Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi Menggunakan Algoritme Genetika

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 9, September 2018, hlm Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi Menggunakan Algoritme Genetika Novirra Dwi Asri 1, Imam Cholissodin 2, Dian Eka Ratnawati 3 Program Studi Teknik Informatika, 1 virra.novirra@gmail.com, 2 imamcs@ub.ac.id, 3 dian_ilkom@ub.ac.id Abstrak Hipertensi merupakan penyakit beresiko dan salah satu penyebab kematian ibu hamil. Bagi ibu hamil penderita Hipertensi pengaturan makanan yang kurang tepat dapat mempengaruhi pertumbuhan dan perkembangan janin. Pengaturan makanan yang dianjurkan untuk ibu hamil penderita Hipertensi adalah mengatur porsi makanan pemicu Hipertensi dengan tidak mengurangi kebutuhan gizi untuk janinnya. Salah satu cara yang dapat digunakan dalam menyusun makanan ibu hamil penderita Hipertensi adalah dengan menggunakan Algoritme Genetika. Algoritme genetika merupakan metode heuristic yang menggunakan aturan-aturan untuk mendapatkan solusi terbaik. Proses algoritme genetika pada penelitian menggunakan representasi kromosom bilangan integer, metode crossover yang digunakan adalah extended intermediate crossover, metode mutasi yang digunakan adalah random mutation dan seleksi menggunakan seleksi elitism. Hasil yang diberikan adalah rekomendasi makanan untuk beberapa hari yang terdiri dari makan pagi, makan siang, dan makan malam. Berdasarkan penelitian yang dilakukan didapatkan hasil ukuran generasi optimal yaitu pada ukuran generasi 240 dengan rata-rata nilai fitness sebesar 525,0720, ukuran populasi optimal yaitu pada ukuran populasi 90 dengan rata-rata nilai fitness sebesar 525,0680 dan kombinasi nilai cr dan mr adalah 0,6 dan 0,5 dengan rata-rata nilai fitness sebesar 525,0695 Kata kunci: ibu hamil, Hipertensi, makanan, optimasi, Algoritme Genetika Abstract Hypertension is a risky disease and one of the main causes of death in pregnant women. For Hypertension pregnant women, the wrong food arrangement can affect the growth and development of the fetus. The recommended food arrangements for pregnant women with Hypertension is arrange the portion of food that can increase hypertension but not reducing the nutrition for fetus. There is one way that can be used to serve food of pregnant women with Hypertension is use a Genetic Algorithm. Genetic Algorithm is a heuristic method that uses rules to get the best solution. The process of Genetic Algorithm in research using representation chromosome integer number, crossover using extended intermediate crossover, mutation using random mutation and selection using elitism selection. The results provided are food recommendations for several days consisting of breakfast, lunch, and dinner. Based on the research results, the optimal generation size is 240 with the average fitness value is , the optimal population size is 90 with the average fitness value is and the combination of cr and mr is 0.6 and 0.5 with average fitness value is Keywords: pregnant women, Hypertensive, food, optimation, Genetic Algorithm 1. PENDAHULUAN Berdasarkan laporan World Health Organization(WHO) angka kematian ibu hamil di dunia akibat Hipertensi pada saat persalinan mencapai wanita pada tahun 2005 (WHO, 2005). Menurut data Kementrian Kesehatam dari tahun Hipertensi menjadi salah satu dari tiga penyebab utama kematian ibu hamil (Kemenkes, 2014). Di wilayah Jawa Timur yaitu kabupaten Tulungagung mayoritas penyebab kematian ibu melahirkan karena pendarahan akibat Hipertensi, angka kematian pada daerah tersebut mencapai lebih dari 50% dari total kejadian kematian ibu hamil (Tarmizi, 2017). Pola konsumsi makanan yang salah menjadi penyebab utama timbulnya penyakit tersebut. Banyak faktor yang mempengaruhi pola Fakultas Ilmu Komputer Universitas Brawijaya 2892

