Prosiding SENTIA 2016 Politeknik Negeri Malang Volume 8 ISSN:

Transkripsi

1 Prosiding SENTIA 216 Politeknik Negeri Malang Volume 8 ISSN: OPTIMASI PENGATURAN MENU DAN TAKARAN ENERGI UNTUK PENDERITA JANTUNG MENGGUNAKAN ALGORITMA KOLONI LEBAH BUATAN Oktriza Melfazen Jurusan Teknik Elektro, Fakultas Teknik Universitas Islam Malang oktrizamelfazen@gmail.com ABSTRAK Takaran makan yang tepat, merupakan salahsatu faktor penting yang sangat berpengaruh untuk menjaga kestabilan kerja jantung. Hal terpenting dalam perencanaan makan penderita jantung adalah mengatur proporsi energi dan nutrisi makro sesuai kondisi fisik. Energi basal adalah salah satu faktor penentu proporsi energi dan nutrisi makro yang perlu diasup oleh penderita jantung. Untuk merealisasikan takaran menu dan energi optimal yang perlu diasup, dilakukan penelitian dengan menerapkan algoritma koloni lebah buatan. Desain dan realisasi sistem menggunakan program Borland Delphi 7, dijalankan pada sistem operasi Windows. Data uji didapatkan dari konsultan gizi. Penilaian unjuk kerja sistem dalam menghasilkan nilai optimal takaran menu dan energi dilakukan dengan uji verifikasi bersama ahli gizi. Dalam pengujian, masukan berupa data fisik dan menu makanan yang diinginkan, algoritma koloni lebah buatan dapat bekerja untuk menghasilkan takaran menu dan energi serta nutrisi makro optimal. Proses optimasi takaran menu, takaran energi dan nutrisi makro terbaik didapatkan pada pengaturan parameter populasi 5, iterasi 4, siklus 1, Scout Production Period 1, laju perubahan,6. Penggunaan algoritma ini untuk mendapatkan takaran menu dan energi optimal dengan error maksimal adalah sebesar,94.. Kata Kunci Optimasi Koloni Lebah Buatan, Takaran Energi, Penyakit Jantung, Energi Basal 1. Pendahuluan Algoritma koloni lebah buatan merupakan salah satu algoritma optimasi untuk menemukan nilai x sedemikian hingga menghasilkan f(x) yang bernilai sekecil atau sebesar mungkin untuk suatu fungsi f yang diberikan, yang mungkin disertai dengan beberapa batasan pada x. Optimasi koloni lebah buatan adalah algoritma optimasi global, memerlukan cukup tiga parameter kontrol (ukuran populasi, jumlah siklus maksimum dan limit) yang ditentukan pengguna [1]. Pada penelitian ini optimasi dengan algoritma koloni lebah buatan diterapkan untuk memberi solusi perhitungan energi dan nutrisi makro serta ukuran penyajian makanan harian penderita penyakit jantung. Hasilnya berupa takaran menu, takaran energi optimal harian dengan detail komposisi nutrisi makro yang dibutuhkan serta variasi makanan yang ingin dikonsumsi sesuai jumlah energi yang sudah ditentukan mengacu pada variabel masukan yang diberikan. Pengaturan makan yang tepat pada penyakit jantung adalah salah satu cara penanganan untuk membantu pengendalian kestabilan kerja jantung, dengan mengatur proporsi nutrisi makro dan energi sesuai kondisi penderitanya. Pemenuhan kebutuhan energi dan nutrisi makro disesuaikan dengan jenis kelamin, usia, data antropometri dan kondisi khusus lainnya. 