Abstrak
Diabetes Melitus (DM) merupakan penyebab kematian no 4 terbesar didunia dan menyebabkan
kematian lebih banyak dibandingkan dengan penyakit lain sehingga diperlukan perhatian yang serius.
Salah satu yang dapat dilakukan adalah dengan terapi diet yakni menyusun menu makanan harian. Diet
penderita diabetes dilakukan dengan memperhatikan kebutuhan energi, karbohidrat, protein, dan lemak
dengan tepat dan akurat. Perhitungan energi pasien dapat dilakukan dengan manual atau dengan bantuan
sistem yang menerapkan suatu algoritma. Jika dilakukan dengan proses manual akan membutuhkan
waktu yang lama terutama apabila bahan makanan yang tersedia sangat banyak dan diet diabetes setiap
komplikasi memiliki kebutuhan yang berbeda. Dengan bantuan sistem proses komputasi akan
berlangsung dengan cepat dan jika diterapkan suatu algoritma perhitungan akan menghasilkan solusi
yang lebih optimal, salah satu algoritma tersebut adalah algoritma genetika. Algoritma genetika
merupakan metode heuristik yaitu suatu metode pencarian, dalam pelaksanaanya terdapat aturan-aturan
untuk memperoleh solusi yang lebih baik daripada solusi sebelumnya. Algoritma genetika banyak
diterapkan pada berbagai permasalahan optimasi sehingga diharapkan juga dapat mengoptimalkan
masalah pada optimasi kompoisi makanan. Hasil yang didapatkan dari penelitian yang dilakukan adalah
individu dalam populasi yang optimal berjumlah 250 individu dengan jumlah generasi 145 dan
kombinasi cr dan mr paling optimal adalah 0.7 dan 0.3 dengan fitnes 0. 01857.
Kata kunci: Diabetes Mellitus, Optimasi, Algoritma Genetika
Abstract
Diabetes Mellitus (DM) is the 4th largest cause of death in the world and causes more deaths than other
diseases so needed serious attention is required. One that can be done is by diet therapy that is
composing daily food menu. Diabetic diet is done with attention of energy, carbohydrates, proteins, and
fats with precise and accurate. The calculation of the patient's energy can be done manually or with the
help of a system that implements an algorithm. If done by manual process will take a long time especially
if the available food is very much and diabetic diet every complication has different needs. With the help
of computation process system will take place quickly and if applied a calculation algorithm will yield
more optimal solution, one of the algorithm is genetic algorithm. Genetic algorithm is a heuristic method
that is a search method, in implementation there are rules to obtain a better solution than the previous
solution. Genetic algorithm is widely applied to various optimization problems so it is also expected to
optimize the problem on the optimization of food composition. The results obtained from the research
conducted are individuals in the optimal population of 250 individuals with the number of generations
of 145 and the combination of cr and mr most optimal is 0.7 and 0.3 with fitnes 0. 01857.
Keywords: Diabetes Mellitus, Optimization, Genetic Algorithm
diabetes melitus secara umum disebabkan oleh harga makanan yang lebih murah.
tiga faktor yaitu pola makan yang salah, gaya Pada penelitian sebelumnya mengenai
hidup yang modern dan obesitas (Susilo & optimasi komposisi makanan yang dilakukan
Wulandari, 2011). pada penderita penyakit diabetes melitus
Penyakit diabetes melitus memiliki menggunakan algoritma genetika mendapatkan
beberapa gejala yaitu sering buang air kecil, hasil kombinasi makanan yang dibutuhkan oleh
sering merasa haus, sering merasa lapar dan penderita diabetes melitus dan biaya yang
penurunan berat badan secara drastis (Susilo & minimum. Output yang dihasilkan berupa list
Wulandari, 2011). Namun satu dari empat makan pagi, siang, dan malam (Rianawati &
orang tidak menyadari bahwa mereka memiliki Mahmudy, 2015). Namun pada kenyataannya
penyakit diabetes (Sutanto, 2010). Padahal sangat jarang pasien yang menderita penyakit
diabetes merupakan penyebab kematian no 4 diabetes melitus saja tanpa komplikasi penyakit
terbesar didunia dan merupakan penyakit yang yang lain. Hal ini dikarenakan penyakit diabetes
memiliki pertumbuhan terpesat dan telah melitus menjadi sangat berbahaya karena
menyebabkan kematian lebih banyak penyakit tersebut menyebabkan komplikasi
dibandingkan dengan penyakit lain (Tandra, dengan penyakit lain (Prameswari, Penyakit
2013). Pada tahun 2012 4,8 juta penduduk Diabetes Mellitus dan Komplikasinya, 2016).
penderita diabetes melitus mengalami kematian Sehingga sangat penting dilakukan penelitian
dan setiap menit terdapat 6 orang yang mengenai optimasi komposisi makanan bagi
meninggal diakibatkan penyakit diabetes penderita diabetes melitus dan komplikasinya.