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2893 konsumsi masyarakat saat ini yaitu perkembangan informasi era modern membuat masyarakat cenderung mengkonsumsi junk food atau makanan instan yang berbahaya bagi kesehatan, selain itu padatnya aktivitas membuat kurang terawasinya makanan yang dikonsumsi. Hipertensi adalah keadaan dimana naiknya tekanan darah melebihi batas normal yaitu 140/90 mmhg (Putri, et al., 2018). Hipertensi merupakan salah satu penyakit berbahaya yang sebagian besar disebabkan karena pola makan yang kurang tepat. Saat ini masyarakat setiap harinya banyak mengkonsumsi makanan yang beresiko seperti makanan tinggi gula, tinggi lemak, serta mengandung garam berlebih. Peningkatan kadar garam dan kadar lemak dalam makanan dapat memicu naiknya tekanan darah. Porsi konsumsi yang kurang tepat dapat memicu resiko naiknya tekanan darah. Apabila dibiarkan bagi ibu hamil hal ini akan membahayakan dirinya dan janin dalam kandungannya. Berdasarkan permasalahan di atas diperlukan penyusunan menu makanan yang sesuai bagi ibu hamil dengan memperhatikan kondisi tekanan darah dan janin dalam kandungannya. Dalam penyusunan menu makanan tersebut harus memenuhi kebutuhan gizi yang diperlukan ibu hamil agar pertumbuhan dan perkembangan janin dalam kandungannya tidak terhambat, hal ini merupakan hal yang sulit bagi orang awam yang kurang pengetahuan mengenai komposisi menu makanan yang sesuai kebutuhan gizi dan penyusunan menu makanan yang manual membutuhkan waktu cukup lama. Selain memenuhi kebutuhan gizi, biaya juga menjadi pertimbangan dalam penyusunan menu makanan. Oleh karena itu diperlukan sistem untuk menyelesaikan masalah tersebut dengan makanan yang bervariasi dalam beberapa hari. Algoritme genetika dapat dijadikan solusi dalam membangun sistem ini. Algoritme Genetika dapat menyelesaikan masalah dengan model matematika kompleks atau sulit dibangun (Mahmudy, 2015). Pada penelitian sebelumnya mengenai optimasi komposisi makanan penderita diabetes dan komplikasinya yang dilakukan oleh Maryamah tahun 2017 menghasilkan komposisi makanan dalam satu hari yang terdiri dari makan pagi, makan siang dan makan malam. Komposisi makanan yang dihasilkan tersebut memenuhi kebutuhan gizi serta dengan harga yang terjangkau. Penelitian lain dilakukan oleh Ayu Puspo Sari yang melakukan optimasi asupan gizi pada ibu hamil dengan hasil yang diberikan yaitu makan pagi, makan siang dan makan malam, namun saat ini banyak ibu hamil yang menderita penyakit seperti Hipertensi sehingga sistem tersebut kurang cocok digunakan oleh ibu hamil dengan Hipertensi, maka dari itu sangat penting untuk dilakukan penelitian optimasi asupan makanan bagi ibu hamil penderita Hipertensi. Berdasarkan penelitian yang sudah ada sebelumnya maka Algoritme Genetika dapat digunakan untuk menyelesaikan masalah yang berkaitan dengan menu makanan. Maka dari itu dalam membangun sistem optimasi asupan makanan harian ibu hamil penderita Hipertensi digunakan Algoritme Genetika dalam menyelesaikan masalah. Diharapkan dengan sistem ini dapat membantu memberikan rekomendasi menu makanan harian yang sesuai kebutuhan gizi dengan harga yang terjangkau untuk ibu hamil penderita Hipertensi. 