2. Dasar Teori 2.1 Kebutuhan Nutrisi Bagi Penderita Jantung Untuk penghitungan kebutuhan energi basal untuk penderita jantung diperlukan data-data berupa tinggi badan (BB), berat badan (BB), usia, jenis A-7 kelamin [2]. Berat badan dapat dihitung dengan rumus berikut : BB estimasi = (TB estimasi - 1) x 9% Setelah data berupa tinggi badan dan berat badan ideal diketahui maka kebutuhan energi basal pada seseorang dapat diketahui dengan menggunakan persamaan berikut ini [2]: Kebutuhan energi basal (wanita) = (9,56 x BB) + (1,85x TB) (4,68xU) Kebutuhan energi basal (pria) = 66,5+(13,75 x BB) +(5 x TB) (6,78 x U) Dengan BB = berat badan TB = tiggi badan U = usia pasien Energi basal (EB) yang telah diketahui digunakan untuk menentukan total energi. Total energi (E) dipengaruhi oleh 3 faktor yaitu faktor aktivitas, faktor stress dan energi basal. Sesuai yang tertera pada persamaan berikut [2]: Total E = EB *faktor stress * faktor aktivitas Dengan faktor stress adalah 1.6 hingga 1.8 dan faktor aktifitas 1 (untuk sakit jantung). Setelah mengetahui jumlah total energi, persentase dari kebutuhan nutrisi makro (karbohidrat, lemak, dan protein) dapat disesuaikan dengan kondisi pasien. Bila persentase zat-zat tersebut telah diketahui maka proses penentuan bahan makanan yang sesuai untuk dikonsumsi pasien dapat lebih mudah, dengan mengkonversi presentase energi kedalam gram untuk masing-masing nutrisi makro. Dalam proses konversi nantinya hasil presentase dalam satuan energi akan dikalikan faktor konversi yang akan mengubah satuan zat gizi ke dalam gram.

2 Prosiding SENTIA 216 Politeknik Negeri Malang Volume 8 ISSN: Dasar perhitungan konversi adalah sebagai berikut [3],[4]: 1 gram karbohidrat = 4 kalori, 1 gram lemak = 9 kalori 1 gram protein = 4 kalori Dengan metode di atas dapat dicari jenis maupun menu makanan saji yang sesuai dengan kondisi pasien penderita jantung. 2.2 Algoritma Koloni Lebah Buatan Algoritma koloni lebah buatan adalah algoritma berbasis koloni yang didasarkan pada model perilaku koloni lebah madu mencari makanan. Algoritma ini mengerahkan koloni lebah madu tiruan untuk mencari sumber makanan tiruan yang kaya (solusisolusi terbaik untuk permasalahan yang ada) dan meninggalkan sumber makanan (solusi) yang tidak baik [5]. Suatu koloni terdiri dari tiga kelompok lebah: employed bees, onlookers dan scout. Setengah bagian koloni adalah employed bees dan setengahnya lagi adalah onlookers. Pada setiap sumber makanan hanya terdapat satu employed bees. Permasalahan optimasi awalnya diubah menjadi permasalahan untuk mencari vektor paramater terbaik yang meminimasikan fungsi tujuan. Kemudian lebah-lebah tiruan akan menemukan sebuah populasi dari vektor solusi awal secara acak, selanjutnya memperbaikinya secara iterasi dengan menerapkan strategi bergerak ke arah solusi yang lebih baik dengan memanfaatkan mekanisme pencarian pesekitaran (neighbour search mechanism) dan mengabaikan solusi-solusi yang kurang baik. Gambar 1. Gerakan Lebah Mencari Sumber Makanan (Karaboga, 211 : 3) Penelitian terdahulu untuk penerapan algoritma koloni lebah buatan pada beberapa permasalahan [5]- [7], menyebutkan kelebihannya antara lain : (1) Sangat efisien dalam mencari solusi optimal, (2) Dapat dijalankan dengan parameter kontrol seminimal mungkin, (3) Remarkable robustness, (4) Hasil proses optimasi lebih cepat dibanding algoritma lain dengan tingkat keberhasilan tinggi dan akurat, (5) Kandidat solusi dihasilkan dengan operasi sederhana. Langkah-langkah utama proses optimisasi algoritma koloni lebah buatan diuraikan sebagai berikut [6]: 1. Inisialisasi posisi sumber makanan. 