(Tandra, 2013). Algoritma genetika banyak diterapkan
Jika penderita diabetes tidak pada berbagai macam permasalahan optimasi
mengontrol kadar gula dalam tubuhnya dengan seperti pada penelitian sebelumnya mengenai
teratur, tidak memperbaiki gaya hidup, diet optimasi bahan makanan pada penderita
yang tepat dan berolahraga dengan teratur dapat diabetes melitus (Rianawati & Mahmudy,
mengakibatkan penyakit diabetes mengalami 2015), optimasi lahan pertanian (Saputro &
komplikasi dengan penyakit mematikan. Mahmudy, 2015), optimasi barang dalam
Adapun komplikasi tersebut adalah jantung, produksi (Ramuna & Mahmudy, 2015),
stroke, mata, ginjal, saraf, hipertensi, dan optimasi penjadwalan (Sari & Mahmudy,
lambung (Prameswari, Penyakit Diabetes 2015). Penelitian-penelitian tersebut dapat
Mellitus dan Komplikasinya, 2016). Gula darah menghasilkan solusi yang mendekati optimum
yang terkontrol dengan baik, pengaturan diet karena algoritma genetika merupakan metode
yang benar dapat menghindarkan diabetes heuristik yaitu suatu metode pencarian yang
melitus dari berbagai komplikasi bahkan dapat dalam pelaksanaanya terdapat aturan-aturan
mencengah dan mengobati penyakit diabetes untuk memperoleh solusi yang lebih baik
(Tandra, 2013). daripada solusi yang telah diperoleh
Hal yang perlu diperhatikan dalam diet sebelumnya. Serta dalam pelaksaannya waktu
yang tepat adalah menentukan komposisi yang digunakan untuk mencari solusi relatif
makanan yang tepat yaitu bagaimana cara cepat (Mahmudy, 2015). Dengan banyaknya
mengoptimalkan gizi dan nutrisi pada makanan penelitian yang menggunakan algoritma
yang dikonsumsi oleh penderita diabetes genetika pada berbagai permasalahan optimasi,
melitus. Cara menentukan komposisi makanan algoritma genetika juga digunakan dalam
yang tepat dapat dilakukan manual dan penyelesaian permasalahan optimasi bahan
menggunakan software. Cara manual memiliki makanan pada perderita penyakit diabetes
banyak kelemahan yaitu waktu penentuan melitus dan komplikasinya serta diharapkan
membutuhkan waktu yang lama dan nutrisi dapat menghasilkan hasil yang optimum juga.
yang terkandung belum tentu benar-benar Hasil dari penelitian dapat dikatakan optimum
optimal. Sedangkan dengan software penentuan jika menu makananan yang dihasilkan tidak
komposisi makanan yang tidak menggunakan melebihi batasan kalori harian dari pasien
metode pendukung tidak membutuhkan waktu penderita diabetes melitus.
yang lama namun nutrisi yang dihasilkan juga Penelitian ini memliki manfaat
belum tentu optimal. Sehingga diperlukan terutama bagi pasien penderita diabetes melitus
metode pendukung yang diimplementasikan yaitu pasien tidak kesulitan dalam menentukan
pada software dan menghasilkan komposisi makanan yang memenuhi gizi dengan harga
makanan yang cepat, nutrisi yang optimal dan yang terjangkau. Serta para penderita diabetes
melitus harus hati-hati terhadap makanan yang kesemutan sehingga pasien tidak
dikonsumsi agar tidak memperparah kondisi menyadari jika terjadi luka. Luka yang
dan terjangkit komplikasi yang lain. diderita penderita diabetes sangat lama
Berdasarkan uraian diatas, maka perlu untuk disembuhkan dan beresiko terkena
dilakukan penelitian yang berjudul Optimasi infeksi dan menyebabkan kaki harus
Komposisi Makanan pada Penderita Diabetes diamputasi.