2. TINJAUAN PUSTAKA 2.1. Ibu Hamil Hipertensi Hipertensi merupakan keadaan naiknya tekanan darah yang melebihi batas normal yaitu 140/90 mmhg (Putri, et al., 2018). Seorang wanita mengalami Hipertensi pada kehamilan apabila melebihi batas normal tersebut. Kondisi Hipertensi pada ibu hamil sangat membahayakan ibu hamil dan janin dalam kandungannya. Apabila dibiarkan ibu hamil akan menerima resiko yang tinggi dalam persalinannya. Berikut beberapa dampak Hipertensi bagi ibu hamil antara lain: 1. Aliran darah ke plasenta berkurang 2. Perkembangan dan pertumbuhan janin terhambat 3. Menyebabkan kelahiran bayi berat badan rendah dan premature 4. Dapat menyebabkan kematian janin 2.2. Perhitungan Energi Menghitung Berat Badan Ideal (BBI) ibu hamil menggunakan rumus broca untuk mengetahui status gizi ditunjukkan pada Persamaan (1). BBI = 90% (TB 100) 1 kg (1) Kemudian menghitung Angka Metabolisme Basal (AMB) menggunakan Persamaan (2). AMB = BBI 25 kalori (2)

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2894 Berdasarkan hasil perhitungan BBI dapat diklasifikasikan status gizi ibu hamil berdasarkan Tabel 1. Tabel 1. Klasifikasi Berat Badan Ideal BBI Status Gizi Nilai Berat (NB) BB < 90%BBI Kurus 20% BB % BBI Normal 0% BB % Overweight -10% BB > 120% BBI Obesitas -20% Kemudian menghitung kalori berdasarkan beberapa faktor antara lain: 1. Berat Badan Berdasarkan klasifikasi BBI dapat dihitung kalori berat badan menggunakan Persamaan (3). Kalori berat = NB AMB (3) 2. Usia Terdapat klasifikasi usia ibu hamil untuk mendapatkan nilai umur ditunjukkan pada Tabel 2. Tabel 2. Nilai Usia Usia Nilai Usia (NU) tahun -5% tahun -10% 70 tahun -20% Menghitung kalori usia menggunakan Persamaan (4). Kalori usia = NU AMB (4) 3. Aktivitas Kalori aktivitas dihitung menggunakan Persamaan (5). Kalori aktivitas = NA AMB (5) NA adalah nilai aktivitas berdasarkan jenis pekerjaan yang ditunjukkan pada Tabel 3. Tabel 3. Nilai Aktivitas Fisik Nilai Aktivitas Kategori Pekerjaan (NA) 0.1 Istirahat Ringan Pegawai kantor, pegawai toko, ahli hukum, ibu rumah tangga. 0.3 Sedang Pegawai di industri ringan, mahasiswa, militer yang sedang tidak perang. 0.4 Berat Petani, buruh, militer dalam keadaan latihan, penari, atlit. 0.5 Tukang becak, Sangat tukang gali, pandai Berat besi. 4. Usia Kehamilan Penentuan nilai kalori kehamilan berdasarkan usia kehamilan ditunjukkan pada Tabel 4. Tabel 4. Nilai Kalori Kehamilan Usia Kehamilan Nilai Kalori Kehamilan (NK) 0-12 minggu 180 kalori minggu 300 kalori minggu 300 kalori Selanjutnya dapat dihitung total kalori harian yang dibutuhkan ibu hamil menggunakan Persamaan (6). Kalori = AMB + Kalori umur + Kalori aktivitas + Kalori berat + NK (6) Setelah mendapatkan nilai kalori harian dapat dihitung kebutuhan gizi ibu hamil menggunakan Persamaan (7), (8), dan (9). Karbohidrat (gr) = 1 (65% kalori)(7) 4 Protein (gr) = 1 (15% kalori) 4 (8) Lemak (gr) = 1 (20% kalori) 9 (9) Pada ibu hamil penderita hipertensi mengikuti diet rendah garam 3 dengan kebutuhan natrium sebesar mg/hari. Terdapat tambahan kebutuhan karbohidrat, protein, dan lemak pada ibu hamil berdasarkan Tabel 5. Tabel 5. Tambahan Kebutuhan Gizi Ibu Hamil Usia Kehamilan Karbohidrat (gr) Protein (gr) Lemak (gr) 0-12 minggu minggu minggu Algoritme Genetika Algoritme genetika merupakan algoritme yang menerapkan evolusi alamiah, banyak dimanfaatkan dalam menyelesaikan permasalahan kompleks bermacam-macam variabel. Algoritme genetika diawali dengan sejumlah solusi disebut populasi dan disusun menjadi individu. Populasi tersebut mengandung solusi-solusi yang diambil untuk membentuk populasi baru yang diharapkan lebih baik dari sebelumnya (Sari, et al., 2014). Individu terbaik ditunjukkan oleh nilai fitness yang besar. Nilai fitness pada algoritme genetika mencerminkan solusi terbaik dari