2. Tentukan sumber makanan lama yang harus ditinggalkan dan alokasikan lebah pekerja sebagai A-8 scout untuk mencari sumber makanan baru berdasarkan pencarian acak memakai rumus (1). x j j j j i = x min + rand[,1](x max x min ) (1) Diasumsikan sumber makanan yang ditinggalkan adalah x i dan j {1,2,.,D}. 3. Gerakkan lebah pekerja menuju sumber-sumber makanan dan tentukan jumlah nektarnya. Untuk tiap lebah pekerja, sebuah sumber makanan baru dihasilkan melalui rumus (2). V ij = x ij + φ ij (x ij x kj ) (2) Dengan V ij = kandidat posisi sumber makanan baru x ij = area sumber makanan k {1,2,..,SN},indeks yang dipilih secara acak j {1,2,,D}, indeks yang dipilih secara acak φ ij = nilai acak antara [-1,1] 4. Gerakkan lebah onlooker menuju sumber-sumber makanan dan tentukan jumlah nektarnya. Onlooker bee memilih sebuah sumber makanan menggunakan perhitungan probabilitas (1) dan mendapatkan sebuah sumber makanan baru dalam area sumber makanan yang telah dipilih melalui rumus (3). P i = fit i SN i=1 fit i (3) Dengan P i =sumber makanan baru terpilih fit i=nilai fitness dari solusi I dengan jumlah nectar yang proporsional pada sumber makanan SN=jumlah sumber makanan (sama dengan jumlah employed bees ataupun onlooker bees). 5. Catat sumber makanan terbaik yang telah ditemukan. 6. Ulangi langkah 2 sampai langkah 5 hingga kriteria yang diinginkan terpenuhi. 3. Analisis Permasalahan Permasalahan yang diharapkan dapat diselesaikan dalam penelitian ini adalah : Bagaimana menerapkan Algoritma Optimasi Koloni Lebah Buatan dalam menentukan ukuran penyajian makanan harian (energi dan nutrisi makro) yang optimal untuk penderita jantung berdasarkan perhitungan kebutuhan energi harian dengan masukan tinggi badan, berat badan, usia, jenis kelamin dan faktor aktifitas harian. 4. Perancangan Sistem 4.1 Perancangan Aliran Data Sistem Penderita Jantung Masukkan data pasien Masukkan menu yang ingin dikonsumsi 1 Kebutuhan Energi Pasien 2 Menu yang diinginkan Tambah/edit/hapus 4 menu makanan Tambah/ edit/hapus menu Total asupan energi per hari Komposisi menu sesuai energi yang dibutuhkan Parameter masukan untuk optimasi kebutuhan energi pasien diolah dengan ABCO Database Menu 3 Optimasi Energi dengan ABCO Gambar 5. Diagram Aliran Data

3 Prosiding SENTIA 216 Politeknik Negeri Malang Volume 8 ISSN: Perlu dianalisis sebelum membuat perancangan sistem, yaitu ruang lingkup sistem, tujuan sistem, dan siapa saja yang terlibat dalam sistem tersebut. Gambar 5 adalah gambaran sistem mengenai proses yang perlu dilakukan secara rinci. 