelengkap1, 4 gen bahan makan siang, 1 gen bahan makan pelengkap2, dan 4 gen terakhir merupakan bahan makan malam. Untuk setiap kali makan terdapat 4 gen meliputi makanan pokok, sumber hewani, sumber nabati, dan sayuran. Nilai dari setiap gen direpresentasikan dengan kombinasi angka-angka random. Angkaangka tersebut berupa nilai integer dengan batas interval tertentu, dimana setiap angka dalam representasi tersebut mewakili satu indeks makanan dalam database. Makanan pokok memiliki indeks -11, sumber nabati memiliki indeks -2, sumber hewani memiliki indeks -31, sayuran memiliki indeks -32, dan pelengkap memiliki indeks -94. Setelah dilakukan inisialisasi populasi awal, langkah selanjutnya adalah reproduksi yang terdiri dari crossover dan mutasi. Crossover dilakukan dengan cara pertukaran silang antar kromosom parent sehingga dapat menghasilkan offspring atau individu baru. Metode crossover yang digunakan dalam penelitian ini adalah one-cut-point crossover. Jumlah offspring dihasilkan dari proses crossover didapatkan dari hasil perkalian antara crossover rate atau cr dengan popsize. Contoh proses crossover dapat dilihat pada Gambar 3. CUTPOINT P P C C Gambar 3. Crossover Mutasi merupakan operator genetika untuk menukarkan nilai gen dari suatu individu. Metode yang digunakan adalah reciprocal exchange mutation. Metode ini bekerja dengan memilih dua posisi titik tukar (XP) secara acak kemudian dilakukan penukaran nilai gen pada posisi tersebut. Jumlah offspring dihasilkan dari proses mutasi didapatkan dari hasil perkalian antara mutation rate atau mr dengan popsize. Contoh mutasi dapat dilihat pada Gambar 4. P P Gambar 4. Mutasi Langkah selanjutnya adalah perhitungan nilai fitness. Perhitungan nilai fitness dilakukan untuk mengetahui nilai setiap individu terhadap pelanggaran atau penalti yang telah ditentukan dengan rumus tertentu sebelumnya. Baik buruknya solusi yang dihasilkan dari proses optimasi dapat dinilai dari besarnya nilai fitness yaitu semakin besar nilai fitness yang dimiliki oleh suatu individu maka semakin baik solusi yang diberikan oleh individu tersebut dan sebaliknya. Persamaan dari nilai fitness yang digunakan dalam proses optimasi komposisi makanan untuk penderita hipertensi ini dapat dilihat pada Persamaan (9) berikut: Fitness = 1 penalti+1 (9) Penalti merupakan pelanggaran terhadap aturan yang telah ditetapkan. Dalam penelitian ini, penalti merupakan pelanggaran terhadap nilai kebutuhan gizi penderita hipertensi. Pelanggaran terjadi apabila nilai kandungan gizi makanan yang dihasilkan oleh sistem kurang maupun melebihi nilai gizi yang diperlukan penderita hipertensi. Nilai penalti diperoleh dari selisih antara kebutuhan gizi penderita hipertensi dengan kandungan gizi pada makanan hasil rekomendasi sistem. Perhitungan nilai penalti dapat dilihat pada Persamaan (1). Penalti = penalti energi + penalti karbohidrat + penalti protein + penalti lemak + penalti natrium + penalti kalium (1) Seleksi digunakan untuk memperoleh populasi baru sebanyak jumlah popsize yang dapat bertahan hidup untuk generasi selanjutnya berdasarkan besarnya nilai fitness. Semakin tinggi nilai fitness maka akan semakin besar peluang untuk masuk pada generasi selanjutnya. Dari proses seleksi akan didapatkan individu terbaik yang selanjutnya akan dijadikan masukkan pada simulated annealing yang selanjutnya disebut x p. Proses simulated annealing dimulai dengan melakukan proses neighborhood pada simulated annealing. Hasil individu dari proses neighborhood selanjutnya disebut x n. Proses selanjutnya adalah
