Optimasi Komposisi Makanan Bagi Penderita Hipertensi Menggunakan Metode Particle Swarm Optimization

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer e-issn: X Vol. 1, No. 10, Okober 2017, hlm hp://j-piik.ub.ac.id Opimasi Komposisi Makanan Bagi Penderia Hiperensi Menggunakan Meode Paricle Swarm Opimizaion Ayuliania A Boesari 1, Dian Eka Ranawai 2, Tiis Sari Kusuma 3 Program Sudi Teknik Informaika, @mail.ub.ac.id, 2 dian_ilkom@ub.ac.id, 3 iis_fahreza.fk@ub.ac.id Absrak Indonesia menempai uruan ke-2 erbesar di kawasan Asia Tenggara dalam angka kemaian yang diakibakan oleh Hiperensi. Salah sau cara dalam pengobaan penyaki Hiperensi adalah dengan melakukan pengendalian bera badan dan pengurangan kadar garam yang dikonsumsi. Unuk memecahkan masalah ersebu digunakan meode Paricle Swarm Opimizaion (PSO). Tahapan dalam algorime PSO adalah membangun populasi awal, inisialisasi kecepaan awal, perhiungan finess, peneuan pbes dan gbes, perubahanan kecepaan dan perubahan posisi. Represenasi parikel yang digunakan berupa indeks makanan, dimana seiap parikelnya memiliki jumlah dimensi sebesar 14 yang menunjukkan jumlah fiur yang erdiri dari makan pagi, makanan pelengkap1, makan siang, makanan pelengkap2 dan makan malam. Masing-masing fiur ersebu erdiri makanan pokok, sumber proein nabai, sumber proein hewani dan sayuran sera pelengkap. Parameer PSO yang digunakan dalam pegujian ersebu yaiu: jumlah ierasi sebesar 130, jumlah parikel sebesar 100 dan nilai w min dan w max yang digunakan adalah 0,4 dan 0,5. Berdasarkan uji coba dari 4 kasus pasien, dapa dinyaakan bahwa sisem dapa menghasilkan rekomendasi makanan yang dapa memenuhi kecukupan gizi sebesar ±10% dalam baas oleransi yang dienukan. Kaa Kunci: komposisi makanan, hiperensi, Algorime Paricle Swarm Opimizaion. Absrac Indonesia ranks 2nd larges in Souheas Asia in he number of deahs caused by Hyperension. One way o reamen Hyperension disease is o conrol weigh and reduce he amoun of sal consumed. To solve he problem used Paricle Swarm Opimizaion (PSO) mehod. Sages in he PSO algorihm are building he iniial populaion, building iniial velociy, finess calculaions, pbes and gbes deerminaions, velociy and posiion updae. The represenaion of he paricles used is he food index. The number of dimensions used is 14. The number of dimensions indicaes he number of feaures consising of breakfas, complemenary food, lunch, complemenary meals and dinner. Each feaures consising of saple foods, sources of plan proein, sources of animal proein, vegeable and appendages. PSO parameers used in he es are: he number of ieraions used is 130, he number of paricles used is 100 and he value of w min and w max used are 0,4 and 0,5. Based on rials of 4 cases of paiens, i can be saed ha he sysem can produce food recommendaions Tha can fulfill he nuriional adequacy of ± 10% wihin he specified olerance limis. Keywords: food composiion, hyperension, Paricle Swarm Opimizaion Algorihm. 1. PENDAHULUAN Pengauran pola makan dan jenis makanan yang akan dikonsumsi merupakan fakor yang pening dalam menjaga kesehaan (McCarrison, 2015). Makanan yang menyediakan nurisi yang epa, sanga dibuuhkan oleh ubuh. Makanan yang seha harus berisi seidaknya komponen makronurisi, yaiu: karbohidra, lemak, proein. Berdasarkan survei yang elah dilakukan oleh Food Consumion Survey (FCS) (2014), masyaraka Indonesia mengkonsumsi lebih banyak karbohidra dalam makanannya (Anonim, 2014). Salah sau penyaki yang imbul karenanya adalah Hiperensi. Hiperensi aau yang sering dikenal dengan ekanan darah inggi adalah kondisi dimana banyaknya cairan darah yang harus dipompa oleh janung, sehingga pembuluh darah secara Fakulas Ilmu Kompuer Universias Brawijaya 1158