4.2 Perancangan Sistem dengan Algoritma Koloni Lebah Buatan Penelitian ini melibatkan ahli gizi dalam melakukan observasi, mendapatkan data, review pustaka dan pengujian sistem. Parameter-parameter yang diperlukan pada proses optimasi takaran energi direpresentasikan menjadi parameter-parameter algoritma koloni lebah buatan. Representasi tersebut dapat dilihat dalam Tabel 1. Tabel 1. Representasi Algoritma Koloni Lebah Buatan untuk Optimasi Energi dan Nutrisi Makro Algoritma Koloni Optimasi takaran energi untuk mendapatkan Lebah Buatan Posisi sumber makanan Dimensi energi harian penderita jantung Jumlah tiap menu makanan yang diasup dalam satu kali makan Jumlah energi dan nutrisi makro yang dibutuhkan sesuai kriteria masukan penderita jantung Fitness Kandidat nilai kadar energi terpilih 4.3 Implementasi Algoritma Koloni Lebah Buatan untuk Proses Optimasi Pencarian nilai optimal takaran asupan energi harian dilakukan pada setiap tahapan makan. Langkah-langkah penyelesaian masalah tersebut adalah: Proses Kerja Sistem Proses bekerjanya sistem ini secara keseluruhan dijelaskan dalam langkah-langkah berikut ini : 1. Pengguna meng-entry: data fisik (tinggi badan, umur, jenis kelamin) dan menu makanan yang ingin dimakan dalam 1 hari 2. Program melakukan tahap sebagai berikut: a. Melakukan perhitungan berat badan ideal b. Koreksi Body Mass Ratio (BMR) berdasar faktor aktifitas Total energi harian = BMR + (f.akt x BMR) c. Perhitungan kebutuhan karbohidrat d. Perhitungan kebutuhan nutrisi makro e. Jalankan program koloni lebah buatan untuk melakukan optimasi jumlah makanan yang dikonsumsi mengikuti parameter di atas (a s/d d) Proses Optimasi Algoritma ABC Proses penerapan Algoritma Koloni Lebah Buatan dalam mengoptimasi energi dan nutrisi makro adalah sebagai berikut : Prosedur 1 : Pengaturan Parameter Pengaturan parameter-parameter yang diperlukan untuk berlangsungnya proses ini : a. Parameter ABC. Parameter yang ditentukan untuk melakukan optimasi. Terdiri atas parameter optimasi dan parameter acuan ABC. Parameter masalah yang akan dioptimasi (d). Disediakan maksimal 6 jenis menu makanan yang dapat diasup dalam 1 (satu) kali makan. Parameter acuan berupa jumlah Populasi, Siklus maksimum, jumlah Iterasi, Laju Perubahan, Scout Production Period (SPP). b. Pengaturan batas atas dan batas bawah (range) dari parameter yang dioptimasi. Prosedur 2 : Iterasi Dalam satu putaran iterasi terdiri atas proses berikut: 1. Inisialisasi. Membuat matriks x(i,j) secara acak dengan matriks d (parameter optimasi) dan Np (jumlah sumber makanan). 2. Best, melakukan perhitungan solusi terbaik pertama dari matriks [d,np] terhadap fungsi utama terbaik, fitness terbaik, dan gangguan terbaik. kemudian mencatatnya. 3. Melakukan pengulangan program di bawah ini sejumlah siklus yang ditentukan untuk medapatkan hasil terbaik dari seluruh siklus. Lebah pekerja, menghasilkan modifikasi posisi sumber makanan baru di lingkungan tetangga, mengevaluasi jumlah nektar (fitness value dan quality) dari sumber makanan baru tersebut dan memilih satu solusi terbaik dari yang dihasilkan semua lebah pekerja. Onlooker bee, Setelah semua lebah bekerja menyelesaikan proses pencarian, mereka berbagi informasi nektar dari sumber makanan dan informasi posisi mereka dengan onlooker bee pada daerah tari dengan menghitung nilai probabilitas. P i = fit i SN i=1 fit i (5-2) Best, melakukan perhitungan solusi terbaik dari sumber makanan baru dari matriks [d,np] kemudian mencatatnya untuk fungsi utama terbaik, fitness terbaik, dan gangguan terbaik. Scout, setelah semua onlooker didistribusikan maka sumber makanan yang tidak layak disingkirkan dan diganti dengan sumber makanan baru yang dihasilkan secara acak oleh scout sesuai dengan periode produksinya. Mencatat nilai terbaik yang dihasilkan oleh sumber makanan dalam siklus yang dilakukan. 