5 Rata-Rata Fitness Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 124 menghitung nilai fitness hasil neighborhood. Setelah itu, menghitung selisih nilai fitness dengan menggunakan Persamaan (11). Δf = f(xn) f(xp) (11) Apabila selisih nilai fitness maka individu baru diterima untuk menggantikan individu awal. Namun apabila selisih nilai fitness (Δf) < maka dilakukan perhitungan probability acceptance dengan Persamaan (12), (13), dan (14). P = exp ( ( Δf )) (12) T R = rand( 1) (13) P > R (14) Apabila Persamaan (14) terpenuhi, maka individu baru diterima. Jika tidak, maka dilakukan penurunan temperatur menggunakan Persamaan (15) dan iterasi berulang. T = β T (15) 3. PENGUJIAN DAN ANALISIS HASIL 3.1. Pengujian Ukuran Populasi Pengujian ukuran populasi dilakukan 1 kali untuk masing-masing ukuran populasi. Jumlah generasi yang digunakan dalam uji coba adalah 1 dengan nilai cr=.6, nilai mr=.4, nilai suhu awal (T )=5, nilai suhu akhir (T n)=2, dan nilai cooling rate (β)=.1. Grafik pengujian ukuran populasi terhadap nilai fitness seperti pada Gambar Ukuran Populasi Gambar 5. Hasil Pengujian Ukuran Populasi Dari hasil pengujian didapatkan rata-rata nilai fitness terbaik dihasilkan pada popsize 1, sedangkan rata-rata nilai fitness terburuk dihasilkan pada popsize 1. Berdasarkan grafik pada Gambar 5, secara umum dapat disimpulkan semakin besar popsize, maka rata-rata fitness yang dihasilkan semakin besar pula karena semakin banyak solusi yang dapat dikembangkan sehingga mampu didapatkan solusi yang lebih baik Pengujian Kombinasi Crossover Rate dan Mutation Rate PopSize yang digunakan dalam percobaan adalah 1 dengan jumlah generasi 1, nilai suhu awal (T )=5, nilai suhu akhir (T n)=2, dan nilai cooling rate (β)=.1. Grafik pengujian kombinasi cr dan mr terhadap nilai fitness seperti pada Gambar 6. Rata-Rata Fitness Gambar 6. Hasil Pengujian cr dan mr Berdasarkan grafik pada Gambar 6, kombinasi cr dan mr yang digunakan dalam pengujian menghasilkan rata-rata fitness yang berbeda-beda. Rata-rata fitness terbaik pada cr =,6 dan mr=,4. Sedangakan rata-rata fitness terendah didapatkan pada cr=,1 dan mr=,9. Penentuan kombinasi crossover rate dan mutation rate sulit untuk dilakukan karena untuk permasalahan yang berbeda dibutuhkan nilai kombinasi cr dan mr yang berbeda pula. Nilai cr yang terlalu rendah dan mr yang terlalu besar mengakibatkan menurunnya kemampuan algoritma ntuk mengeksplorasi daerah optimum local. Namun jika cr terlalu besar dan mr terlalu kecil akan mengakibatkan konvergensi dini dimana tidak ada perubahan yang terlalu besar terhadap nilai fitness (Avicena, 216) Pengujian Nilai Temperatur Akhir ,1;,9,2;,8,3;,7,4;,6,5;,5,6;,4,7;,3,8;,2,9,,1 Cr ; mr Ukuran populasi yang digunakan dalam percobaan adalah 1 dengan jumlah generasi 1, nilai cr=.6, nilai mr=.4, nilai suhu awal (T )=5, dan nilai cooling rate (β)=.1. Grafik pengujian temperatur akhir terhadap nilai fitness seperti pada Gambar 7.