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2895 permasalahan. Permasalahan optimasi bersifat kompleks atau sulit dibangun dapat diselesaikan dengan algoritme genetika (Mahmudy, 2015). 3. PERANCANGAN DAN IMPLEMENTASI Tahapan pada algoritme genetika dimulai dengan inisialisasi parameter input yang terdiri dari data ibu hamil dan operator algoritme genetika, kemudian inisialisasi populasi awal, reproduksi, evaluasi dan seleksi. Diagram alir proses algoritme genetika dapat dilihat pada Gambar Perhitungan gizi ibu hamil oleh sistem berdasarkan parameter input. Hasil berupa banyaknya kebutuhan kalori, karbohidrat, protein, lemak, dan natrium harian. 3. Inisialisasi populasi awal secara acak sebagai calon solusi dari permasalahan sebanyak popsize yang ditentukan. 4. Proses reproduksi crossover untuk menghasilkan offspring menggunakan metode extended intermediate crossover. 5. Proses reproduksi mutasi pada induk terpilih berdasarkan nilai mr untuk menghasilkan offspring dengan menggunakan metode random mutation. 6. Proses evaluasi yaitu menghitung nilai fitness masing-masing individu. 7. Melakukan seleksi menggunakan metode elitism. Diambil individu dengan nilai fitness tertinggi sejumlah popsize untuk digunakan pada generasi selanjutnya Data Penelitian Data yang digunakan pada penelitian antara lain: 1. Data ibu hamil penderita hipertesi berasal dari Bidan Praktek Swasta Mojokerto. 2. Data makanan yang dioptimasi disusun bersama ahli gizi RS. Saiful Anwar Malang bernama Nawangsari L. menggunakan program nutrisurvey. Gambar 1. Diagram Alir Algoritme Genetika Berdasarkan Gambar 1 langkah-langkah algoritme genetika pada penelitian ini adalah sebagai berikut: 1. Memasukkan parameter input data ibu hamil, dan parameter algoritme genetika Inisialisasi Parameter Terdapat dua proses insialisasi parameter awal yang dilakukan yaitu parameter data ibu hamil dan parameter algoritme genetika. Parameter data ibu hamil terdiri dari nama, usia ibu hamil, usia kehamilan, tinggi badan, berat badan, dan aktivitas. Parameter algoritme genetika terdiri dari generasi, popsize, crossover rate (cr) dan mutation rate (mr). Kemudian dihitung kebutuhan energi harian dan kebutuhan gizi ibu hamil. Contoh permasalahan dengan parameter input ibu hamil hipertensi sebagai berikut: Nama : Y Usia : 28 tahun Usia kehamilan : 8 minggu Tinggi badan : 156 cm Berat badan : 50 kg Aktivitas : Ringan

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2896 Contoh parameter algoritme genetika yang digunakan adalah sebagai berikut: Generasi : 2 Popsize : 3 Crossover rate : 0.6 Mutation rate : 0.3 Kemudian menghitung kalori harian ibu hamil yang diawali dengan menghitung BBI menggunakan Persamaan (1). BBI = 90% ( ) 1 = 50.4 kg Selanjutnya menghitung AMB menggunakan Persamaan (2). AMB = = 1260 kkal Setelah mendapatkan nilai AMB selanjutnya menghitung kalori berat, kalori usia, dan kalori aktivitas menggunakan Persamaan (3) sampai (5). Kalori berat = 0% 1260 = 0 kkal Kalori usia = = 0 kkal Kalori aktivitas = 20% 1260 = 252 kkal Kemudian menentukan nilai kalori kehamilan, berdasarkan Tabel 4 dan usia kehamilan yang ditentukan. NK = 180 kkal Total kalori harian yang dibutuhkan dapat dihitung menggunakan Persamaan (6). Kalori = = 1692 kkal Setelah mendapatkan nilai kalori selanjutnya menghitung kebutuhan gizi karbohidrat, protein, dan lemak, menggunakan Persamaan (7) sampai (9). 