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1159 erus menerus melakukan penekanan pada dinding areri (pembuluh darah) (WHO, 2015). Berdasarkan survey yang dilakukan Word Healh Organizaion (WHO), Indonesia menempai uruan ke-2 erbesar di kawasan Asia Tenggara dalam angka kemaian yang diakibakan oleh Hiperensi, hal ersebu erus mengalami peningkaan dari ahun-ahun sebelumnya (WHO, 2014). Salah sau langkah mengobai penyaki Hiperensi adalah pengendalian bera badan dan pengurangan kadar garam yang dikonsumsi, hasil peneliian yang dilakukan oleh Clinical Trial (2003), membukikan hal ersebu dapa menurunkan ekanan darah sebesar 5 mm Hg sampai dengan 10 mm Hg (WHO, 2014). Unuk mengaasi permasalahan ersebu, digunakan meode Paricle Swarm Opimizaion (PSO). PSO adalah salah sau algorime yang erinspirasi dari ingkah laku segerombolan makhluk hidup. Algorime PSO memiliki beberapa kelebihan dalam kemudahan implemenasi, kecepaan pemilihan solusi dan dalam pengembangannya hanya parikel yang paling opimal yang dapa berahan sebagai generasi selanjunya (Qinghai Bai, 2010). Algorima PSO memiliki nilai akurasi yang inggi, dengan nilai 95% pada permasalahan image classificaion (G. Omran e. al, 2004), sera dapa mengurangi waku produksi selama 0, meni (Mohankumar e. al, 2011). Pada kasus peneliian PSO lainnya, algorime PSO dapa memenuhi kebuuhan keluarga sebesar 10% dan menghema biaya konsumsi sebesar 39.31% (Elianara e. al, 2016), sera dapa memenuhi gizi ale sebesar 10% dari 4 kasus yg diujikan (Zilfikri Yulfiandi R. e. al, 2016). Peneliian ini diharapkan dapa membanu Pasien aaupun ahli gizi dalam merekomendasikan makanan, sehingga dapa membanu pengobaan Pasien, meminimalisasi erjadinya human error sera dapa memberikan hasil komposisi makanan dengan kadar die yang opimal. 2. DASAR TEORI 2.1. Hiperensi Hiperensi yang juga dikenal sebagai ekanan darah inggi adalah suau kondisi di mana pembuluh darah elah erus-menerus melakukan ekanan. Tekanan ersebu diakibakan oleh kekuaan darah mendorong erhadap dinding pembuluh darah (areri) seperi yang dilakukan oleh janung. Seiap kali janung berdeak, janung akan memompa ke dalam pembuluh dan membawa darah ke seluruh ubuh. Semakin inggi ekanan, semakin suli janung harus memompa (WHO, 2015). Tekanan darah orang dewasa normal didefinisikan berkisar anara 120 mm Hg keika janung berdeak (sisolik) dan 80 mm Hg pada saa janung berelaksasi (diasolik). Keika ekanan darah sisolik sama dengan aau di aas 140 mm Hg dan aau ekanan darah diasolik sama dengan aau di aas 90 mm Hg ekanan darah dianggap inggi. Terdapa beberapa fakor, baik lingkungan maupun fakor penyaki lain yang dapa menyebabkan aaupun memperparah Hiperensi. Fakor ini anara lain: Penggunaan embakau, die yang idak seha, penggunaan alkohol, kurangnya akivias fisik, paparan sres yang erus-menerus, obesias (kelebihan bera badan), ingka koleserol yang inggi dan penyaki diabees mellius. Perubahan gaya hidup, seperi berheni merokok, die seha, berolahraga secara eraur dan menghindari penggunaan berbahaya dari alkohol, cukup unuk mengonrol ekanan darah. Selain iu, pengurangan asupan garam, memakan makanan inggi kalium dan obaobaan unuk mengonrol ekanan darah, juga dapa membanu mengurangi ekanan darah (JB. Suharjo e. al, 2008). Kadar garam yang dianjurkan kepada Pasien Hiperensi berdasarkan jenisnya adalah sebagai beriku mgna unuk jenis Hiperensi Prehyperension. Unuk Hyperension Sage 1, jumlah konsumsi garam yang dianjurkan adalah mgna. Sedangkan unuk Hyperension Sage 2, jumlah konsumsi garam yang dianjurkan adalah mgna. Sedangkan Kebuuhan kalium diperkirakan sebanyak 2000 mg per-harinya (Almasier, 2004) Penderia ekanan darah inggi, dapa juga memiliki gula darah inggi aau yang dikenal dengan penyaki diabees, koleserol inggi aau kerusakan ginjal, bahkan risiko yang lebih inggi, seperi serangan janung dan sroke. Oleh karena iu, sanga pening unuk melakukan pemeriksaan ruin unuk gula darah, koleserol darah dan albumin urine secara eraur bagi penderia Hiperensi Perhiungan Gizi Pasien Beriku ini adalah langkah yang dilakukan