Melitus dan Komplikasinya menggunakan
3. Diabetes Nefropati. Nefropati atau
Algoritma Genetika.
kerusakan yang terjadi pada ginjal.
Kerusakan pada ginjal disebabkan oleh
2. DASAR TEORI
pengobatan yang dilakukan oleh pasien
Terdapat beberapa teori yang akan dibahas penderita diabetes.
sesuai dengan penelitian yang terkait. Teori-
4. Diabetes Gastropati. Gastropati atau
teori mengenai diabetes mellitus, penyakit
kerusakan lambung disebabkan oleh obat-
komplikasi pada diabetes mellitus, perhitungan
obatan untuk mengobati diabetes yang
asupan kalori yang nantinya akan digunakan
diderita.
sebagai terapi diet, diet pasien diabetes mellitus
dan komplikasinya serta penjelasan tentang 2.1.1.2 Makrovaskular
algoritma genetika. Komplikasi Makrovaskular merupakan
kebalikan dari mikrovaskular yaitu komplikasi
2.1 Diabetes Mellitus dari penyakit diabetes mellitus yang mengenai
Diabetes mellitus merupakan penyakit yang pembuluh darah arteri berukuran besar. Adapun
dapat dimiliki orang dalam jangka waktu yang macam-macam komplikasi makrovaskular
panjang (penyakit menahun) karena tidak adalah
mudah untuk menurunkan kadar gula dalam 1. Diabetes Kardiomiopati. Komplikasi
darah sehingga membutuhkan penanganan yang diabetes ini dikarenakan glukosa
tepat (Ernawati, 2013). Diabetes adalah kondisi menumpuk pada darah dan jantung sebagai
tubuh tidak dapat memproduksi insulin dengan organ yang mengatur peredaran darah
benar atau tubuh mengalami kekurangan insulin tubuh bekerja lebih berat dan jika hal ini
sehingga glukosa dalam darah menumpuk terus berlangsung dapat menyebabkan
(Sutanto, 2010). penyakit jantung. Penyakit jantung terdiri
dari beberapa jenis diantaranya penyakit
jantung coroner, serangan jantung dan
2.1.1 Komplikasi Diebetes Mellitus
gagal jantung.
Menurut (Prameswari, 2016) 2. Stroke. Komplikasi stroke ini dikarenakan
komplikasi-komplikasi yang dialami oleh pembuluh darah menyempit sehingga
penderita diabetes mellitus dibagi menjadi dua saluran darah tidak lancar bahkan
yaitu tersumbat. Tidak menutup kemungkinan
2.1.1.1 Mikrovaskular aliran darah pada otak terhambat dan
Komplikasi mikrovaskular merupakan menyebabkan terjadinya stroke.
komplikasi dari penyaki diabetes mellitus yang
menyerang pembuluh darah arteri yang 2.2 Perhitungan Asupan Kalori
berukuran kecil. Komplikasi mikro vaskuler
terdiri dari empat jenis yaitu Perhitungan status gizi berdasarkan IMT
1. Diabetes Retinopati. Diabetes retinopati (Indeks Masa Tubuh) ditunjukkan pada
adalah penyakit kerusakan yang terjadi persamaan 1
pada retina. Penyebab terjadinya retinopati
adalah menumpuknya glukosa pada darah IMT= ( )2 (1)
pada retina sehingga dapat menyebabkan
rusaknya pembuluh.
Setelah menghitung IMT, kemudian
2. Diabetes Neuropati. Neuropati atau menghitung BBI. Menurut rumus broca dengan
kerusakan saraf pada penderita diabetes menghitung BBI (Berat Badan Ideal)
biasanya menyerang daerah kaki pasien. = ( 100) 10%
Gangguan saraf yang terjadi adalah kaki Atau
tidak dapat merasakan panas, nyeri dan
N
Gambar 2 Desain Kromosom
Memenuhi kondisi
berhenti
Keterangan :
Y SP = Sumber Makanan Pokok
SS = Sumber Sayuran
Kromosom Terbaik SN = Sumber Nabati
P = Pelengkap
SH = Sumber Hewani
End E1, E2, E3, E4, E5 = Berat Energi
L1,L2,L3,L4,L5 = Berat bobot lemak
Gambar 1 Diagram Alir Algoritma Genetika Kb1,Kb2,Kb3,Kb4,Kb5 = Berat bobot
karbohidrat
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 275
6. Seleksi
Seleksi dilakukan menggunakan seleksi
elitism dimana seleksi dilakukan dengan
memilih individu yang memiliki fitness
tertinggi sejumlah popsize. Hasil seleksi dapat
dilihat pada Tabel 4.