65% 1692 Karbohidrat = ( ) = gr 15% 1692 Protein = ( ) = gr 20% 1692 Lemak = ( ) + 6 = 43.6 gr 9 Pada ibu hamil dengan hipertensi kebutuhan natrium harian mengikuti diet rendah garam 3 yaitu sebesar mg/hari 3.3. Representasi Kromosom Penelitian ini menggunakan representasi kromosom bilangan integer berisi id makanan yang akan dikonsumsi. Satu kromosom tersusun atas 105 gen yang terbagi dalam 7 hari makan. Terdapat 15 gen penyusun kromosom dalam satu hari makan, yang dibagi dalam 3 kali waktu makan yaitu makan pagi, makan siang dan makan malam. Masing-masing 5 gen penyusun dalam satu kali makan terdiri dari sumber karbohidrat, protein hewani, protein nabati, sayuran dan buah-buahan. Contoh representasi kromosom dapat dilihat pada Tabel 6. Tabel 6. Representasi Kromosom P Pagi Siang Hari ke Malam Pagi Siang Hari ke Malam Keterangan: K= sumber karbohidrat Ph = protein hewani Pn = protein nabati S = sayuran B = buah-buahan 3.4. Perhitungan Nilai Fitness Perhitungan nilai fitness dilakukan dengan menjumlahkan hasil bagi konstanta dengan penalti masing-masing gizi kemudian ditambah dengan konstanta dibagi jumlah harga dan ditambah dengan hasil kali konstanta dan variasi. Penalti yang digunakan terdiri dari penalti kalori, penalti, karbohidrat, penalti protein, penalti

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2897 lemak, dan penalti natrium. Perhitungan fitness menggunakan Persamaan (10) dengan C1 adalah konstanta untuk kalori, C2 adalah konstanta untuk karbohidrat, C3 adalah konstanta untuk protein, C4 adalah konstanta untuk lemak, C5 adalah konstanta untuk natrium, C6 adalah konstanta untuk harga dan C adalah konstanta untuk variasi. Fitness = C1 1 + PK + C2 1 + PKb + C3 1 + PP + C4 1 + PL + C5 + C6 + C. V (10) 1+ PN harga Keterangan: PK = Penalti kalori PKb = penalti karbohidrat PP = penalti protein PL = penalti lemak PN = penalti natrium V = total variasi Berdasarkan representasi kromosom pada Tabel 6 didapatkan total kandungan gizi sebagai berikut: Hari ke-1 Total kalori = kkal Total karbohidrat = gr Total protein = 77.8 gr Total lemak = 64.6 gr Total natrium = mg Hari ke-2 Total kalori = kkal Total karbohidrat = gr Total protein = 72.5 gr Total lemak = 59.7 gr Total natrium = mg Kemudian menghitung penalti masingmasing gizi sebagai berikut: Penalti kalori = = gr Penalti Karbohidrat = = gr Penalti Protein = = gr Penalti Lemak = = 16.1 gr Penalti Natrium = = mg Selanjutnya menghitung variasi makanan yang ditunjukkan pada Tabel 7. Tabel 7. Variasi Makanan P Pagi Siang Hari ke Malam Pagi Siang Hari ke Malam Berdasarkan Tabel 7 dapat dilihat total variasi adalah 30 sehingga dapat dihitung nilai fitness menggunakan Persamaan (10). Fitness = (5 30) Hari ke-1 Penalti kalori = = gr Penalti Karbohidrat = = gr Penalti Protein = = 5.65 gr Penalti Lemak = = 21 gr Penalti Natrium = = mg Hari ke-2 = Crossover Metode crossover yang digunakan adalah extended intermediate crossover dengan langkah-langkah sebagai berikut: 1. Menentukan jumlah offspring yang dihasilkan 2. Memilih dua buah induk secara acak 3. Membangkitkan nilai α sebanyak panjang kromosom secara acak