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1160 unuk menghiung kalori: 1. Perhiungan IMT (Indeks Massa Tubuh) Formula ini digunakan unuk mengukur bera badan ideal. Perhiungan IMT dapa dilakukan dengan Persamaan (1). IMT = BB/(TB x TB) (1) Pada Persamaan (1), BB merupakan bera badan (dalam ukuran kg), TB merupakan inggi badan (dalam ukuran m). Seelah iu, dilakukan peneapan jenis bera badan, yaiu: kurus, normal, kegemukan dan obesias yang masingmasingnya berbeda unuk pria dan wania. 2. Perhiungan BBI (Bera Badan Ideal) Perhiungan BBI dilakukan sanga sederhana dengan berdasarkan inggi badan, perhiungan ini erdapa pada Persamaan (2). BBI = (TB 100) (10% (TB 100)) (2) 3. Perhiungan AMB (Angka Meabolisme Basal) AMB adalah jumlah energi yang dikeluarkan saa sisem pencernaan idak akif. Dalam rumus perhiungan AMB unuk pria dan wania berbeda, unuk lebih rinci rumus perhiungan AMB erdapa pada Persamaan (3) unuk pria dan (4) unuk wania. AMB = 66 + (13,7 BB) + (5 TB) (6.8 U) (3) AMB = (9,6 BB) + (1,8 TB) (4.7 U) (4) Pada Persamaan (3) dan (4) U merupakan umur. Jika pada hasil perhiungan IMT yang erdapa pada Persamaan (3) dan (4) hasilnya idak ermasuk ke dalam kaegori bera badan normal, maka nilai BB yang digunakan adalah hasil perhiungan BBI, jika sebaliknya, nilai BB yang digunakan bera badan asli dari Pasien. 4. Menghiung Toal Kalori Seelah iu, dilakukan perhiungan kalori berdasarkan AMB, ingka akifias dan juga fakor sress. Perhiungan lebih deailnya erdapa pada Persamaan (5). Kalori = AMB FA FS (5) Pada Persamaan (5), AMB merupakan angka hasil AMB, FA merupakan fakor akifias, FS merupakan fakor sress. Seelah iu, dilakukan perhiungan yang erdapa Persamaan (6), (7) dan (8). Karbohidra (Kkal) = 65% x Kalori (6) Proein (Kkal) = 15% x Kalori (7) Lemak (Kkal) = 20% x Kalori (8) 2.3. Algorime Paricle Swarm Opimizaion (PSO) Algorime PSO diperkenalkan oleh Dr. Eberhar dan Dr. Kennedy pada ahun 1995, merupakan algorime opimasi yang meniru proses yang erjadi dalam kehidupan populasi burung dan ikan dalam berahan hidup (Dorigo, M., 2016). Langkah awal dalam algorime PSO adalah inisialisasi posisi x dan juga kecepaan awal v. Unuk melakukan inisialisasi posisi awal parikel dibangkikan secara acak dengan menggunakan x min yang merupakan baas minimum dari posisi dan x max yang merupakan baas maksimum posisi, bilangan random yang digunakan adalah anara 0 dan 1, unuk penjelasan lebih lanju erdapa pada Persamaan (9). x = x min + rand[0,1] (x max x min ) (9) Seelah iu, dilakukan inisialisasi kecepaan awal parikel dengan nilai 0. Seelah proses algorime Paricle Swarm Opimazaion (PSO) memasuki ierasi ke-1, maka dilakukan perubahan kecepaan. Perubahan kecepaan dihiung menggunakan Persamaan (12). v +1 i,j = w. v i,j + c 1. r 1 (Pbes i,j x i,j ) + c 2. r 2 (Gbes g,j x i,j ) (10) Pada Persamaan (12), v i,j merupakan kecepaan parikel ke-i pada dimensi ke-j pada ierasi ke-. w merupakan bobo ineria, c 1, c 2 merupakan koefisien akselerasi yang memenuhi kondisi c1 + c2 4, r 1, r 2 merupakan bilangan acak R r[0,1],x i,j merupakan posisi parikel ke-i pada dimensi ke-j pada ierasi ke-, Pbes i,j merupakan posisi erbaik yang dicapai parikel, sedangkan Gbes g,j merupakan posisi erbaik dari seluruh parikel. Banyak varian pengendali bobo inersia elah diperkenalkan oleh para penelii, salah sau dengan menggunakan rumus TVIW (Time Varian Ineria Weigh). Perubahan nilai bobo inersia dilakukan dengan menggunakan rumus pada persamaan (11). w = w min + (w max w min ) max i max (11) Pada Persamaan (11), w min dan w max merupakan baas minimum dan maksimum dari bobo inersia, max dan i merupakan jumlah ierasi maksimum dan