Tabel 4 Hasil Seleksi
Gambar 9 Halaman Data Input
Individu Fitness
P7 0.000417
P8 0.000408
C3 0.000379
C2 0.000371
P1 0.000349
C7 0.000341
P5 0.000337
C5 0.000329
C1 0.000312
P10 0.000308
3.2 Implementasi
Implementasi pada permasalahan Gambar 10 Halaman Data Makanan
pemilihan menu optimal pada penderita
diabetes mellitus menggunakan bahasa
pemrograman java. Terdapat 5 UI yang
ditampilkan. Tampilan beranda berisi data
input. Tampilan kedua menampilkan data
makanan, tampilan ketiga menampilkan history
individu dalam populasi setiap generasi
memiliki kromosom, penalty dan nilai fitness.
Tampilan keempat menampilkan individu
terbaik dan yang terakhir menampilkan data
pasien yang diinputkan sebelumnya lalu
kebutuhan kalori, karbohidrat, protein, dan
lemak seimbang pasien serta menu makanan
dalam sehari. Adapun tampilan dapat dilihat
pada Gambar 9 sampai Gambar 13.
Gambar 11 Halaman Algoritma Genetika
Pengujian Populasi
0,02000
0,01900
0,01800
0,01700
Fitnes
0,01600
0,01500
0,01400
0,01300
0,01200
0,01100
0,01000
10
40
70
100
130
160
190
220
250
280
310
340 Populasi
Gambar 13 Halaman Hasil
Nilai fitness rata-rata
4. PENGUJIAN DAN ANALISIS
Gambar 14 Grafik Pengujian Populasi
Pengujian dilakukan dengan empat tahap
yaitu pengujian populasi, pengujian kombinasi Berdasarkan hasil pengujian populasi
crossover dan mutation rate, pengujian Gambar 14 menunjukkan bahwa bertambahnya
generasi, dan pengujian kromosom. jumlah populasi rata-rata nilai fitness
cenderung meningkat. Pada pengujian pertama
4.1 Pengujian Populasi jumlah popsize 10 memiliki fitness yang paling
rendah yaitu 0.0133 dan jumlah populasi yang
Pengujian populasi digunakan untuk
optimal adalah 250 dengan nilai rata-rata fitness
mencari populasi yang optimal. Pengujian
0. 0179. Dari hasil tersebut menunjukkan
populasi dilakukan dengan 5 kali pencobaan
bahwa semakin banyak jumlah populasi maka
lalu dihitung rata-rata fitness yang didapat. Pada
fitness yang diperoleh akan cenderung
pengujian populasi dilakukan dengan input
meningkat.
generasi sebesar 30, cr = 0.5 dan mr=0.5. Selain
itu data pasien menggunakan tinggi badan 180
cm, berat badan 60 cm, umur 50 tahun, aktifitas
ringan, dan komplikasi adalah ginjal. Hasil
pengujian populasi dapat dilihat pada Tabel 5.
4.2 Pengujian Kombinasi Crossover Rate mutation rate pada Gambar 15 didapatkan hasil
dan Mutation Rate bahwa kombinasi crossover rate 0.7 dan
mutation rate 0.3 adalah kombinasi crossover
Setelah menemukan jumlah populasi
rate dan mutation rate yang paling optimal.
(popsize) yang paling optimal, perlu melakukan
Kombinasi tertinggi kedua adalah kombinasi
percobaan untuk mengetahui kombinasi
cr=0.8 dan mr=0.2, ketiga cr=0.6 dan mr=0.4
crossover rate dan mutation rate yang optimal.
dan yang terendah adalah kombinasi cr=0 dan
Pada pengujian ini menggunakan populasi
mr=1. Sehingga kombinasi cr dan mr yang
dengan rata-rata fitness yang memiliki jumlah
paling optimal adalah kombinasi cr=0.7 dan
populasi tertinggi yaitu 250 individu dalam
mr=0.3.
pengujian populasi. Hasil pengujian crossover
rate dan mutation rate dapat dilihat pada Tabel
4.3 Pengujian Generasi
6 berikut.