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1241 Rata-Rata Fitness Gambar 7. Hasil Pengujian Tempertaur Akhir Rata-Rata Fitness Dari hasil pengujian temperatur akhir, nilai fitness terbaik dihasilkan pada temperatur,2 yaitu dan nilai fitness terendah yang dihasilkan adalah pada temperatur 4 yaitu Sehingga dapat disimpulkan bahwa semakin kecil nilai temperatur akhir, maka solusi akan semakin baik karena semakin banyak iterasi yang dilakukan oleh algoritma simulated annealing. Semakin banyak iterasi yang dilakukan, maka akan semakin banyak kemungkinan mendapatkan individu yang lebih baik. Dan sebaliknya, semakin besar nilai temperatur akhir, maka solusi yang dihasilkan akan semakin buruk karena iterasi hanya dilakukan dalam jumlah yang kecil sehingga memperkecil kemungkinan untuk mendapatkan solusi yang lebih baik Pengujian Cooling Rate Ukuran populasi yang digunakan dalam percobaan adalah 1 dengan jumlah generasi 1, nilai cr=,6, nilai mr=,4, nilai suhu awal (T )=5, dan nilai suhu akhir (T n)=2. Nilai cooling rate (β) adalah rentang nilai antara -1. Untuk setiap nilai cooling rate dilakukan percobaan sebanyak 1 kali. Grafik pengujian cooling rate terhadap nilai fitness seperti pada Gambar 8. Rata-Rata Fitness ,2,4, Gambar 8. Hasil Pengujian Cooling Rate Dari hasil pengujian cooling rate (β) didapatkan nilai rata-rata fitness terbaik pada nilai β=,9. Sedangkan nilai rata-rata fitness terendah didapatkan pada nilai β=,1. Dari hasil Tn ,1,2,3,4,5,6,7,8,9 α grafik pada Gambar 6.4 dapat disimpulkan bahwa semakin besar nilai cooling rate, maka akan semakin tinggi nilai fitness yang didapatkan. Hal tersebut dikarenakan semakin besar nilai cooling rate, maka semakin banyak iterasi simulated annealing yang terjadi sehingga memungkinkan solusi yang dihasilkan akan lebih bervariasi sehingga memperbesar pula kemungkinan untuk mendapatkan solusi yang lebih optimal. Sebaliknya, semakin kecil nilai cooling rate maka semakin sedikit iterasi yang terjadi sehingga sedikit pula variasi yang didapatkan Pengujian Jumlah Generasi Ukuran populasi yang digunakan dalam percobaan adalah 1, nilai cr=,6, nilai mr=,4, nilai suhu awal (T )=5, nilai suhu akhir (T n)=2, dan cooling rate=,1. Untuk setiap nilai generasi dilakukan percobaan sebanyak 1 kali. Grafik pengujian cooling rate terhadap nilai fitness seperti pada Gambar Gambar 9. Hasil Pengujian Jumlah Generasi Dari hasil pengujian jumlah generasi nilai rata-rata fitness terbaik didapatkan pada generasi 2. Sedangkan nilai rata-rata fitness terendah didapatkan pada generasi 2. Dari hasil grafik diatas dapat disimpulkan bahwa semakin besar jumlah generasi, maka akan semakin tinggi nilai fitness yang didapatkan. Hal tersebut dikarenakan semakin besar jumlah generasi, semakin memungkinkan individu yang dihasilkan akan lebih bervariasi sehingga memperbesar pula kemungkinan untuk mendapatkan solusi yang lebih optimal. Sebaliknya, semakin kecil jumlah generasi maka semakin sedikit iterasi yang terjadi sehingga sedikit pula variasi yang didapatkan Pengujian Sistem Generasi Pengujian sistem dilakukan untuk membandingkan nilai gizi yang dibutuhkan oleh penderita hipertensi dengan nilai gizi hasil rekomendasi sistem optimasi komposisi
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1242 makanan untuk penderita hipertensi. Batas toleransi selisih nilai gizi yang ditetapkan oleh ahli gizi adalah ±1%. Untuk parameter algoritma genetika dan simulated annealing yang digunakan adalah hasil parameter terbaik dari pengujian parameter-parameter yang telah dilakukan sebelumnya yaitu popsize=1, jumlah generasi=2, cr=,6, mr=,4, temperatur awal (T )=5, temperatur akhir(t n)=,2, dan cooling rate (β)=,9. Data penderita hipertensi yang digunakan pada pengujian adalah sebagai berikut nama Ny. NM, jenis kelamin perempuan, usia 58 tahun, berat badan 54 kg, tinggi badan: 144 cm, tingkat sktivitas: ringan, tingkat stress: tidak ada stress, tingkat hipertensi: hypertension stage 1. Dengan menggunakan data diatas, didapatkan hasil