4. Menentukan nilai terbaik dari tiap-tiap siklus yang telah dilakukan dan menjadikannya sebagai nilai terbaik pada iterasi tersebut. Proses langkah 1 s/d 4 diulangi sejumlah iterasi yang ditetapkan, kemudian dicari nilai terbaik dari semua iterasi. Nilai yang didapat adalah solusi terbaik dalam proses optimasi menggunakan algoritma ini dalam menentukan takaran energi Realisasi Antarmuka Pengguna Antarmuka sistem dengan pengguna dibuat dengan program visual Borland Delphi 7 dan telah diusahakan agar semudah mungkin untuk diaplikasikan oleh pengguna. Tampilan menu terdiri atas tiga bagian yaitu : (1) menu utama; (2) sub menu bahan makanan; (3) sub menu menu makanan. 5. Pengujian dan Analisis Sistem Pengujian dan analisis dilakukan untuk mengetahui kinerja algoritma koloni lebah buatan A-9

4 Prosiding SENTIA 216 Politeknik Negeri Malang Volume 8 ISSN: pada sistem dalam menghasilkan nilai optimal takaran energi. Pengujian menggunakan data uji berupa data fisik penderita jantung yang menjadi klien konsultan gizi. Uji coba sistem bertujuan untuk mengetahui apakah semua bagian menu dapat ditampilkan dan beroperasi dengan baik. Dan mengetahui apakah sistem yang dibuat dapat memenuhi kebutuhan pengguna. Tampilan performansi sistem dalam Gambar 6. Karbohidrat (45% s/d 65%) min Karbohidrat (45% s/d 65%) max Protein (2%) Lemak (25%) Koloni Lebah dengan Perubahan Populasi Diberikan data untuk parameter acuan algoritma koloni lebah buatan dengan nilai Iterasi 3, Siklus 1, SPP 4, LP.9 dan Populasi (5,1,3,5). Hasil untuk pengujian parameter diatas terlihat pada gambar 7. Gambar 6. Performansi Sistem Sistem bisa dikatakan beroperasi dengan baik jika dapat menampilkan kriteria sebagai berikut : Menu Utama, pengguna entry data fisik, klik tombol hitung sistem menampilkan kebutuhan total energi dan nutrisi makro. Saat klik tombol ABC, sistem menampilkan takaran menu makanan yang dipilih serta takaran energi dan nutrisi makro yang sesuai. Sub Menu Bahan Makanan, menampilkan daftar bahan makanan beserta kadar energi dan nutrisi makro terkandung per 1 gram. Sub Menu Menu makanan, menampilkan daftar menu makanan yang tersedia serta bahan makanan dan jumlah yang diperlukan untuk membuatnya dengan hasil kadar energi dan nutrisi makro yang diperlukan. Untuk melihat kinerja algoritma koloni lebah buatan pada sistem dalam menghasilkan nilai optimal kadar asupan energi harian penderita jantung, dilakukan pengujian dengan perubahan terhadap (1) populasi, (2) iterasi, (3) siklus, (4) scout production period [SPP], (5) laju perubahan [LP]. Data uji (objek) yang digunakan : Tabel 2. Data Fisik Penderita Jantung TB (cm) BB (kg) Usia (th) Sex F.Aktifitas L Ringan Menu makanan yang ingin diasup oleh penderita jantung di-entry kedalam sistem, dalam Tabel 3. Tabel 3. Data Daftar Menu