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1161 ierasi ke-i. Dalam implemenasi PSO, erkadang diemukan parikel memiliki kecenderungan unuk keluar dari ruang baas pencarian. Perlu adanya pembaasan kecepaan, sehingga kecepaan eap berada di dalam baas [v max, v min ]. Hal ersebu dilakukan dengan menggunakan Persamaan (12) (Marini & Walczak, 2015). v minj = v maxj v maxj = k x maxj x minj, k (0,1] (12) 2 Pada persamaan (12), v minj dan v maxj merupakan kecepaan minimum dan maksimum parikel pada dimensi ke -j, sedangkan k merupakan konsana (bilangan random (0,1]). Pendekaan yang diusulkan unuk membaasi kecepaan parikel ke-i dalam j dimensi, berdasarkan pada Persamaan (13) dan (14) (Marini & Walczak, 2015). jika v +1 ij > v maxj maka v +1 ij = v maxj (13) jika v +1 ij < v maxj maka v +1 ij = v maxj (14) Pada Persamaan (13) dan (14) v +1 ij merupakan kecepaan parikel ke-i pada dimensi ke-j pada ierasi ke-( + 1) Seelah dilakukan pembaasan kecepaan, maka akan dilakukan penalizing unuk menganisipasi jika kecepaan, menghasilkan posisi parikel baru di luar baas baas ruang pencarian. Penalizing dilakukan dengan menggunakan persamaan (15). jika v ij + x ij > x maxj aau v ij + x ij < x maxj maka v ij = 0, x ij = Mah. Abs(x ij ) (15) Seiring dengan berubahnya kecepaan, maka erjadi perubahan posisi paikel. yang dapa di hiung dengan persamaan (16): x i,j = x i,j + v i,j (16) Beriku adalah Pseudocode algorime PSO yang erdapa pada Gambar 1 (Cholissodin I., 2016). mulai = 0 inisialisasi parikel(x i,j ),kecepaan(v i,j = 0), hiung finess iap parikel, Pbes i,j = x i,j, dan Gbes g,j do = + 1 updae kecepaan v i,j () updae posisi x i,j () hiung finess iap parikel updae Pbes i,j ()dan Gbes g,j () while (bukan kondisi berheni) selesai Gambar 1. Pseudocode PSO 3. METODOLOGI Pada peneliian ini, dilakukan sudi lieur erkai permasalahan yang diangka, melipui: Komposisi makanan, Hiperensi, Perhiungan Gizi dan algorima PSO. Unuk daa makanan pasien bersumber dari daa yang erdapa pada nurrisurvey dan hps:// Sedangkan daa Pasien yang digunakan dalam peneliian adalah daa Pasien penderia Hiperensi di Klinik Aldifarma Tabiang Padang pada bulan Februari Kandungan gizi makanan yang digunakan adalah kadar kalori, karbohidra, proein, lemak, narium dan kalium. Dilakukan perhiungan kadar kalori porsi makan unuk makan pagi, makan siang, makan malam sera makanan pelengkap1 dan pelengkap2. Pada peneliian ini juga dilakukan evaluasi kesamaan makanan unuk makanan pagi, siang dan malam, sera idak dilakukan evaluasi harga pada makanan. Pada peneiian ini sisem dibangun menggunakan bahasa pemograman Java. 4. PERANCANGAN SISTEM Perancangan sisem secara keseluruhan dapa diliha pada Gambar 2. Pada Gambar 2 dapa diliha bahwa saa sisem dijalankan Pengguna akan memasukkan daa berupa nama, umur, jenis kelamin, bera badan, inggi badan, ingka akifias dan fakor sress. Seelah iu, akan erdapa masukan berupa parameer PSO, yaiu jumlah ierasi, nilai w min dan w max. Seelah iu, akan dihiung kebuuhan gizi dari Pasien. Tahapan selanjunya adalah melakukan penyimpanan dari basis daa ke dalam array berupa nilai gizi dari seiap jenis makanan. Langkah selanjunya adalah melakukan proses pencarian rekomendasi makanan dengan menggunakan meode PSO. Seelah iu, akan dilakukan perubahan dari kode parikel dengan nama dan kandungan gizi makanan yang sudah ersimpan di basis daa. Proses ini dilakukan dengan cara menyamakan kode indeks yang ada pada basis daa dengan kode indeks yang dihasilkan algorime PSO. Sehingga didapakan hasil keluaran berupa rekomendasi makanan yang dapa dibaca oleh

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1162 Pengguna. Gambar 2 Perancangan Sisem 3.1. Menghiung Kebuuhan Gizi Pasien Daa yang dibuuhkan dalam menghiung kebuuhan gizi Pasien berupa daa umur, bera badan dalam ukuran kg, inggi badan dalam ukuran cm, jenis kelamin, ingka akifias, ingka fakor sress, dan ingka ekanan darah. Adapun conoh permasalahan yang akan diselesaikan secara manual adalah sebagai beriku. Terdapa Pasien dengan nama Ny. NN dengan umur 41 ahun, memiliki bera badan 44 kg, inggi badan 153 cm, berjenis kelamin perempuan memiliki pekerjaan PNS dan ekan darah 150/100 mmhg. Tahapan perama yang dilakukan adalah melakukan perhiungan IMT. dengan menggunakan Persamaan (1), seperi beriku. IMT = Mulai Daa Pasien, Parameer PSO Hiung Kebuuhan gizi Pasien Melakukan Penyimpanan