pengujian sistem seperti pada Gambar 1. Gambar 1. Pengujian Sistem Berdasarkan Gambar 1, hasil pengujian sistem memberikan rekomendasi menu makanan dengan komposisi makanan untuk makan pagi terdiri dari nasi putih sebagai makanan pokok, sayur tempe sebagai sumber nabati, telur goreng sebagai sumber hewani, dan sayur asem sebagai sayuran. Komposisi makanan untuk pelengkap 1 berupa sate kentang. Komposisi makanan untuk makanan siang terdiri dari bubur nasi sebagai makanan pokok, tempe goreng sebagai sumber nabati, ikan cumi basah sebagai sumber hewani, dan sayur caisin sebagai sayuran. Komposisi makanan untuk pelengkap 2 berupa roti susu. Komposisi makanan untuk makan malam terdiri dari nasi putih sebagai makanan pokok, tempe koro benguk sebagai sumber nabati, telur goreng sebagai sumber hewani, dan sayur asem sebagai sayuran. Untuk nilai kebutuhan gizi penderita hipertensi dan nilai gizi menu makanan yang direkomendasikan oleh sistem dapat dilihat pada Tabel 1. Kebutuhan gizi Rekomendasi sistem Selisih nilai gizi % Selisih nilai gizi Tabel 2. Hasil Pemenuhan Gizi dari Sistem Energi Karbo Protein Lemak Natrium Kalium ,123%,95%,4772% 1,4388% % % Berdasarkan Tabel 1, diperoleh data kecukupan gizi energi dan lemak pada makanan melebihi kebutuhan gizi penderita hipertensi dengan selisih energi sebesar,123% dan selisih lemak sebesar 1,4388%. Kecukupan gizi karbohidrat dan protein pada makanan kurang dari kebutuhan gizi penderita hipertensi dengan selisih karbohidrat sebesar,95% dan selisih protein sebesar,4772%. Sedangkan kecukupan gizi natrium dan kalium pada makanan sesuai atau sama dengan kebutuhan gizi penderita hipertensi. Dari hasil pengujian tersebut dapat disimpulkan bahwa nilai gizi dari komposisi makanan yang direkomendasikan oleh sistem memenuhi batas toleransi yang ditetapkan oleh ahli gizi yaitu ±1%. 4. Kesimpulan Berdasarkan hasil pengujian dan analisis maka dihasilkan kesimpulan sebagai berikut: 1. Optimasi komposisi makanan untuk penderita hipertensi diselesaikan dengan menggunakan representasi kromosom bilangan integer. Setiap kromosom terdiri dari 14 gen. Setiap gen merepresentasikan indeks makanan dengan panjang berbedabeda. Makanan pokok memiliki indeks -11, sumber nabati memiliki indeks -2, sumber hewani memiliki indeks -31, sayuran memiliki indeks -32, dan pelengkap memiliki indeks -94. Optimasi komposisi makanan untuk penderita hipertensi menggunakan algoritma genetika dan simulated annealing dengan metode crossover one cut point, metode mutasi reciprocal exchange mutation, dan metode seleksi elitism. Individu terbaik dari algoritma genetika menjadi masukan pada simulated annealing. Metode neighborhood
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1243 pada simulated annealing digunakan untuk meningkatkan kualitas solusi agar tidak terjebak pada local optimum. 2. Penyelesaian masalah optimasi komposisi makanan untuk penderita hipertensi dipengaruhi oleh parameter algoritma genetika dan simulated annealing. Parameter algoritma genetika meliputi ukuran populasi, jumlah generasi, serta kombinasi nilai crossover rate dan mutation rate. Sedangkan parameter simulated annealing meliputi temperatur awal (T ), temperatur akhir (T n), dan cooling rate (β). Berdasarkan pengujian parameter algoritma genetika pada prosess pengujian didapatkan ukuran populasi terbaik sebesar 1, jumlah generasi terbaik sebesar 2, serta nilai kombinasi cr dan mr sebesar,6 &,4. Sedangkan untuk parameter simulated annealing didapatkan nilai temperatur akhir (T n) terbaik adalah,2 dan nilai cooling rate (β) terbaik adalah,9. 