Tabel 6 Hasil Pengujian Kombinasi Crossover dan Pengujian dilanjutkan dengan melakukan
Mutation Rate uji coba untuk mengetahui generasi yang paling
Kombin Nilai Fitnes Nilai optimal. Pengujian yang dilakukan hampir
asi Percobaan ke fitnes sama dengan pengujian populasi dan crossover
rata- rate serta mutation rate namun populasi,
M rata
Cr 1 2 3 4 5 crossover rate dan mutation rate yang
r
0.01 0.01 0.01 0.01 0.01 0.01 digunakan yaitu populasi = 130, crossover rate
1 0
7 7 8 8 8 74 = 0.7 dan mutation rate = 0.3. Hasil dari
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 pengujian generasi dapat dilihat pada Tabel 7
9 1 6 6 6 8 8 69 berikut.
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 Tabel 7 Hasil Pengujian Generasi
8 2 8 8 8 8 7 76
Nilai fitness Nilai
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 Ukura
Percobaan ke fitnes
7 3 8 8 8 8 8 79 n
s
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 genera
1 2 3 4 5 rata-
6 4 8 7 8 8 8 77 si
rata
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.015
5 5 7 8 8 8 8 76 10
5 5 6 5 5 2
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.017
4 6 8 8 7 8 7 75 25
7 8 8 8 7 5
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.018
3 7 8 6 7 7 7 70 40
8 8 8 8 8 1
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.018
2 8 6 7 7 6 7 67 55
9 8 8 9 8 4
0. 0. 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.018
1 9 6 7 7 6 7 66 70
9 9 8 9 9 6
0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.018
0 1 85
7 7 7 6 6 67 9 8 8 9 8 5
0.01 0.01 0.01 0.01 0.01 0.018
100
9 8 9 9 9 6
Pengujian Kombinasi cr dan mr 115
0.01 0.01 0.01 0.01 0.01 0.018
8 8 8 9 8 4
0,02000
0,01900 0.01 0.01 0.01 0.01 0.01 0.018
0,01800 130
Fitness
0,01700
0,01600 8 9 8 9 8 5
0,01500
0,01400
0,01300 0.01 0.01 0.01 0.01 0.01 0.018
0,01200 145
0,01100
0,01000 9 9 9 9 9 6
Mr 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.01 0.01 0.01 0.01 0.01 0.018
160
8 8 9 9 8 2
Cr 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.01 0.01 0.01 0.01 0.01 0.018
175
Kombinasi cr dan mr 9 9 8 9 7 2
0.01 0.01 0.01 0.01 0.01 0.018
190
8 8 8 9 9 4
Nilai fitness rata-rata 0.01 0.01 0.01 0.01 0.01 0.018
205
8 8 8 8 8 2
Gambar 15 Grafik Pengujian Kombinasi Crossover 0.01 0.01 0.01 0.01 0.01 0.018
dan Mutation Rate 220
9 7 8 9 8 2
0.01 0.01 0.01 0.01 0.01 0.018
235
Dari hasil pengujian crossover rate dan 9 8 7 8 8 1
0,016
0,015 yaitu 22 bahan makanan pokok, 12 bahan
0,014
0,013
0,012
0,011 makanan nabati, 48 bahan makanan hewani, 36
0,010 bahan makanan sayuran dan 38 bahan makanan
10 40 70 100130160190220250280 pelengkap (buah) . Setiap gen dalam kromosom
Generasi wajib tidak melebihi jumlah atau menu yang
dihasilkan akan tidak sesuai dengan kebutuhan
Nilai fitness rata-rata atau menu yang akan dirancang. Pada Tabel 6.4
sumber pokok memiliki gen 17, 20 dan 8.