basis daa yang berisi gizi dari makanan ke dalam array Algorime PSO Proses Perubahan Kode Parikel dengan Nama dan kandungan gizi makanan yang sudah ersimpan di Basis Daa Rekomendasi Komposisi Makanan Selesai 44 kg 1,53 m 1,53 m = 18,7962 Berdasarkan hasil yang didapakan menyaakan Pasien ersebu ermasuk kaegori bera badan normal. Tahapan selanjunya adalah melakukan perhiungan AMB. dengan menggunakan Persamaan (4) AMB = (9,6 44 kg) + (1,8 153 cm) (4,7 41) = 1160 Seelah didapakan AMB (Angka Meabolisme Basal), ingka fakor akifias dan ingka fakor sress, maka dihiung oal kalori harian dari Pasien. Perhiungan oal kalori harian Pasien dilakukan dengan menggunakan rumus yang erdapa pada Persamaan (2.5). Toal Kalori = = 2337,6015 Kkal Tahapan selanjunya adalah melakukan perhiungan karbohidra, proein dan lemak dengan menggunakan rumus yang erdapa pada Persamaan 2.6 sampai 2.8 secara beruruan. Karbo = 65% = 1519,44 Kkal Proein = 15% = 350,64 Kkal Lemak = 20% = 467,5203 Kkal Dari perhiungan di aas maka didapakan kadar karbohidra sebesar 1519,44 Kkal. Kadar proein sebesar 350,64 Kkal. Kadar lemak sebesar 467,5203 Kkal. Hasilnya dilakukan konversi daa ke dalam g. Dari hasil konversi ersebu, maka nilai kadar karbohidra yang didapa adalah 379,86 g, kadar proein adalah 87,66 g dan kadar lemaknya adalah 51,9467 g. Langkah selanjunya adalah melakukan perhiungan pembagian porsi makan perharinya dari oal kalori yang didapakan. Conoh perhiungannya dapa dilakukan seperi beriku ini. Kalori Makan Pagi = 20% 2337,6015 = 467,5203 Kkal Kalori Makan Siang = 30% 2337,6015 = 701,2805 Kkal Kalori Makan Malam = 30% 2337,6015 = 701,2805 Kkal Kalori Makanan Pelengkap1 = 10% 2337,6015 = 233,7602 Kkal Kalori Makanan Pelengkap2 = 10% 2337,6015 = 233,7602 Kkal Dari perhiungan di aas maka didapakan kalori makan pagi sebesar 467,5203 Kkal, kalori pada makanan pelengkap1 sebesar 233,7602 Kkal, kalori pada makan siang sebesar 701,2805 Kkal, kalori pada makanan pelengkap2 sebesar 233,7602 Kkal dan kalori pada makan malam sebesar 701,2805 Kkal Penyelesaian Menggunakan Algorime PSO Pada Sub bab ini akan dijelaskan mengenai penyelesaian masalah menggunakan algorime PSO. Tahapan perhiungannya melipui membangun populasi awal, inisialisasi kecepaan awal, menghiung finess dari seiap parikel, menenukan pbes, menenukan gbes, memperbaharui kecepaan parikel dan memperbaharui posisi parikel.

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1163 Pembangunan populasi awal digunakan unuk menenukan represenasi awal posisi dari seiap parikel. Represenasi yang digunakan adalah nilai dari indeks seiap jenis makanan yang erdapa pada basis daa. Represenasi dibangkikan secara acak dengan menggunakan rumus yang erdapa pada Persamaan (9). Nilai x max didapakan dari nilai indeks erbesar pada masing-masing jenis makanan. Sedangkan nilai x min didapakan dari nilai erkecil index pada masing-masing jenis makanan. Dimensi parikel yang digunakan pada permasalahan ini berjumlah 14. Jumlah dimensi parikel ersebu merupakan jumlah frekuensi makan yang akan dikonsumsi perharinya. Jumlah frekuensi makan yang akan dikonsumsi perharinya sebanyak iga porsi, yaiu: makan pagi, makan siang, makan malam. Makan pagi dan makan siang berisi masing-masingnya makanan pokok, nabai, hewani, sayuran, dan pelengkap. Sedangkan unuk makan malam hanya berisi makanan pokok, nabai, hewani, sayuran, anpa adanya makanan pelengkap. Unuk lebih jelasnya, desain represenasi parikel awal yang digunakan dapa diliha pada Tabel 1. Tabel 1 Represenasi Awal Parikel Makan Pagi P1 Makan Siang P2 Makan Malam Po Na He S P Po Na He S P Po Na He S j1 j2 j3 j4 j5 j6 j7 j8 j9 j10 j11 j12 j13 j14 xi() Pada Tabel 1, P1 merupakan makanan pelengkap ke-1, P2 merupakan makanan pelengkap ke-2, Po merupakan makanan pokok, Na merupakan makanan sumber proein nabai, He merupakan makanan sumber proein hewani, S merupakan sayuran dan P merupakan makanan pelengkap. Represenasi seiap parikel yang