3. Berdasarkan pengujian sistem dapat disimpulkan bahwa secara umum penggunaan kombinasi algoritma genetika dan simulated annealing mampu menyelesaikan permasalahan optimasi komposisi makanan untuk penderita hipertensi dengan menghasilkan rekomendasi komposisi makanan dalam satu hari yang terdiri dari makan pagi, pelengkap 1, makan siang, pelengkap 2, dan makan malam yang kandungan gizinya berada dalam batas toleransi kecukupan gizi yang ditetapkan oleh ahli gizi. Kirkpatrick, S., Gelatt, C.D. & Vecchi, M. P., Optimization by Simulated Annealing. Science, vol. 22. Kumala, Meilani Peran Diet Dalam Pencegahan Dan Terapi Hipertensi. Journal of Medicine, vol.13, no.1, pp Kusumastuty, Inggita, Widyani, D., & Wahyuni, E.S., 216. Asupan Protein dan Kalium Berhubangan dengan Penurunan Tekanan Darah Pasien Hipertensi Rawat Jalan. Indonesian Jurnal of Human Nutrition, vol. 3, no.1, pp Mahmudy, W. F., 215. Dasar-Dasar Algoritma Evolusi. Malang: Universitas Brawijaya. Orkcu, H Subset Selection in Multiple Linear Regression Models: A Hybrid of Genetic and Simulated Annealing Algorithms. Applied Mathematics and Computation 219. U.S. Department of Health and Human Serices. 24. The Seventh Report of the Joint National Committee on Prevention, Detection, Evaluation, and Treatment of High Blood Pressure. National Institute of Health. DAFTAR PUSTAKA Avicena, A., Cholissodin, I., & Mahmudy, W.F., 216. Optimasi Penjadwalan Pengawas Ujian Semester Menggunakan Hibridasi Algoritma Genetika dan Simulated Annealing (Studi kasus: Fakultas Ilmu Komputer Universitas Brawijaya). DORO: Repositori Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 7, no. 32. Depkes. 26. Pedoman Teknis Penemuan dan Tatalaksana Penyakit Hipertensi. Jakarta: Departemen Kesehatan RI. Kurniawan, Anie. 22. Gizi Seimbang Untuk Mencegah Hipertensi. Jakarta: Direktorat Gizi Masyarakat.
Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2892-2901 http://j-ptiik.ub.ac.id Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi
Lebih terperinciOptimasi Komposisi Menu Makanan bagi Penderita Tekanan Darah Tinggi Menggunakan Algoritme Genetika Adaptif
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 2, Februari 2018, hlm 515-522 e-issn: http://j-ptiik.ub.ac.id Optimasi Komposisi Menu Makanan bagi Penderita Tekanan Darah Tinggi Menggunakan
Lebih terperinciPenyusunan Bahan Makanan Keluarga Penderita Penyakit Hiperkolesterolemia Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2979-2986 http://j-ptiik.ub.ac.id Penyusunan Bahan Makanan Keluarga Penderita Penyakit Hiperkolesterolemia
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciOptimasi Daftar Bahan Makanan Untuk Pasien Rawat Jalan dan Keluarga Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 342-351 http://j-ptiik.ub.ac.id Optimasi Daftar Bahan Makanan Untuk Pasien Rawat Jalan dan
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciPenentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 63-68 http://j-ptiik.ub.ac.id Penentuan Portofolio Saham Optimal Menggunakan Algoritma Genetika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Gizi 2.1.1 Jenis-Jenis Zat Gizi Zat gizi dapat dibedakan menjadi dua kelompok sesuai kebutuhan, yaitu makronutrien dan mikronutrien. Makronutrien adalah zata-zat makanan yang
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme Genetika (Studi Kasus: SMK Negeri 2 Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 10, Oktober 2017, hlm. 1066-1072 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritme
Lebih terperinciOPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI JADWAL MENGAJAR ASISTEN LABORATORIUM MENGGUNAKAN ALGORITMA GENETIKA Indana Zulfa 1, Wayan Firdaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciOptimasi Komposisi Makanan Pada Penderita Diabetes Melitus dan Komplikasinya Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., April, hlm. - http://j-ptiik.ub.ac.id Optimasi Komposisi Makanan Pada Penderita Diabetes Melitus dan Komplikasinya Menggunakan
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto)
Optimasi Penjadwalan Mata Pelajaran Menggunakan Algoritma Genetika (Studi Kasus : SMPN 1 Gondang Mojokerto) Dianita Dwi Permata Sari 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 3 Teknik Informatika,
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinciSerealia, umbi, dan hasil olahannya Kacang-kacangan, bijibijian,
4 generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut.