Gambar 16 Pengujian Generasi Ketiga gen tersebut tidak melebihi batas jumlah
makanan pokok yakni 22 sehingga sumber
Dari hasil pengujian generasi pada Gambar pokok sesuai. Pada sumber nabati terdiri dari
16 didapatkan bahwa generasi terbaik adalah gen bernomor 11, 11, 11 ketiganya tidak
generasi 145 dengan rata-rata fitnes 0.0186001. melebihi jumlah sumber nabati sehingga gen
Hasil pengujian generasi juga dapat dilihat pada sumber nabati sesuai. Pada sumber hewani
Gambar 6.3 yang menunjukkan bahwa rata-rata terdiri dari gen 25, 25, 47 yang ketiganya juga
fitnes semakin meningkat dengan sesuai. Sumber sayuran memiliki gen 23, 23, 23
bertambahnya jumlah generasi namun mulai yang ketiganya tidak melebihi batas dan sumber
generasi 55 sampai generasi 250 memiliki rata- pelengkap yang terdiri dari 18, 11, 18 dimana
rata fitnes meningkat dan menurun serta puncak ketiganya tidak memiliki batas. Sehingga dapat
tertinggi generasi adalah 145. Setelah disimpulkan bahwa perancangan kromosom
mendapatkan nilai tertinggi rata-rata fitness yang dilakukan pada komposisi makanan sudah
menurun dan agak meningkat pada generasi 190 sesuai.
namun kembali menurun lagi di generasi
selanjutnya. Pada generasi 250 memiliki 5. KESIMPULAN DAN SARAN
kenaikan fitness yag hampir sama dengan 190
namun kembali menurun. Sehingga generasi Kesimpulan yang didapat adalah bahwa
paling optimal dalam permasalahan ini adalah dengan menggunakan algoritma genetika dalam
145. pengoptimalkan penyusunan menu makanan
bagi penderita penyakit diabetes mellitus dan
4.4 Pengujian Kromosom komplikasinya memperoleh hasil populasi yang
paling optimal adalah 250 individu, kombinasi
Pengujian kromosom merupakan cr = 0.7 dan mr = 0.3 serta generasi optimal
pengujian yang dilakukan untuk menguji berjumlah 145 generasi dengan fitness 0.01857.
kromosom yang sudah dirancang sesuai atau Saran yang dapat dilakukan dalam
tidak dengan permasalahan yang diteliti. pengembangan selanjutnya yaitu dengan
Kromosom dikatakan sesuai jika jumlah gen menerapkan metode crossover dan mutasi yang
dalam kromosom berjumlah 15 dan masing- lain sehingga membandingkan hasil mana yang
masing nilai gen tidak melebihi batas dari lebih optimal. Algoritma genetika merupakan
jumlah makanan. Hasil pengujian kromosom algoritma berbasis global search dalam
dapat dilihat pada Gambar 17. menyelesaikan masalah. Jika algoritma tersebut
dihibrid dengan algoritma local serach seperti
Variable Neighborhood Search, Simulated
Annealing, atau metode yang lain dapat
menghasilkan hasil yang lebih optimal. Saputro, H., & Mahmudy, W. F. (2015).
Implementasi Algoritma Genetika
6. DAFTAR PUSTAKA untuk optimasi penggunaan lahan
Mahmudy, W. F. (2015). Algoritma Genetika. pertanian. DORO: Repository Jurnal
Malang: Fakultas Ilmu Komputer. Mahasiswa PTIIK Universitas
Prameswari, d. (2016, November 11). Penyakit Brawijaya, 5, 12.
Diabetes Mellitus dan Komplikasinya. Sari, D., & Mahmudy, W. F. (2015). Optimasi
Prameswari, d. (2016, November 11). Penyakit penjadwalan mata pelajaran
Diabetes Mellitus dan Komplikasinya. menggunakan algoritma genetika
Malang. (studi kasus : SMPN 1 Gondang
Ramuna, M., & Mahmudy, W. F. (2015). Mojokerto). DORO: Repository Jurnal
Optimasi persediaan barang dalam Mahasiswa PTIIK Universitas
produksi jilbab menggunakan Brawijaya, 5, 13.
algoritma genetika. DORO: Repository Susilo, d., & Wulandari, A. (2011). Cara Jitu
Jurnal Mahasiswa PTIIK Universitas Mengatasi Diabetes Melitus (Kencing
Brawijaya, 5, 14. Manis) . Yogyakarta: Andi.
Rianawati, A., & Mahmudy, W. F. (2015). Sutanto. (2010). CEKAL (Cegah & Tangkal)
Impelementasi Algoritma Genetika Penyakit Modern. Yogyakarta: Andi.
untuk Optimasi Komposisi Makanan Tandra, P. (2013). Life Healty with Diabetes
bagi Penderita Diabetes Mellitus. V, Diabetes Mengapa & Bagaimana?
14. Yogyakart: Andi.
Zukhri, Z. (2014). Algoritma Genetika.
Yogyakarta: Andi Yogyakarta.