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Menentukan nilai setiap gen offspring hasil crossover menggunakan Persamaan (11) dan (12) dengan C1 dan C2 merupakan offspring yang dihasilkan, P1 dan P2 merupakan dua induk crossover. C1 = P1 + α (P2 P1) (11) C2 = P2 + α (P1 P2) (12) Pada contoh permasalahan dapat dihitung jumlah offspring yang dihasilkan yaitu = 1.8 (dibulatkan menjadi 2). Kemudian memilih dua induk secara acak ditunjukkan pada Tabel 8. Individu P1 P2 Tabel 8. Induk Crossover Kromosom Selanjutnya membangkitkan nilai α secara acak seperti pada Tabel 9. α Tabel 9. Nilai Alpha Dengan menggunakan Persamaan (11) dan (12) didapatkan offspring hasil crossover yang ditunjukkan pada Tabel 10. C1 gen ke 1 = (9 5) = 6.2 (dibulatkan menjadi 6) C2 gen ke 1 = (5 9) = 7.8 (dibulatkan menjadi 8) Tabel 10. Offspring Hasil Crossover Individu Kromosom C C Mutasi Metode mutasi yang digunakan adalah random mutation dengan langkah-langkah sebagai berikut: 1. Menentukan jumlah offspring yang dihasilkan 2. Memilih satu buah induk secara acak 3. Menentukan nilai maksimum dan minimum induk terpilih 4. Membangkitkan nilai r secara acak 5. Menentukan nilai setiap gen offspring hasil crossover menggunakan Persamaan (13) dengan C merupakan individu offspring yang dihasikan dan P merupakan induk mutasi. C = P + r (max min) (13) Pada contoh permasalahan dapat dihitung jumlah offspring yang dihasilkan yaitu = 0.9 (dibulatkan menjadi 1). Kemudian memilih satu induk secara acak ditunjukkan pada Tabel 11. Individu P Tabel 11. Induk Mutasi Kromosom Dengan menggunakan nilai r = 0.2 dapat dihitung nilai setiap gen offspring menggunakan Persamaan (13). Offspring hasil mutasi ditunjukkan pada Tabel 12. Gen ke 1 = (23 2) = 8.4 (dibulatkan menjadi 8) Tabel 12. Offspring Hasil Mutasi Individu Kromosom C Seleksi Metode seleksi yang digunakan adalah seleksi elitisim. Seluruh individu pada populasi awal dan individu hasil crossover dan mutasi digabungkan menjadi satu populasi. Populasi gabungan tersebut diurutkan berdasarkan nilai fitness terbesar hingga terkecil. Kemudian diambil individu sebanyak popsize dengan nilai fitness tertinggi 4. PENGUJIAN DAN ANALISIS 4.1. Hasil dan Analisis Pengujian Ukuran Generasi Ukuran generasi yang diuji yaitu ukuran generasi 30, 60, 90, 120, 150, 180, 210, 240, 170, dan 300 dengan 10 kali uji coba pada setiap ukuran generasi. Ukuran populasi yang digunakan adalah 70 dengan nilai cr = 0.6 dan

8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2899 mr = 0.4. Berdasarkan pengujian yang dilakukan didapatkan grafik perbandingan hasil rata-rata nilai fitness yang ditunjukkan pada Gambar 2. Gambar 3. Grafik Hasil Pengujian Ukuran Populasi Gambar 2. Grafik Hasil Pengujian Ukuran Generasi Pada Gambar 2 dapat dilihat rata-rata nilai fitness tertinggi yang dihasilkan yaitu pada ukuran generasi 240 dan rata-rata nilai fitness terendah yaitu pada ukuran generasi 30 hal ini disebabkan ukuran generasi yang kecil membatasi eksplorasi ruang pencarian sebaliknya ukuran generasi yang besar memberi peluang untuk melakukan eksplorasi ruang pencarian yang lebih besar. Rata-rata nilai fitness mengalami kenaikan pada generasi 30 hingga generasi 240 dan setelah generasi 240 rata-rata nilai fitness tidak mengalami perubahan yang signifikan, hal