Lebih terperinciOptimasi Menu Makanan Untuk Pemenuhan Gizi Penderita Kanker Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1850-1857 http://j-ptiik.ub.ac.id Optimasi Menu Makanan Untuk Pemenuhan Gizi Penderita Kanker
Lebih terperinciOPTIMASI KOMPOSISI MAKANAN UNTUK PENDERITA KOLESTEROL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI KOMPOSISI MAKANAN UNTUK PENDERITA KOLESTEROL MENGGUNAKAN ALGORITMA GENETIKA Nurbaiti Wahid 1, Wayan Firdaus Mahmudy 2 1 Mahasiswa, 2 Dosen Pembimbing Teknik Informatika, Program Teknologi Informasi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB
Journal of Environmental Engineering & Sustainable Technology Vol. 02 No. 01, July 2015, Pages 06-11 JEEST http://jeest.ub.ac.id PENERAPAN ALGORITMA GENETIKA UNTUK MEMAKSIMALKAN LABA PRODUKSI JILBAB Samaher
Lebih terperinciPENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 48-55 PENJADWALAN KAPAL PENYEBERANGAN MENGGUNAKAN ALGORITMA GENETIKA Ria Febriyana 1, Wayan Firdaus Mahmudy 2 Program
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI
IMPLEMENTASI ALGORITMA GENETIKA PADA OPTIMASI BIAYA PEMENUHAN KEBUTUHAN GIZI Monica Intan Pratiwi 1, Wayan Fidaus Mahmudy, Candra Dewi Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciOPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PENJADWALAN PERAWAT MENGGUNAKAN ALGORITMA GENETIKA Rifqy Rosyidah Ilmi 1, Wayan Firdaus Mahmudy 2, Dian Eka Ratnawati 2 1 Mahasiswa, 2 Dosen Pembimbing Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPrediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan Metode Genetic-Based Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 4, April 2017, hlm. 341-351 http://j-ptiik.ub.ac.id Prediksi Jumlah Pengangguran Terbuka di Indonesia menggunakan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Sistem Berjalan 3.1.1. Penyusunan Menu Makanan Dalam penyusunan menu makanan banyak hal yang perlu diperhatikan, terutama jika menu makanan yang disusun untuk
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciPenerapan Algoritme Genetika Untuk Penjadwalan Latihan Reguler Pemain Brass Marching Band (Studi Kasus: Ekalavya Suara Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2950-2956 http://j-ptiik.ub.ac.id Penerapan Algoritme Genetika Untuk Penjadwalan Latihan
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciOPTIMASI PEMILIHAN ANTIHIPERTENSI MENGGUNAKAN ALGORITMA GENETIKA
Prosiding Seminar Nasional Teknologi dan Rekayasa Informasi Tahun 2016 Peran Teknologi dan Rekayasa Informasi dalam Implementasi Geostrategi Indonesia Malang, 18 Oktober 2016 OPTIMASI PEMILIHAN ANTIHIPERTENSI
Lebih terperinciOptimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret, hlm. - http://j-ptiik.ub.ac.id Optimasi Pembagian Barang Alat Tulis Kantor Menggunakan Algoritme Genetika Ardiansyah
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciPenerapan Parallel Genetic Algorithm untuk Optimasi Penyusunan Bahan Makanan Keluarga Penderita Hiperkolesterolemia
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer eissn: 248964X Vol. 2, No. 8, Agustus 218, hlm. 2343231 http://jptiik.ub.ac.id Penerapan Parallel Genetic Algorithm untuk Optimasi Penyusunan Bahan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Makanan merupakan salah satu hal utama untuk mendukung tubuh dalam melakukan berbagai aktifitas. Kandungan berbagai unsur penting dalam makanan seperti karbohidrat,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN PERMINTAAN BARANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 3, September 2016, hlm. 169-173 PENERAPAN ALGORITMA GENETIKA UNTUK PENENTUAN BATASAN FUNGSI KENGGOTAAN FUZZY TSUKAMOTO PADA KASUS PERAMALAN
Lebih terperinciImplementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol., No. 6, Juni 207, hlm. 456-465 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika Dalam Penentuan Kebutuhan Gizi Bayi MPASI
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 218, hlm. 276-2712 http://j-ptiik.ub.ac.id Optimasi Fungsi Keanggotaan Fuzzy Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Kebutuhan Gizi untuk Balita Menggunakan Hybrid Algoritma Genetika dan Simulated Annealing
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1668-1677 http://j-ptiik.ub.ac.id Optimasi Kebutuhan Gizi untuk Balita Menggunakan Hybrid