Untuk Pengujian Makan Pagi Makan Siang Makan Malam a. Nasi Putih a. Nasi putih a. Nasi putih b. Sayur bayam b. Rawon b. Sop daging c. bening Tempe goreng c. Telur asin c. Tahu goreng d. Apel d. rebus Tahu goreng d. Terong e. Belimbing e. goreng Duku Proses hitung total energi dan kadar nutrisi makro yang dibutuhkan berdasarkan data tersebut menghasilkan data dalam Tabel 4. Tabel 4. Kebutuhan Energi dan Nutrisi Makro Rincian Kebutuhan Nutrisi Per Hari Per Makan Energi (kal) + 1% A MAKAN_1 MAKAN_2 MAKAN_3 MAX ,235,542, ,235,542, ,235,542,6 MIN ,821,328, ,821,328, ,821,328,4 POP , , ,927,13, ,618,73,6 POP ,921,512, ,621,222, ,818,73,5 POP ,422,112, ,625, ,819,131,1 POP ,222,112, ,223,625, ,419,231,2 Gambar 7. Grafik ABCO terhadap Perubahan Populasi Semakin tinggi nilai populasi, tingkat capaian terhadap optimasi semakin baik. Jumlah populasi yang besar juga menyebabkan proses untuk menghasilkan nilai-nilai optimal butuh waktu cukup lama sekitar 5 detik. Sedangkan nilai populasi kecil hanya butuh waktu proses 2 detik hingga 5 detik. 5.2 Koloni Lebah dengan Perubahan Iterasi Data parameter acuan algoritma koloni lebah buatan dengan Iterasi (3, 1, 2, 4) dan Populasi 5, Siklus 1, SPP 4, LP.9. Hasil untuk pengujian dengan parameter diatas terlihat pada Gambar 8. Semakin banyak iterasi memberikan nilai optimasi semakin baik. Nilai akhir didapat dari nilai optimasi terbaik dari iterasi yang dilakukan. Kisaran energi mendekati hasil perhitungan dengan iterasi 2 dan 4. Semakin besar iterasi, proses untuk menghasilkan nilai optimasi jadi lambat, mencapai 2 detik hingga 25 detik ABCO vs PERUBAHAN POPULASI ABCO vs PERUBAHAN ITERASI MAX MIN I , 22, 12, , 23, 25, , 19, 31, I I , 2, 11, , 21, 21, 68 93, 18, 3, I , Gambar 8. Grafik ABCO terhadap Perubahan Iterasi

5 Prosiding SENTIA 216 Politeknik Negeri Malang Volume 8 ISSN: Koloni Lebah dengan Perubahan Siklus Data uji parameter acuan algoritma koloni lebah buatan dengan Siklus (1, 5, 25, 1) dan Populasi 5, Iterasi 2, SPP 1, LP.9. Hasil pengujian terlihat pada Gambar 9. Semakin banyak nilai siklus nilai optimasi semakin baik, karena nilai optimasi ditiap iterasi didapat dari nilai terbaik dari tiap siklus. Besarnya nilai siklus berpengaruh pada kecepatan proses optimasi. Jumlah sikus sedikit (1) diselesaikan dalam waktu + 4 detik MAX ,235,542, ,235,542, ,235,542,6 MIN ,821,328, ,821,328, ,821,328,4 S ,619, ,123, ,819,429,8 S ,12,611, ,82,821, ,118,53,1 S ,118,48, ,819,519, ,918,63,5 S ,8 2 1, ,72,22, ,131,2 Gambar 9. Grafik ABCO terhadap Perubahan Siklus 5.4 Koloni Lebah dengan Perubahan Scout Production Period (SPP) Diberikan data untuk parameter acuan algoritma koloni lebah buatan dengan Populasi 5, Iterasi 2, Siklus 1, SPP (4, 2, 1, 5), LP.9. Hasil pengujian terlihat pada Gambar ABCO vs PERUBAHAN SIKLUS ABCO vs PERUBAHAN SPP MAX MIN SPP SPP SPP SPP Gambar 1 Grafik ABCO terhadap Perubahan SPP Dengan nilai SPP kecil, scout semakin sering diproduksi, sehingga semakin sering terjadi pencarian terhadap sumber makanan baru, data menjadi lebih labil, akibatnya nilai optimasi jadi buruk. Jika SPP terlalu besar, periode perubahan mencari sumber makanan baru terlalu lama karena produksi scout lambat sehingga proses pencarian sumber makanan baru tidak optimal. 