digunakan menunjukkan pembagian makan selama sau hari, yaiu: makan pagi, makan siang dan makan malam. j1 sampai dengan j14 merupakan dimensi dari parikel, dimensi parikel ersebu menunjukkan indeks jenis makanan. Unuk j1, j6 dan j11 merepresenasikan indeks dari makanan pokok. j2, j6 dan j11 merepresenasikan indeks dari makanan sumber proein nabai. j3, j7 dan j12 merepresenasikan indeks dari makanan sumber proein hewani. j4, j9 dan j13 merepresenasikan indeks dari sayuran. Sedangkan j9 dan j14 merepresenasikan indeks dari makanan pelengkap. Seelah dilakukannya pembangunan populasi awal, langkah selanjunya adalah menghiung finess dari seiap parikel. Perhiungan finess memerlukan masukan berupa nilai posisi, jumlah parikel, jumlah dimensi, gizi Pasien sera nilai gizi dari makanan pokok, sumber proein nabai, sumber proein hewani, sayuran dan pelengkap. Seelah iu, akan dilakukan perhiungan penali dari seiap nilai gizi dan porsi dan variasi makanan yang didapakan. Dari hasil pinali dan variasi yang elah didapakan, maka dapa dihiung nilai finess-nya. Rumus pehiungan finess dapa diliha pada Persamaan (17). finess = ( 1 pinali C1) + Variasi (17) Pada persamaan (17), pinali merupakan oal pinali, C1 merupakan konsana penyeimbang pinali porsi makan, yaiu 10 8, Variasi merupakan jumlah banyaknya kombinasi makanan yang berbeda perjenis makanannya. Proses perhiungan penali yang dilakukan berupa, oal gizi yaiu: kalori, karbohidra, lemak, proein, garam, kalium dan kalori dari makan pagi, makan siang, makan malam, makanan pelengkap1 dan makanan pelengkap2. Toal penali dan porsi ini, dihiung dengan menggunakan rumus pada Persamaan (18). pinali = Kalori + Karbohidra + Proein + Lemak + Garam + Kalium + Kalori Makan Pagi + Kalori Makanan Pelengkap1 + Kalori Makan Siang + Kalori Makanan Pelengkap2 + Kalori Makan malam (18) Hasil pada Persaman (18), didapakan dari selisih dari hasil gizi dan porsi makan pasien dengan hasil gizi dan porsi rekomendasi makanan hasil algorime PSO. Seelah iu akan dilakukan proses penenuan pbes dan gbes. Hasil pbes didapa dengan cara membandingkan nilai finess anara parikel ke-i pada ierasi sekarang dengan ierasi sebelumnya. Nilai finess yang paling inggi, maka posisi dari parikelnya akan menjadi pbes. Sedangkan hasil gbes didapakan dengan membandingkan nilai finesspbes anara parikel ke-i dengan seluruh parikel. Nilai finess yang paling inggi, maka posisi dari parikelnya akan menjadi gbes. Seelah ierasi 1, maka akan dilakukan perbaharuan kecepaan. Seelah iu, hasil kecepaan akan dilakukan proses pembaasan kecepaan dan penalizing. Langkah ersebu dapa dilakukan dengan menggunakan Persamaan (10) sampai (15). Selanjunya akan

7 Raa-Raa Finess Raa-Raa Finess Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1164 dilakukan perbaharuan posisi dengan menggunakan Persamaan (16). Langkah selanjunya dilanjukan menghiung finess, peneuan pbes dan gbes dan diulangi kembali dengan perbaharuan kecepaan dan posisi sampai dengan baas ierasi maksimum yang dienukan. Unuk flowchar penggunaan algorime PSO pada sisem dapa diliha pada Gambar 3. Gambar 3 Flowchar Algorime PSO 5. PENGUJIAN Mulai jml_parikel, dimensi, iermax, c1, c2, wmin, wmax, gizi[], makanan_pokok[][], sumber_nabai[][], sumber_hewani[][], sayuran[][], pelengkap[][] Tidak ierasi = 0 Membangun Populasi Awal Inisialisasi Kecepaan Awal ierasi >=1 Selesai 5.1. Pengujian Jumlah Ierasi Pengujian banyaknya ierasi dilakukan unuk mengeahui jumlah ierasi yang dapa menghasilkan solusi erbaik. Pengujian jumlah ierasi dilakukan 10 kali unuk masing-masing Ya Perbaharui Kecepaan Parikel Perbaharui Posisi Parikel Hiung Finess Tenukan Pbes Tenukan Gbes ierasi++ ierasi <= iermax Tidak Posisi[][], finess[], v[][], pbes[], finesspbes[] gbes[] Ya jumlah ierasi. Parameer yang digunakan dalam pengujian adalah adalah jumlah parikel sebesar 50 dengan nilai w min dan w max sebesar 0,4 dan 0,9. Unuk grafik hasil pengujian jumlah parikel yang erdapa