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciSistem Rekomendasi Bahan Makanan Bagi Penderita Penyakit Jantung Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 8-9X Vol., No., November, hlm. - http://j-ptiik.ub.ac.id Sistem Rekomendasi Bahan Makanan Bagi Penderita Penyakit Jantung Menggunakan Algoritma
Lebih terperinciRANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA
ABSTRAKSI RANCANG BANGUN SISTEM PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN MENGGUNAKAN ALGORITMA GENETIKA Tedy Rismawan, Sri Kusumadewi Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN KOMPOSISI BAHAN PANGAN HARIAN Tedy Rismawan 1, Sri Kusumadewi 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Islam Indonesia e-mail: 1
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1152-1159 http://j-ptiik.ub.ac.id Implementasi Algoritma Genetika Pada Metode AHP dan SAW
Lebih terperinciPenerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum
Penerapan Algoritma Genetika untuk Penjadwalan Asisten Praktikum Okky Cintia Devi 1, Wayan Fidaus Mahmudy 2, Budi Darma Setiawan 3 Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
Lebih terperinciOptimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah Kecelakaan Sepeda Motor Dengan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1932-1939 http://j-ptiik.ub.ac.id Optimasi Pemodelan Regresi Linier Berganda Pada Prediksi Jumlah
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciOptimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -96X Vol., No., Juli, hlm. 6-69 http://j-ptiik.ub.ac.id Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
Lebih terperinciOPTIMASI ASUPAN GIZI PADA IBU HAMIL DENGAN MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI ASUPAN GIZI PADA IBU HAMIL DENGAN MENGGUNAKAN ALGORITMA GENETIKA Ayu Puspo Sari 1, Wayan Firdaus Mahmudy, Candra Dewi. Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciPEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 59-65 PEMODELAN REGRESI NON LINEAR MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI KEBUTUHAN AIR PDAM KOTA MALANG Vitara
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciOptimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm. 69-74 http://j-ptiik.ub.ac.id Optimasi Komposisi Pakan Sapi Perah Menggunakan Algoritma Genetika
Lebih terperinciOptimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika (Studi Kasus: SMA Negeri 1 Turatea)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, Juli 2018, hlm. 1768-1777 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Moving Class Menggunakan Algoritma Genetika
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 9, September 2018, hlm. 2957-2964 http://j-ptiik.ub.ac.id Optimasi Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Menggunakan
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X Vol., No., Maret 0, hlm. - http://j-ptiik.ub.ac.id Optimasi Penjadwalan Asisten Praktikum pada Laboratorium Pembelajaran Menggunakan
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciImplementasi Algoritma Genetika Untuk Optimasi Komposisi Makanan Bagi Penderita Diabetes Mellitus
Implementasi Algoritma Genetika Untuk Optimasi Komposisi Makanan Bagi Penderita Diabetes Mellitus Artika Rianawati 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya,
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Evolution Strategies pada PT. Kereta Api Indonesia (KAI) DAOP 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2473-2479 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Evolution
Lebih terperinciOptimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir
IJCCS, Vol.6, No.1, January 2012, pp. 101~110 ISSN: 1978-1520 101 Optimasi Cluster Pada Fuzzy C-Means Menggunakan Algoritma Genetika Untuk Menentukan Nilai Akhir Putri Elfa Mas`udia* 1, Retantyo Wardoyo
Lebih terperinciOptimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme Evolution Strategies
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 1874-1882 http://j-ptiik.ub.ac.id Optimasi Penataan Barang pada Proses Distribusi Menggunakan Algoritme
Lebih terperinciImplementasi Genetic Algorithm Dan Artificial Neural Network Untuk Deteksi Dini Jenis Attention Deficit Hyperactivity Disorder
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februari 2018, hlm. 688-694 http://j-ptiik.ub.ac.id Implementasi Genetic Algorithm Dan Artificial Neural Network
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciMETODE PENELITIAN Desain, Tempat dan Waktu Jumlah dan Cara Pengambilan Contoh Jenis dan Cara Pengumpulan Data