ini menunjukkan bahwa nilai fitness pada generasi tersebut telah mengalami konvergensi. Apabila pengujian ukuran generasi dilanjutkan dengan ukuran generasi lebih tinggi maka nilai fitness tidak memiliki selisih yang besar dan individu yang dihasilkan tidak berbeda jauh dengan induknya (Shafaat, et al., 2018). Berdasarkan hasil tersebut maka ukuran generasi 240 dapat dianggap optimal untuk digunakan dalam optimasi asupan makanan harian ibu hamil penderita Hipertensi Hasil dan Analisis Pengujian Ukuran Populasi Ukuran populasi yang diuji yaitu ukuran populasi 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, dan 110 dengan 10 kali uji coba pada setiap ukuran populasi. Kemudian hasil rata-rata nilai fitness dibandingkan untuk menentukan ukuran populasi yang optimal. Grafik hasil pengujian ukuran populasi ditunjukkan pada Gambar 3. Gambar 3 hasil pengujian ukuran populasi menunjukkan rata-rata nilai fitness tertinggi yang dihasilkan yaitu pada ukuran populasi 90 dan rata-rata nilai fitness terendah yaitu pada ukuran populasi 10, hal ini disebabkan ukuran populasi yang besar akan menghasilkan individu yang semakin beragam melalui proses crossover dan mutasi, dan berdampak pada nilai variasi yang dihasilkan, namun ukuran populasi yang besar juga tidak menjamin akan menghasilkan nilai fitness yang tinggi dikarenakan pembangkitan populasi yang dilakukan secara acak (Kusumaningsih, 2016). Ukuran populasi yang terlalu kecil akan memperkecil peluang untuk memperoleh solusi terbaik. Rata-rata nilai fitness mengalami kenaikan pada ukuran populasi 10 hingga 90. Pada ukuran populasi 100 rata-rata nilai fitness tidak menunjukkan perubahan yang signifikan hal ini menunjukkan bahwa telah mengalami konvergensi. Ukuran populasi 90 dapat dianggap sebagai ukuran populasi yang optimal Hasil dan Analisis Pengujian Kombinasi Cr dan Mr Kombinasi nilai cr dan mr yang diuji yaitu nilai cr dan mr antara 0,1 dan 1. Setiap kombinasi nilai cr dan mr diuji sebanyak 10 kali uji coba pada setiap ukuran populasi. Kemudian hasil rata-rata nilai fitness dibandingkan untuk menentukan kombinasi nilai cr dan mr yang optimal. Grafik hasil pengujian kombinasi nilai cr dan mr ditunjukkan pada Gambar 4.

9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2900 Gambar 4. Grafik Hasil Pengujian Kombinasi Cr dan Mr Gambar 4 menunjukkan grafik peningkatan rata-rata nilai fitness pada kombinasi nilai cr=0.1 dan mr=1 sampai dengan kombinasi nilai cr=0.6 dan mr=0.5. Hasil tersebut menunjukkan apabila nilai cr yang terlalu rendah dan mr yang terlalu tinggi menyebabkan Algoritme genetika memiliki kemampuan eksplorasi yang lebih besar sehingga individu yang dihasilkan lebih beragam, dan sebaliknya nilai cr yang terlalu tinggi dan mr yang terlalu rendah menyebabkan algoritme genetika memiliki tingkat eksploitasi yang besar sehingga individu yang terbentuk cenderung mirip dengan induknya dengan nilai fitness yang cenderung menurun serta membatasi eksplorasi terhadap individu yang lainnya (Siahaan, et al., 2017). Berdasarkan hasil pengujian kombinasi nilai cr dan mr optimal yang dapat digunakan adalah cr=0,6 dan mr=0,5. 