pada Gambar , , , , ,8 Gambar 4 Grafik Hasil Pengujian Ierasi Pada Gambar 4, dapa disimpulkan bahwa semakin besar jumlah ierasi yang diujikan, maka semakin besar pula nilai raa-raa finess yang dihasilkan. Dari Gambar 4 ersebu, juga dapa diliha raa-raa nilai finess mulai menunjukkan hasil yang konvergen pada ierasi ke-130, dengan nilai raa-raa finess sebesar Hal ersebu dikarenakan hasil nilai raa-raa finess pada ierasi selanjunya idak menujukkan peningkaan yang signifikan Pengujian Jumlah Parikel , , , Jumlah Ierasi Jumlah Ierasi Pengujian jumlah parikel dilakukan 10 kali unuk masing-masing jumlah parikel. Parameer yang digunakan pada pengujian ini adalah jumlah ierasi sebesar 50 dengan nilai w min dan w max sebesar 0,4 dan 0,9. Unuk grafik pengujian jumlah parikel yang erdapa pada Gambar , , , , , , , Jumlah Parikel Jumlah Parikel Gambar 5 Grafik Hasil Pengujian Jumlah Parikel Pada Gambar 5, dapa disimpulkan bahwa semakin besar jumlah parikel yang diuji, maka semakin besar pula nilai raa-raa finess yang dihasilkan. Dari Gambar 5 ersebu, juga dapa diliha raa-raa nilai finess mulai menunjukkan hasil yang konvergen pada parikel ke-100 dengan nilai raa-raa finess

8 Raa-Raa Finess Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1165 sebesar Hal ersebu dikarenakan hasil nilai raa-raa finess pada parikel selanjunya idak menujukkan peningkaan yang signifikan Pengujian Nilai w min dan w max Pada pengujian ini nilai renang yang digunakan anara 0,4 sampai 0,9. Nilai renang ini elah erbuki dapa menghasilkan nilai solusi yang mendekai opimum dari beberapa solusi (Shi, Y., e. al., 1999). Parameer yang digunakan adalah jumlah ierasi sebesar 130 dan jumlah parikel sebesar 100. Unuk grafik hasil pengujian nilai w min dan w max dapa diliha pada Gambar , ,94 Gambar 6 Grafik Hasil Pengujian Nilai w min dan w max Pada Gambar 6 dapa disimpulkan bahwa raa-raa nilai finess erbaik berada pada nilai 0,4 unuk w min dan 0,5 unuk w max. Alasannya adalah nilai w min dan w max ersebu, memiliki nilai raa-raa finess yang paling inggi, yaiu sebesar , Analisa Pengujian Sisem , , ,58 0.4; ; ; ; ;0.9 Nilai wmin dan wmax Nilai wmin dan wmax Pada pengujian ini dilakukan perhiungan selisih anara hasil rekomendasi makanan sisem dengan gizi yang dimiliki oleh pasien. Hal ini digunakan unuk meliha oleransi kesalahan yang dimiliki sisem. Baasan oleransi yang diperbolehkan unuk sisem yaiu sebesar ±10%. Pada pengujian ini, pameer algorime yang digunakan berdasarkan hasil pengujian yang elah dilakukan sebelumnya, yaiu: jumlah ierasi sebesar 130, jumlah parikel sebesar 100 dengan nilai w min dan w max sebesar 0,4 dan 0,5. Jumlah kasus uji yang akan diujikan sebanyak 5 Pasien. Beriku adalah hasil sisem dari salah sau pasien dengan nama Tn. SA, umur 60 ahun, bera badan 65 kg, inggi badan 161,9 cm, berjenis kelamin Pria, Memiliki ekanan darah 180/110 mm Hg. Hasil dari sisem dapa diliha pada Gambar 8. Gambar 7 Tampilan Sisem Dari Gambar 8. dapa diliha Pasien memiliki kebuuhan gizi, yaiu: kalori sebesar 2595,75 Kkal. Karbohidra sebesar 421,81 g. Proein sebesar 97,34 g. Lemak sebesar 57,68 g. Narium sebesar 200 mg. Kalium sebesar 2000 mg. Sedangkan Kebuuhan porsi yaiu: makan pagi sebesar 519,15 Kkal. Makanan pelengkap1 dan pelengkap2 masingmasingnya sebesar 259,575 Kkal. Makanan siang dan malam masing-masingnya sebesar 778,725 Kkal.. Hasil persenase selisih makanan dari hasi ersebu dapa diliha pada Tabel 2. Tabel 2 Hasil Presenase Selisih Makanan Kalori (Kkal) Karbo (g) Gizi Proei n (g) L (g) Na (mg) Kalium {mg} Porsi Makan Pagi P1 S P2 M (Kkal) (Kkal) (Kkal) (Kkal) (Kkal) Gizi 2044,9 332,3 76,7 Pasien 45, ,5 644,2 204,5 644,2 Hasil Sise 2090, ,2 47, ,7 449,6 198,8 621,85 207,5 612,4 m % Selisih 2,2% 3,82% 8,46% 3,98%0,4% 0,17% 9,9% 2,8% 3,5% 1,5% 4,9% Gizi Berdasarkan Tabel 2 dapa diliha bahwa hasil persenase selisih unuk gizi makanan berupa kalori adalah 2,2%. Karbohidra sebesar 3,82%. Proein sebesar 8,46%. Lemak