5.5 Koloni Lebah dengan Perubahan Laju Perubahan (LP) Data parameter acuan algoritma koloni lebah buatan Populasi 5, Iterasi 2, Siklus 5, SPP 1 dan LP (.9,.6,.3). Hasil pengujian dengan parameter tersebut terlihat pada Gambar ABCO vs LAJU PERUBAHAN MAX MIN LP LP LP Gambar 11. Grafik ABCO terhadap Laju Perubahan Laju perubahan berfungsi untuk membatasi besarnya perubahan nilai acak pada algoritma ini yang nilainya berkisar dari hingga 1. Semakin besar laju perubahan maka semakin baik nilai optimasi yang didapat. Semakin besar populasi, siklus dan iterasi, waktu optimasi semakin lama. Besarnya populasi membuat matriks optimasi semakin besar sedangkan semakin besar siklus dan iterasi maka pengulangan untuk mendapatkan nilai terbaik semakin banyak. Error proses optimasi pada takaran energi dan nutrisi makro terjadi saat kombinasi pemilihan menu dalam satu kali makan tidak tepat. Contoh, pada uji makan siang didapat nilai karbohidrat paling tepat tetapi kebutuhan protein dan lemak kurang dari ketentuan, sedang pada uji makan malam didapat nilai protein dan lemak yang sesuai toleransi tetapi terjadi error pada karbohidrat dengan error rata-rata 3% (dalam batas toleransi). Dari percobaan pada data uji, didapat nilai takaran energi dan nutrisi makro optimal (dalam area perhitungan). Ketahanan sistem untuk mendapatkan nilai optimal adalah baik. Proses optimasi takaran energi terbaik pada pengaturan parameter algoritma koloni lebah dengan populasi 5, iterasi 4, siklus 1, SPP 1, LP,6. Verifikasi Sistem Verifikasi sistem bertujuan untuk mengetahui apakah penerjemahan algoritma koloni lebah buatan untuk menemukan nilai optimal takaran energi dan nutrisi makro yang dibutuhkan penderita jantung telah sesuai standar yang diberlakukan oleh ahli gizi, dengan membandingkan hasil dari sistem dengan hasil perhitungan ahli gizi. Contoh kasus, penderita jantung Tuan X, usia 65 tahun, TB 175 cm, BB 8 kg. Kegiatan harian aktifitas ringan, berkebun dan jalan sehat setiap pagi. Tuan X menyukai makanan apa saja dan mengkonsumsi susu satu kali dalam sehari. Dengan data tersebut, perhitungan kebutuhan individu Tuan X berupa Berat Badan Ideal (BBI) 67,5 kg. Dengan BBI sebesar 67,5 kg, Tuan X membutuhkan takaran energi dan nutrisi makro seperti terlihat dalam Tabel 5. A-11

6 % Prosiding SENTIA 216 Politeknik Negeri Malang Volume 8 ISSN: Tabel 5.Kebutuhan Nutrisi Penderita Jantung 1 Rincian Kebutuhan Nutrisi Per Hari Per Makan Energi (kal) + 1% Karbohidrat (45% s/d 65%) min Karbohidrat (45% s/d 65%) max Protein (2%) Lemak (25%) Tuan X membutuhkan total energi 2286,2 sehari. Dalam perencanaan menu makannya harus menemukan komposisi menu yang dapat memberikan takaran energi sebesar kebutuhan secara tepat dan dibagi dalam tiga kali makan. Ketepatan pemberian takaran energi ini yang sangat berperan untuk membantu mendapatkan kondisi normal atau stabil penderita jantung. Setelah memenuhi takaran energi secara tepat, akan didapat juga pembagian nutrisi makro dengan toleransi 1%, sehingga nutrisi yang dikonsumsi sesuai kebutuhan. Dengan data perhitungan total energi