5. KESIMPULAN Berdasarkan penelitian yang telah dilakukan didapatkan kesimpulan sebagai berikut 1. Algoritme genetika dapat diimplementasikan dalam optimasi asupan makanan harian ibu hamil penderita hipertensi dengan memberikan rekomendasi makanan untuk beberapa hari yang terdiri dari makan pagi, makan siang, dan makan malam. Representasi kromosom menggunakan representasi bilangan integer yang merepresentasikan id makanan, metode crossover yang digunakan adalah extended intermediate crossover, metode mutasi yang digunakan adalah random mutation, dan proses seleksi menggunakan seleksi elitism. Langkah-langkah dalam melakukan optimasi adalah sebagai berikut: a. Melakukan perhitungan kebutuhan gizi berdasarkan parameter data ibu hamil. b. Melakukan proses inisialisasi populasi awal berdasarkan parameter algoritme genetika yang ditentukan. c. Melakukan proses crossover menggunakan metode extended intermediate crossover. d. Melakukan proses mutasi menggunakan metode random mutation. e. Melakukan perhitungan nilai fitness masing-masing individu untuk menentukan kualitas individu. f. Melakukan proses seleksi untuk menentukan populasi pada generasi berikutnya dan solusi terbaik. 2. Kualitas hasil rekomendasi makanan sistem dapat diukur dengan menggunakan parameter algoritme genetika berdasarkan hasil pengujian antara lain ukuran generasi sebesar 240, ukuran populasi sebesar 90 dan kombinasi nilai cr dan mr adalah 0,6 dan 0,5. 6. DAFTAR PUSTAKA Ariani, A. P., Ilmu Gizi. Yogyakarta: Nuha Medika. Indriati, M. T. & Sukaca, B. E., Nutrisi Janin & Bayi. Yogyakarta: Parama Ilmu. Kaiser Lucia L. PhD, R., Davis & Christina G. Campbell, P. R., Nutrition and Lifestyle for a Healthy Pregnancy Outcome. Journal of the Academy of Nutrition and Dietetics. Kemenkes, Info Datin, Jakarta: Kementrian Kesehatan RI. Kusumaningsih, F. D., Penerapan Algoritma Genetika Pada Optimasi Susunan Bahan Makanan Untuk Pemenuhan Kebutuhan Gizi Keluarga. Malang: Fakultas Ilmu Komputer Universitas Brawijaya. Mahmudy, W. F., Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer. Mahmudy, W. F., Dasar-Dasar Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer. Maryamah, Putri, R. R. M. & Wicaksono, S. A., Optimasi Komposisi Makanan Pada

10 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2901 Penderita Diabetes Melitus dan Komplikasinya Menggunakan Algoritma Genetika. Jurnal Pengembangan Teknologi Inormasi dan Ilmu Komputer, pp Moehji, S., Dasar-Dasar Ilmu Gizi 2. Jakarta: Pustaka Kemang. Pregnancy, A. C. o. O. a. G. T. F. o. H. i., Hypertention in Pregnancy. s.l.:s.n. Putri, R. R. A., Furqon, M. T. & Wihandika, R. C., Optimasi Komposisi Menu Makanan Bagi Penderita Tekanan Darah Tinggi Menggunakan Algoritme Genetika Adaptif. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, pp Sari, A. P., Mahmudy, W. F. & Dewi, C., Optimasi Asupan Gizi Ibu Hamil Dengan Menggunakan Algoritma Genetika. DORO:Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya. Shafaat, M., Cholissodin, I. & Santoso, E., Optimasi Komposisi Makanan Diet Bagi Penderita Hipertensi menggunakan Algoritme Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, pp Siahaan, E. J. I., Cholissodin, I. & Fauzi, M. A., Sistem Rekomendasi Bahan Makanan Bagi Penderita Penyakit Jantung Menggunakan Algoritma Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Volume I, pp Tarmizi, T., Antara News. [Online] Available at: 5/hipertensi-penyebab-dominan-kematianibu-melahirkan [Diakses 17 September 2017]. Wahid, N. & Mahmudy, W. F., Optimasi Komposisi Makanan Untuk Penderita Kolesterol Menggunakan Algoritma Genetika. DORO:Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya. WHO, The World Health Report 2005 Make every mother and child count, Geneva: WHO Press.