sebesar 3,98%. Narium sebesar 0,4%. Kalium sebesar 0,17%. Sedangkan unuk porsi makan, yaiu: Makan pagi sebesar 9,9%. Makanan pelengkap1 sebesar 10%. Makan siang sebesar 2,8%. Makanan pelengkap2 sebesar 3,5%. Makan malam sebesar 1,5%. Dari keseluruhan persenase selisih gizi dan porsi makan dapa diarik kesimpulan, bahwa raa-raa selisihnya adalah 4,9%, yang mana dapa memenuhi oal baas oleransi yang diberikan. Dari keseluruhan 4 kasus uji yang dilakukan, maka disimpulkan bahwa sisem ini dapa memenuhi kebuuhan rekomendasi komposisi makanan unuk penderia Hiperensi, dengan baas selisih oleransi yang di dapa dari

9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Kompuer 1166 keseluruhan dapa mencapai ±5%. 6. KESIMPULAN Berdasarkan hasil pengujian maka didapakan kesimpulan sebagai beriku: 1. Represenasi parikel dilakukan berdasarkan dari indeks dari seiap jenis makanan yang ada pada basis daa. Represenasi parikel ersebu memiliki jumlah dimensi sebesar 14. Jumlah dimensi parikel ersebu merupakan frekuensi makan yang akan dikonsumsi perharinya. Jumlah frekuensi makan yang akan dikonsumsi perharinya erdiri dari iga porsi, yaiu: makan pagi, makan siang, makan malam, dimana makan pagi dan makan siang berisi masingmasingnya makanan pokok, nabai, hewani, sayuran, dan pelengkap. Sedangkan unuk makan malam, hanya berisi makanan pokok, nabai, hewani, sayuran, anpa adanya makanan pelengkap. 2. Berdasarkan pengujian yang elah dilakukan erhadap beberapa parameer algorime PSO, yaiu: jumlah ierasi, jumlah parikel, nilai w min dan w max. Didapakan hasil parameer berupa jumlah ierasi sebesar 130, dengan hasil raa-raa finess didapakan sebesar ,4. Jumlah parikel sebesar 100 parikel, dengan hasil raa-raa finess didapakan sebesar ,4. Nilai w min sebesar 0,4 dan w max sebesar 0,7, dengan hasil raa-raa finess didapakan sebesar ,4. 3. Hasil dari pengujian yang sudah dilakukan dilakukan, menyaakan bahwa sisem dapa memenuhi kebuuhan gizi dan porsi makan Pasien Hiperensi, berdasarkan 1 sampai 4 kasus yang diuji dengan selisih yang raaraa secara keseluruhan mencapai ±5%, yang mana idak melebihi baas oleransi yang dieapkan yaiu ±10%. REFERENSI Bai, Q Analysis of Paricle Swarm Opimizaion Algorihm. Compuer and Informaion Science, Vol.3, No.1. G. Omran, M., P. Engelbrech, A. & Salman A Image Classificaion Using Paricle Swarm Opimizaion. Journal of Elecronic Imaging, Ch. 19. Elianara, F., Cholissodin, I. & Indriai Opimasi Pemenuhan Kebuuhan Gizi Keluarga Menggunakan Paricle Swarm Opimizaion. DORO: Reposiory Jurnal Mahasiswa PTIIK Universias Brawijaya Yulfiandi, Zilfikri R., Eka, DIan R., Arwan, A., Opimasi Komposisi Makanan Unuk Ale Endurance Menggunakan Meode Paricle Swarm Opimizaion. Jurnal Teknologi Informasi dan Ilmu Kompuer (JTIIK),Vol.3, No.2, pp Allhussein, M., Irzaa, Syed H., Improved Paricle Swarm Opimizaion Based on Velociy Clamping and Paricle Penalizaion. Journal of Compuer Science IEEE. Dorigo, M., Biraari, M., Li, X., López-Ibáñez, M., Ohkura, K., Pinciroli, C., Süzle, Th Swarm Inelligence. 10h Inernaional Conference, ANTS 2016, Brussels, Belgium. Shi, Y., C., Russell, E., Empirical Sudy of Paricle Swarm Opimizaion. Journal of Evoluionary Compuaion IEEE, vol. 3, pp Cholissodin, I., Dasar-Dasar Algorima PSO. Tersedia di <hp://imamcs.lecure.ub.ac.id/> [Diakses 5 April 2017] WHO, Hyperension Meaning and Cause. F. Marini, B. Walczak, Finding Relevan Clusering Direcions in High- Dimensional Daa Using Paricle Swarm Opimizaion, J. Chemomer Tersedia di <hps:// [Diakses 1 Mare 2017] Ganesan, Mohankumar.G, Ganesan.K, Ramesh Kumar.K (2011). Opimizaion of Machining Parameers In Turning Process Using Geneic Algorihm And Paricle Swarm Opimizaion Wih Experimenal Verfificaion. Inernaional Journal of Engineering Science and Technology (IJEST), Vol. 3: pp Anonim Survei Kesehaan AIA: Pola Hidup Masyaraka Indonesia Terburuk di Asia Pasifik. Almasier, S., Penunun Die: Edisi Baru. Jakara: PT. Ikrar Mandiriabadi