diatas, contoh perencanaan makan yang dapat diasup oleh Tuan X dengan ketentuan harus memenuhi kebutuhan takaran energi dan nutrisi makro terlihat dalam Tabel 6. Tabel 6. Perbandingan Rencana Menu Pakar dan Sistem Perencanaan Menu Makan Pakar Sistem Jmlh (gr) Jmlh (gr) Total Makan Pagi Nasi beras putih Soto ayam Rolade tahu Pisang ambon Total Energi 81.2 kal 87. kal Total Karbohidrat Total Protein Total Lemak Total Makan Siang Steak daging Kentang goreng Wortel rebus Buncis rebus Pisang ambon Total Energi 72. kal kal Total Karbohidrat Total Protein Total Lemak Total Makan Malam Nasi beras putih Asam pedas ikan Tahu goreng Susu Total Energi 57. kal kal Total Karbohidrat Total Protein Total Lemak Grafik perbandingan persentase error kebutuhan energi yang dihasilkan pakar dan nilai optimal yang dihasilkan sistem terlihat dalam Gambar 12. PERBANDINGAN % ERROR ANTARA PAKAR DENGAN ABCO 2, 1,, ENERGI PROTEIN LEMAK KH PAKAR,91 5,42 15,2 1,16 ABCO,94 1,77 11,86, Gambar 12.Grafik Perbandingan % Error Perhitungan Pakar dan Sistem Kasus Tuan X Tampilan hasil optimasi takaran kalori dengan sistem untuk kasus 1 ini terlihat dalam Gambar 13. A-12 Gambar 13.Tampilan Optimasi Energi Kasus Tuan X dengan ABCO 6. Kesimpulan Kesimpulan yang didapatkan dari serangkaian percobaan yang telah dilakukan dalam penelitian ini bahwa : Algoritma koloni lebah buatan dapat bekerja dengan baik untuk mengoptimasi perhitungan nilai takaran energi dan nutrisi makro secara efektif dengan proses singkat (+ 4 detik) untuk mencari nilai optimal dengan error maksimal dalam mendapatkan takaran energi optimal adalah sebesar,94. Proses optimasi takaran energi terbaik untuk kasus yang digunakan berada pada pengaturan parameter algoritma koloni lebah dengan populasi 5, iterasi 4, siklus 1, Scout Production Period 1 dan Laju Perubahan,6. Daftar Pustaka [1] Karaboga. Dervis. (211, December 15), An Idea Based On Honey Bee Swarm for Numerical Optimization, Technical Report-TR6, Erciyes University, Engineering Faculty, Computer Engineering Department, Turkey: Springer-link, 25. [2] L. Kathelen Manahan & Marian Arrlin Krause s Food, Nutrition and Diet Therapy 9 edition. W.B Saunders: USA [3] Gibson, Rosalind S. 25. Principles of Nutritional Assessment second edition. Oxford University Press:New York [4] Almatsier, S. Prinsip Dasar Ilmu Gizi..Jakarta, Gramedia, 21. [5] Teodorovic, D., Dell, M. O. (December 15, 211). Bee colony optimization a cooperative learning approach to complex transportation problems, In Proceedings of 1th EWGT Meeting and 16th Mini EURO Conference, 25. [6] A. Malik., S. Abdullah. (211, December 29), Comparison on the Selection Strategies in the Artificial Bee Colony Algorithm for Examination Timetabling Problem., International Journal of Soft Computing and Engineering (IJSCE) ISSN: , Volume-1, Issue-5, November 211. [7] Karaboga, Dervis. (211, December 15), Artificial bee colony (ABC) optimization algorithm for solving constrained optimization problems, Advances in Soft Computing: Foundations of Fuzzy Logic and Soft Computing, Volume 4529 of LNCS: , Springer, Berlin, 27. [8] Suyanto, Algoritma Optimasi. Jogjakarta, Graha Ilmu, 21, pp