METODE PENELITIAN Desain, Tempat dan Waktu Penelitian ini merupakan cross sectional survey karena pengambilan data dilakukan pada satu waktu dan tidak berkelanjutan (Hidayat 2007). Penelitian dilakukan
Lebih terperinciPenerapan Evolution Strategies untuk Optimasi Travelling Salesman Problem With Time Windows pada Sistem Rekomendasi Wisata Malang Raya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 2018, hlm. 2487-2493 http://j-ptiik.ub.ac.id Penerapan Evolution Strategies untuk Optimasi Travelling Salesman
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciOptimasi distribusi barang dengan algoritma genetika
Optimasi distribusi barang dengan algoritma genetika Yasmin Ghassani Panharesi 1, Wayan Firdaus Mahmudy 2 Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : yasminghassani@gmail.com 1,
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciOptimasi Menu Makanan Bagi Pasien Gagal Ginjal Menggunakan Algoritme Lebah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1698-1703 http://j-ptiik.ub.ac.id Optimasi Menu Makanan Bagi Pasien Gagal Ginjal Menggunakan
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 5, Mei 2018, hlm. 2000-2006 http://j-ptiik.ub.ac.id Penyelesaian Multiple Travelling Salesman Problem (M-TSP) Dengan
Lebih terperinciOptimasi Komposisi Pupuk Tanaman Jagung Menggunakan Algoritme Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2534-2541 http://j-ptiik.ub.ac.id Optimasi Komposisi Pupuk Tanaman Jagung Menggunakan Algoritme
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciPelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk Memprediksi Harga Saham Esok Hari (T+1)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 58-96X Vol., No. 6, Juni 08, hlm. 30-308 http://j-ptiik.ub.ac.id Pelatihan Multi-Layer Neural Network Menggunakan Algoritma Genetika untuk
Lebih terperinciPenentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan Metode AHP dan Algoritma Genetika (Studi Kasus : PT. Telkom Witel Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1742-1749 http://j-ptiik.ub.ac.id Penentuan Lokasi Pasang Baru Wifi.id Corner Menggunakan
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
Lebih terperinciPenerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 100-107 http://j-ptiik.ub.ac.id Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing
Lebih terperinciBAB I PENDAHULUAN. Kemajuan teknologi dan ilmu pengetahuan terutama di bidang kesehatan,
BAB I PENDAHULUAN A. Latar Belakang Kemajuan teknologi dan ilmu pengetahuan terutama di bidang kesehatan, membuat usia harapan hidup manusia relatif bertambah panjang. Menurut United Nations: World Population
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciAlgoritma Evolusi Topik Lanjut Pada GA
Algoritma Evolusi Topik Lanjut Pada GA Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Hybrid Genetic Algorithms (HGAs) 2. Parallel Genetic Algorithms (PGAs) 3. Nilai Parameter Adaptif 4.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan jaman, peran komputer semakin banyak di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai alat
Lebih terperinciPenerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan Produksi Pakaian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 218, hlm. 2168-2172 http://j-ptiik.ub.ac.id Penerapan Genetic Algorithm Untuk Optimasi Peningkatan Laba Persediaan
Lebih terperinciDeteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest Neighbor Teroptimasi (Studi Kasus: Puskeswan Klinik Hewan dan Satwa Sehat Kota Kediri)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1295-1301 http://j-ptiik.ub.ac.id Deteksi Penyakit Kucing dengan Menggunakan Modified K-Nearest
Lebih terperinciOptimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma Genetika (Studi Kasus PSLD Universitas Brawijaya)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 774-782 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Damping Mahasiswa Difabel Menggunakan Algoritma
Lebih terperinciPEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA
PEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA Ida Wahyuni 1, Wayan Firdaus Mahmudy 2 1,2 Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Jl.
Lebih terperinciAlgoritma Evolusi Evolution Strategies (ES)
Algoritma Evolusi Evolution Strategies (ES) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Struktur Dasar Evolution Strategies (ES) 2. Siklus ES (µ, λ) 3. Siklus ES (µ/r + λ) 4. Studi Kasus
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinci