Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 1, No. 11, November 2017, hlm. 1321-1330 http://j-ptiik.ub.ac.id

Implementasi Algoritma Particle Swarm Optimization (PSO) untuk

Optimasi Pemenuhan Kebutuhan Gizi Balita
Leni Istikomah1, Imam Cholissodin2, Marji3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1135150201111039@mail.ub.ac.id, 2imamcs@ub.ac.id, 3marji@ub.ac.id

Abstrak
Balita adalah anak dengan rentang umur 1-5 tahun. Menurut Riskesdas, pada tahun 2007, 2010, dan
2013 presentase kasus kekurangan gizi cenderung meningkat terutama pada balita. Upaya perbaikan gizi
balita telah dilakukan pemerintah melalui Posyandu untuk memonitoring dan memberikan pelayan lebih
terhadap balita. Kebutuhan gizi orang Indonesia telah diatur dalam pedoman gizi seimbang yang
dikeluarkan oleh Kementerian Kesehatan RI, termasuk pedoman gizi untuk memenuhi kebutuhan gizi
pada balita. Namun, pada pedoman gizi tersebut hanya menyediakan nilai dari kandungan gizi setiap
bahan makanan sehingga menyulitkan petugas Posyandu untuk memberikan variasi menu agar sesuai
dengan kebutuhan gizi balita. Pada penelitian ini memberikan rekomendasi variasi bahan makanan
secara otomatis selama 7 hari 3 kali makan dengan menggunakan proses optimasi dari algoritma Particle
Swarm Optimization yang dapat memudahkan Posyandu dan orang tua balita dalam menyediakan
makanan sehari-hari sesuai kebutuhan gizi balita. Berdasarkan hasil pengujian, parameter yang paling
optimal adalah Jumlah Partikel=30, Wmin=0.4, Wmax= 0.7, C1=2, C2=1.5, Jumlah Iterasi=40 dan Batas
Atas angka permutasi sebesar 75 menghasilkan rata-rata selisih energi, protein, lemak dan karbohidrat
sebesar 16.04%, -8.08%, 2.85% dan 25.98% yang mampu menghemat pengeluaran orangtua balita
sebesar 28.56%.
Kata Kunci: Particle Swarm Optimization, optimasi, gizi, balita, bahan makanan.
Abstract
Toddlers are children with 1-5 years age range. According to Riskesdas, in the year 2007, 2010, and
2013 the percentage of cases of malnutrition tends to increase, especially in toddlers. In the fulfillment
of nutrients, one type of food alone is not enough so it requires a variety of food ingredients that contain
all the elements of nutrients. Efforts to improve child nutrition have been done by the government
through Posyandu to monitor and provide more servants to toddlers. Nutrition needs of Indonesian
people has been set in the guidelines of Pedoman Gizi Seimbang by the Ministry of Health Republic
Indonesia, including nutritional guidelines to meet the nutritional needs of infants. However, the
nutritional guidelines only provide the value of the nutrient content of each foodstuff, making it difficult
for Posyandu staff to provide menu variations to fit the needs of children according to their health
condition. In this research give recommendation of variation of foodstuff automatically by using
optimization process of Particle Swarm Optimization algorithm so that it can facilitate Posyandu and
parents of toddlers in providing daily food according to the nutritional needs of toddlers. Based on the
test results, the most optimal parameter is the number of particles = 30, Wmin = 0.4, Wmax = 0.7, C1
= 2, C2 = 1.5, Number of iterations = 40 and Upper Limit Permutation number of 75 resulting in average
energy, protein, fat and carbohydrate difference of 16.04%, -8.08%, 2.85% and 25.98% which can save
parents toddlers by 28.56%.
Keywords: Particle Swarm Optimization, optimization, nutrition, child, food.

Pemberian gizi yang cukup akan membantu

1. PENDAHULUAN perkembangan dan pertumbuhan otak seorang
Gizi adalah hal yang penting dan sangat anak (Santoso, 2004). Seorang anak dikatakan
perlu diperhatikan pada setiap manusia. balita jika rentang umurnya 1-5 tahun (Mitiyani,
2010), istilah umumnya adalah anak dibawah

Fakultas Ilmu Komputer

Universitas Brawijaya 1321
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
lima tahun (Muaris, 2006).
Tingkat konsumsi yang diberikan pada
tubuh sangat mempengaruhi kesehatan gizi.
Tingkat Konsumsi pangan masyarakat Indonesia
cenderung dibawah standar (Kemenkes, 2014).
Pada tahun 2007, 2010, dan 2013 presentase
kasus kekurangan gizi cenderung meningkat.
Umumnya kelompok usia yang menderita
kurang gizi adalah balita. Kurang kalori, protein,
yodium, zat besi, vitamin, dan mineral
merupakan penyebab utama balita kurang gizi
(Santoso, 2004). Prevalensi anak balita kurang
gizi (underweight) tahun 2007 sebesar 18,4%,
tahun 2010 sebesar 17,9%, dan tahun 2013
sebesar 37,2% (Kemenkes, 2014). Sehingga
balita membutuhkan tingkat konsumsi yang
cukup agar terhindar dari kekurangan gizi.
Kekurangan gizi akan mengakibatkan
sulitnya memperbaiki kualitas bangsa (Widjaja,
2008). Upaya perbaikan gizi balita telah
dilakukan pemerintah dengan menyediakan
pelayanan kesehatan untuk monitoring
kesehatan balita yang dapat dilakukan di
posyandu. Posyandu merupakan perpaduan
antara pos keluarga berencana desa, pos
imunisasi, pos timbang, pos vaksinasi, dan pos
kesehatan desa yang dikenal dengan kegiatan
lima meja. Posyandu merupakan pos yang tepat
sebagai solusi mempertahankan kesehatan balita
(Santoso, 2004). Posyandu Gladiol 34 desa
Wringin Agung Kab. Jember memiliki program
untuk memenuhi gizi balita dalam bentuk saran
dan peringatan. Saran yang diberikan oleh
posyandu berupa bahan makanan yang dapat
dikonsumsi oleh balita tersebut agar menambah
berat badan dan meningkatkan kesehatan. Dalam
memberikan rekomendasi bahan makanan,
petugas harus mengingat dan membuka
pedoman bahan makanan yang dianjurkan oleh
DEPKES RI sehingga membutuhkan waktu
yang lama terkadang hanya diberikan menu-
menu atau bahan makanan yang dapat
dikonsumsi secara umum (tidak sesuai kondisi
balita). Adanya kendala tersebut, membuat
posyandu membutuhkan sistem cerdas yang
dapat membantu petugas dalam
merekomendasikan bahan makanan sesuai
kondisi kesehatan gizi balita.
Tubuh manusia membutuhkan zat gizi
yang diperlukan oleh tubuh untuk tumbuh dan
berkembang. Tumbuh berati bertambahnya
materi tubuh seorang anak dan berkembang
berati terjadinya kemajuan fungsi, kapasitas
fisiologis badan atau organ badan. Dalam
pemenuhan zat gizi, satu jenis makanan saja
Fakultas Ilmu Komputer, Universitas Brawijaya
1322
tidak cukup sehingga memerlukan variasi bahan
makananan yang mengandung semua unsur zat
gizi (Alhamda & Sriani, 2014). Begitu pula
dengan balita yang merupakan masa emas
tumbuh dan berkembang yang memerlukan
begitu banyak zat bergizi.
Nilai kecukupan gizi yang diperlukan
oleh masyarakat Indonesia, termasuk balita
diatur dalam Tabel AKG (Angka Kecukupan
Gizi). Dalam hal ini, teknologi optimasi
pemenuhan kebutuhan gizi balita akan
membantu memberikan solusi dengan cara
menghitung kebutuhan gizi yang diperlukan oleh
setiap balita dengan acuan berat badan, tinggi
badan dan umur. Pengukuran pertumbuhan
Berat Badan(BB), Tinggi Badan(TB) dan umur
dapat membantu mengetahui status gizi balita
yang selanjutnya dapat diketahui variasi bahan
makanan dalam memenuhi kebutuhan gizi
balita(Santoso, 2004).
Berdasarkan uraian di atas, penulis
mengajukan penelitian dengan judul
“Implementasi Algoritma Particle Swarm
Optimization (PSO) Untuk Optimasi Pemenuhan
kebutuhan Gizi Balita”.
2. LANDASAN KEPUSTAKAAN
2.1 Balita
Balita merupakan kelompok anak dibawah
lima tahun yang memiliki tingkat pertumbuhan
dan perkembangan yang sangat cepat (Sutomo,
2014). Gambar 1 menunjukkan perkembangan
balita dari umur 0-5 tahun.
Gambar 1. Perkembangan Balita
Menurut RSCM dan PERSAGI (2003).
Penuntun DIIT Anak, terdapat beberapa
perhitungan dalam menentukan kebutuhan
energi dan zat gizi seorang Balita. Persamaan
untuk menghitung kebutuhan energi dan zat gizi
setiap Balita (1-5 tahun) dapat dilihat pada
Persamaan (1) untuk menghitung BBI (Berat
Badan Ideal), Persamanan (2) dan Persamaan (3)
untuk menghitung Kebutuhan Energi,
Persamaan (4) untuk menghitung Kebutuhan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1323

Protein, Persamaan (5) untuk menghitung penelitian yang dilakukan oleh Eliantara
Kebutuhan Lemak dan Persamaan (6) untuk (2016) nilai fitness menggunakan Persamaan
menghitung Kebutuhan Karbohidrat. (8).
1 1
𝐵𝐵𝐼 = (𝑢𝑚𝑢𝑟 ∗ 2) + 8 (1) 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = . 𝑐𝑜𝑛𝑠𝑡1 + . 𝑐𝑜𝑛𝑠𝑡2 +
𝑃𝑒𝑛𝑎𝑙𝑡𝑖𝐺𝑖𝑧𝑖 𝑇𝑜𝑡𝑎𝑙 𝐻𝑎𝑟𝑔𝑎

𝑘𝑎𝑙𝑜𝑟𝑖 𝑣𝑎𝑟𝑖𝑎𝑠𝑖 (8)

𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖 = 100 (𝑢𝑚𝑢𝑟 1 − 3 𝑡𝑎ℎ𝑢𝑛) (2)
𝑘𝑔
const1 dan const2 merupakan penyeimbang
𝑘𝑎𝑙𝑜𝑟𝑖
𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖 = 90 (𝑢𝑚𝑢𝑟 4 − 5 𝑡𝑎ℎ𝑢𝑛) (3) nilai fitness karena perhitungan variasi
𝑘𝑔
menghasilkan angka puluhan. const1
𝐾𝑒𝑏. 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = (10% ×𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖) ÷ 4 (4) digunakan untuk pembagian PenaltiGizi
𝐾𝑒𝑏. 𝐿𝑒𝑚𝑎𝑘 = (20%×𝑘𝑒𝑏. 𝑒𝑛𝑒𝑟𝑔𝑖) ÷ 9 (5) sedangkan const2 digunakan untuk
pembagian total harga dengan nilai
𝐾𝑒𝑏. 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = (70%×𝑘𝑒𝑏. 𝑒𝑛𝑒𝑟𝑔𝑖) ÷ 4 (6) konstanta const1 = 100000 dan konstanta
const2 = 1000000.
2.2 Prosedur Algoritma PSO 3. Mencari Pbest
Ada beberapa prosedur yang harus Mencari Pbest dilakukan dengan cara
dilakukan untuk menerapkan Algoritma PSO membandingkan nilai Pbest sebelum dan
dalam menyelesaikan masalah menurut Santoso sesudah Iterasi. Jika nilai fitness partikel
(2011): baru lebih besar dari fitness Pbest
1. Insialisasi partikel dan membangkitkan sebelumnya maka partikel tersebut dijadikan
kecepatan secara random Pbest terbaru.
Inisialisasi partikel dapat menggunakan 4. Mencari Gbest sebagai partikel terbaik dari
pengkodean yang bertujuan seleruh anggota swarm
menyederhanakan masalah. Dalam Nilai Gbest didapatkan dari nilai fitness
pengkodean masalah, Sulistiowati (2016) Pbest tertinggi.
menggunakan angka permutasi dalam 5. Memperbarui Kecepatan (Velocity) dan
merepresentasikan nilai dimensi dan posisi partikel
selanjutnya dimensi tersebut akan Nilai velocity didapatkan dari penjumlahan
dikonversi kedalam indeks bahan makanan. momentum dan pengalaman yang diambil
Konversi nilai dimensi menjadi Indeks dari Gbest dan Pbest. Momentum
Bahan Makanan ditunjukkan pada didapatkan dengan cara mengkalikan bobot
Persamaan (7). inersia dan kecepatan sebelumnya. Untuk
menentukan nilai velocity dapat melihat
𝑦−1
𝑖𝑛𝑑𝑒𝑘𝑠 𝑑𝑖𝑚𝑒𝑛𝑠𝑖 𝑘𝑒 − 𝑖 = ((𝑥 − 1) (
𝑧−1
)) + 1 (7) Persamaan (9).
Untuk menghitung bobot inersia dapat
Keterangan: dilihat pada Persamaan (10).
𝑥 = jumlah anggota jenis bahan makanan
𝑉𝐽𝑘 = 𝑊𝑉𝐽𝑘 + 𝐶1 𝑟𝑎𝑛𝑑1 × (𝑃𝑏𝑒𝑠𝑡𝑗 − 𝑋𝑗𝑘 ) + 𝐶2 𝑟𝑎𝑛𝑑2 ×
ke-i
(𝐺𝑏𝑒𝑠𝑡𝑗 − 𝑋𝑗𝑘 ) (9)
𝑦 = nilai dimensi ke-i
𝑊𝑚𝑎𝑥−𝑊𝑚𝑖𝑛
𝑧 = batas atas angka permutasi 𝑊 = 𝑊𝑚𝑎𝑥 − 𝑥 𝑖𝑡𝑒𝑟 (10)
𝑖𝑡𝑒𝑟 𝑚𝑎𝑥

Jika diketahui jumlah anggota PH (Protein Keterangan:

Hewani) = 40 dan batas atas=65, maka 𝑉𝐽𝑘 = velocity dimensi ke-j pada Iterasi
18 − 1 ke-k
𝑖𝑛𝑑𝑒𝑘𝑠 𝑑𝑖𝑚𝑒𝑛𝑠𝑖 𝑘𝑒 − 1 = (40 − 1) ( )+1
65 − 1 𝑊= bobot inertia
= 11 C1 = nilai koefisien akselerasi ke-1
C2= nilai koefisiean Akselerasi ke-2
Bahan makanan yang direkomendasikan 𝑟𝑎𝑛𝑑 = nilai random [0, 1]
pada dimensi 1 adalah bahan makanan Xjk= posisi dimensi ke-j pada Iterasi ke-k
berjenis protein hewani dengan nomor Pbestj= nilai Pbest dari dimensi ke-j
indeks 11. Posisi terbaru dapat diperoleh dari hasil
2. Evaluasi partikel dengan cara penjumlahan Posisi sebelumnya dengan
membandingkan nilai fitness Kecepatan baru. Menghitung posisi terbaru
Nilai fitness digunakan sebagai acuan untuk menggunakan Persamaan (11) dibawah ini:
menentukan Gbest dan Pbest. Pada

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1324

𝑋𝑗𝑘+1 = 𝑋𝑗𝑘 + 𝑉𝑗𝑘+1 (11) Mulai

6. Melanjutkan langkah ke-2 jika stopping

condition belum terpenuhi
Data Balita, Parameter
PSO
3. METODOLOGI
Dalam melakukan penelitian ini tahap
pertama adalah melakukan studi literatur yang Hitung Kebutuhan Gizi Balita
berhubungan dengan objek penelitian. Tahap
selanjutnya adalah pengumpulan data, analisis Inisialisasi Populasi Awal
kebutuhan, perancangan sistem, implementasi,
pengujian dan analisis. Tahap terakhir adalah
penarikan kesimpulan. For i= 1 to
Data Balita diperoleh dari Posyandu Jember itermax
dan wawancara pakar ahli gizi balita (Ummu
Ditya Erliana, S.Gz., M.Sc.).
Update Kecepatan
Data daftar harga didapatkan berdasarkan
survey dari penelitian sebelumnya oleh Felia
Eliantara tahun 2016. Update Posisi
Perancangan sistem secara umum dan Hitung fitness
ditunjukkan pada Gambar 2 yang terdiri dari
Input, Proses dan Ouput. Proses Implementasi
Algoritma Particle Swarm Optimization (PSO) Update Pbest
untuk Pemeneuhan Kebutuhan Gizi Balita dapat
dilihat pada Gambar 3.
Update Gbest

Input Proses Output

i
Nama, Rekomendasi
umur, berat PSO Bahan
badan, Makanan Partikel Terbaik
tinggi
badan
Gambar 2. Perancangan Sistem Selesai

Gambar 3. Diagram Alir Penyelesaian Optimasi

Pemenuhan Kebutuhan Gizi Balita menggunakan
algoritma PSO

3.1 Input Data

Data yang dibutuhkan dalam proses
penyelesaian Optimasi adalah menggunakan
data balita dan parameter PSO. Contoh data
balita dapat dilihat pada Tabel 1. Data Balita dan
Parameter PSO dapat dilihat pada Tabel 2.
Parameter PSO.
Tabel 1. Data Balita
Umur BB TB
Nama
(tahun) (kg) (cm)
Celsi 3.6 15.5 96

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1325

Tabel 2. Parameter PSO 18 12 25 60

Jumla
h C Iterm Wm
Bat 11 5 60 3
C2 rand1 rand2 Wmin as
Partike ax ax
l
1
Atas 60 46 49 33
2 2 2 0.9342 0.396 2 0.4 0.7 65
3 X2 46 30 59 57 190.5
12 38 11 3
3.2 Hitung Kebutuhan Gizi 43 50 5 36
Sebelum menghitung kebutuhan gizi, perlu 3.3.3 Inisialisasi Pbest dan Gbest
diketahui Berat Badan Ideal seorang balita.
Contoh perhitungan Berat Badan Ideal: Pada awal Iterasi, nilai Pbest disamakan
dengan posisi awal partikel dan nilai Gbest
𝐵𝐵𝐼 = (3.6×2) + 8 = 15.2 𝑘𝑔
didapatkan dari nilai fitness Pbest yang tertinggi.
Setelah mendapatkan BBI, kebutuhan energi Contoh inisilisasi Pbest dan Gbest dapat dilihat
balita dapt dihitung dengan Persamaan (2). pada Tabel 4 dan 5.
Berikut ini contoh perhitungan kebutuhan energi
dan kebutuhan gizi balita: Tabel 4. Contoh Inisialisasi Pbest

𝑘𝑎𝑙𝑜𝑟𝑖 Pbest Nilai Dimensi Fitness

𝐾𝑒𝑏. 𝐸𝑛𝑒𝑟𝑔𝑖 = 100 15.2 𝑘𝑔 18 12 … 25 60
𝑘𝑔
= 1520 𝑘𝑎𝑙𝑜𝑟𝑖 Pbest1 11 5 60 3 186.72
𝐾𝑒𝑏. 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = (10%×1520 𝑘𝑎𝑙𝑜𝑟𝑖) ÷ 4 60 46 49 33
= 38 𝑔𝑟𝑎𝑚 46 30 59 57
𝐾𝑒𝑏. 𝐿𝑒𝑚𝑎𝑘 = (20%×1520 𝑘𝑎𝑙𝑜𝑟𝑖) ÷ 9 Pbest2 12 38 11 3 190.5
= 33.8 𝑔𝑟𝑎𝑚 43 50 5 36

𝐾𝑒𝑏. 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = (70%×1520 𝑘𝑎𝑙𝑜𝑟𝑖) ÷ 4 Tabel 5. Contoh Inisialisasi Gbest

= 266 𝑔𝑟𝑎𝑚
Gbest Nilai Dimensi Fitness
46 30 … 59 57
3.3 Insialisasi Populasi Awal
Gbest1 12 38 11 3 190.5
3.3.1 Inisialisasi Kecepatan Awal 43 50 5 36
Setiap partikel memiliki kecepatan dan
kecepatan awal setiap partikel di set dengan nol. 3.4 Update Kecepatan
3.3.2 Inisialisasi Partikel Untuk menghitung kecepatan baru dapat
menggunakan Persamaan (9), namun sebelum
Inisialisasi Partikel merupakan cara untuk menghitung kecepatan baru perlu diketahui nilai
mendapatkan nilai dimensi dan untuk w yang dapat dilihat pada Persamaan (10).
menyederhanakan masalah. Pada penelitian ini Berikut ini contoh update kecepatan dan
masalah direpresentasikan dalam bilangan menghitung nilai w pada iterasi=1:
permutasi dimana setiap bahan makanan
0.7 − 0.4
diwakili satu dimensi oleh setiap partikel 𝑊 = 0.7 − 𝑥 1 = 0.55
sehingga terdapat 189 dimensi berdasarkan dari 2
7 hari 3 kali makan dan 9 jenis bahan makanan. 𝑉11 = 𝑊𝑉11 + 𝐶1 𝑟𝑎𝑛𝑑1 × (𝑃𝑏𝑒𝑠𝑡1 − 𝑋11 ) +
Jenis Bahan Makanan berjumlah 197 yaitu 𝐶2 𝑟𝑎𝑛𝑑2 × (𝐺𝑏𝑒𝑠𝑡1 − 𝑋11 )
berdasarkan jenis bahan makanan Protein 𝑉11 = 0.55 ∗ 0 + 2 ∗ 0.9342×(18 − 18) + 2
Hewani sebanyak 40, Protein Nabati sebanyak ∗ 0.3963×(46 − 18) = 22.2
13, Lemak sebanyak 12, Karbohidrat sebanyak
17, Sayuran jenis A sebanyak 10, Sayuran Jenis Tabel 6 menunjukkan hasil perhitungan
B sebanyak 52, Gula sebanyak 6, Buah sebanyak Update Kecepatan pada partikel X1 dan X2.
40 dan Susu sebanyak 7. Contoh nilai dimensi Tabel 6. Hasil Perhitungan Update Kecepatan
dapat dilihat pada Tabel 3.
Iterasi =1
Tabel 3. Contoh Inisialisasi Partikel 22.2 14.3 … 26.9 -2.38
Partikel Nilai Dimensi Fitness V1 0.79 26.16 -39 0
X1 PH PN … SA SB 186.72 -13.5 3.17 -35 2.38

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1326

0 0 0 0 Pada Tabel 9 menunjukkan nilai fitness

V2 0 0 0 0 terbesar adalah dari Pbest1, sehingga Gbest
0 0 0 0 iterasi=1 adalah nilai dimensi dari Pbest1.
Tabel 8. Hasil Update Pbest
3.5 Update Posisi dan Hitung Fitness
Iterasi=1
Dalam menghitung update posisi
Fitnes
menggunakan Persamaan (11) contoh Pbest Nilai Dimensi (posisi)
s
menghitung update posisi:
51. 57.6
𝑋𝑗𝑘+1 = 𝑋𝑗𝑘 + 𝑉𝑗𝑘+1 40.2 26.3 …
9 2
𝑋10+1 = 𝑋10 + 𝑉10+1 = 18 + 22 = 40 Pbest 31.1 21. 191.1
11.8 … 3
1 6 2 3
Hasil update posisi dapat dilihat pada Tabel
46.5
7 dibawah ini: 49.2 … 14 35.4
3
Tabel 7. Contoh Hasil Update Posisi 46 30 … 59 57
Pbest
Iterasi =1 12 38 … 11 3 190.5
2
22.2 14.3 … 26.9 -2.38 43 50 … 5 36
X1 0.79 26.16 -39 0
Tabel 9. Hasil Update Gbest
-13.5 3.17 -35 2.38
Iterasi=1
46 30 59 57
Gbest Nilai Dimensi (posisi) Fitness
X2 12 38 11 3
46 30 … 59 57
43 50 5 36
Gbest1 12 38 … 11 3 190.5
Jika penalti dan total harga Partikel X1 yang 43 50 … 5 36
didapat adalah 721.1 dan 40886.63. Penalti dan
Total Harga Partikel X2 adalah 710.725 dan 3.7 Hasil Optimasi
50501.59. Sedangkan variasi Partikel X1 dan Hasil optimasi didapatkan dari Gbest pada
Partikel X2 adalah 26 dan 30, maka: iterasi terakhir, dapat dilihat pada Tabel 10 Hasil
1 1 Optimasi.
𝐹𝑖𝑡𝑛𝑒𝑠𝑠(𝑥1,1) = 100000 + 1000000 + 28
721.07 40886.63
= 191.13 Tabel 10. Hasil Optimasi
1 1
𝐹𝑖𝑡𝑛𝑒𝑠𝑠 (𝑥2,1) = 100000 + 1000000 + 30 Hari Waktu Nama Jumlah Harg Total
710.725 50501.59 ke- Makan Bahan Keb. a Harga
= 190.50
Makanan Berat (g) Perhar
i
Setelah melakukan update posisi dapat 10 1080 16787.
1 Pagi Daging
melakukan Normalisasi Posisi, digunakan agar Kambing 7
perpindahan posisi tidak melebihi range yang Kacang 3.75 137.5
Tanah
telah ditentukan. Pada contoh perhitungan ini Kupas
menggunakan batas bawah = 1 dan batas atas = Minyak 3.75 100.5
65, sehingga apabila ada perpindahan posisi Kelapa
Nasi 75 1050
yang melebihi batas atas maka di set menjadi 65 Ketan
dan apabila kurang dari batas bawah maka posisi Putih
di set menjadi 1. Labu Air 75 450
Daun 75 0
Kecipir
3.6 Update Pbest dan Gbest Siang Putih 26 468
Telur
Nilai Pbest baru didapatkan dengan cara Ayam
membandingkan nilai fitness partikel baru dan Kacang 8 120
Tolo
fitness Pbest sebelumnya. Nilai fitness terbesar Keju 18 3924
dijadikan sebagai Gbest terbaru. Contoh hasil Krim
Update Pbest pada iterasi=1 dan Update Gbest Nasi 120 1920
Ketan
pada iterasi=1 dapat dilihat pada Tabel 8 dan Hitam
Tabel 9 yang membutuhkan Nilai fitness terbaru Slada 120 1440
daru Update Posisi pada iterasi=1. Daun 120 0

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1327

Pepaya Halaman Rekomendasi Bahan Makanan.

Mala Ikan 12.25 980
m Kakap
Kacang 7 105
Tolo
Minyak 5.25 140.7
Kelapa
Krekers 52.5 2362.
5
Lobak 105 2509.
5
Daun 105 0
Pepaya
2 Pagi Usus Sapi 12.5 375 24098.9
Oncom 10 350 3
Gambar 5. Halaman Rekomendasi Bahan Makanan
Mayonnais 15 450
e
Makaroni 37.5 1125
Ketimun 75 450 4. HASIL DAN PEMBAHASAN
Bit 75 6000
Siang Otak 14 420
22 220
4.1 Hasil Pengujian Jumlah Partikel
Pete Segar
Minyak 6 900
Semakin banyak jumlah partikel maka
Zaitun
Roti Putih 84 4830 semakin tinggi nilai fitness dan semakin lama
Slada 120 1440 waktu komputasi yang dihabiskan.
Daun 120 0
Mangkoka
n Pengujian Jumlah Partikel
Malam Telur 19.25 346.5
1520
Ayam
Rata-rata Fitness

Kacang 8.75 87.5 1440

Kedele 1360
Mayonnais 21 630
e 1280
Krekers 52.5 2362.
1200
5
5 10 15 20 25 30 35 40 45 50
Kangkung 105 2799.
93 Jumlah Partikel

Kol 105 1312.

5
Total Harga 40886.6 Gambar 6. Grafik Hasil Pengujian Jumlah Partikel
3

Halaman Hasil Optimasi menunjukkan hasil Pengujian Jumlah Partikel

dari proses perhitungan dari algortima PSO.
Rata-rata Waktu (menit)

Halaman Hasil Optimasi ditunjukkan pada 2,65

2,15
Gambar 4. 1,65
1,15
0,65
0,15
5 10 15 20 25 30 35 40 45 50
Jumlah Partikel

Gambar 7. Gafik Hasil Waktu Komputasi

berdasarkan Jumlah Partikel

Berdasarkan Gambar 6 dan 7 dapat diambil

Gambar 4. Halaman Hasil Optimasi
Pada halaman hasil Optimasi akan
mendapatkan nilai fitness tertinggi dan partikel
yang terbaik.
Halaman Rekomendasi Bahan Makanan
menampilkan hasil rekomendasi dari partikel
terbaik berupa daftar nama bahan makanan
selama 7 hari untuk 3 kali makan yaitu pagi,
siang dan malam. Gambar 5 menunjukkan
kesimpulan bahwa jumlah partikel 30
merupakan jumlah partikel paling optimal
dengan waktu komputasi sebesar 1.44 menit atau
sebesar 1 menit 44 detik yang tidak terlalu kecil
jumlah partikelnya dan tidak terlalu lama waktu
komputasinya.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1328

4.2 Hasil Pengujian Kombinasi Wmin dan semakin tinggi nilai fitness. Dalam pemilihan
Wmax jumlah iterasi yang optimal dapat
mempertimbangkan waktu komputasi yang
Semakin besar rentang selisih antara nilai
diperlukan dalam proses optimasi, karena dalam
Wmin dan Wmax dapat menyebabkan nilai W
percobaan ini waktu komputasi paling cepat
semakin besar, sehingga daya eksplorasi swarm
sebesar 1.36 menit atau 1 menit 36 detik.
akan menyuluruh yang dapat memberikan solusi
terbaik. Kombinasi Wmin dan Wmax yang
dianggap dapat memberikan solusi terbaik untuk Pengujian Jumlah Iterasi
penyelesaian masalah adalah 0.4 dan 0.7. Grafik 1750

Rata-rata Fitness
Hasil Pengujian Kombinasi Wmin dan Wmax 1650
1550
dapat dilihat pada Gambar 8. 1450
1350
10 20 30 40 50 60 70 80 90 100
Pengujian Kombinasi Wmin dan Wmax
Jumlah Iterasi
1500
Rata-rata Fitness

1400
Gambar 10. Grafik Hasil Pengujian Jumlah Iterasi
1300
1200
Pengujian Jumlah Iterasi

13,80
Rata-rata Waktu (menit)
Wmax;Wmin
11,30
8,80
Gambar 8. Grafik Hasil Pengujian Kombinasi 6,30
Wmin dan Wmax 3,80
1,30
4.3 Hasil Pengujian Koefisien Akselerasi 10 20 30 40 50 60 70 80 90 100
Jumlah Iterasi
Pengujian Koefisien Akselerasi digunakan
untuk mengetahui pengaruhnya terhadap nilai
fitness. Grafik hasil pengujian dapat dilihat pada Gambar 11. Gafik Hasil Waktu Komputasi
berdasarkan Jumlah Partikel
Gambar 9.
Berdasarkan Gambar 10 dan 11
Pengujian Koefisien Akselerasi menghasilkan jumlah iterasi optimal sebesar 40
1400 dengan waktu komputasi selama 6 menit 52
1375 detik yang dapat dikatakan, tidak terlalu lama
Rata-rata Fitness

1350 apabila dibandingkan dengan waktu konsultasi

1325 pada dokter/ahli gizi atau konsultasi pada
1300 petugas Posyandu.
1275

1250 4.5 Hasil Pengujian Batas Atas Angka

1;1 1;1,5 1;2 1,5 ; 1 1,5;1,5 1,5;2 2;1 2;1,5 2;2
C1;C2
Permutasi
Berdasarkan hasil pengujian maka
Gambar 9. Grafik Hasil Pengujian Koefisien didapatkan batas angka permutasi yang optimal
Akselerasi adalah 75. Gambar 12 menunjukkan Grafik
Hasil Pengujian Batas Atas Angka Permutasi.
Berdasarkan Grafik diatas, nilai C1 dan C2
sebesar 2 dan 1.5 merupakan koefisien yang
cukup optimal untuk digunkan dalam
menyelesaikan permasalahan. Koefisien tersebut
dianggap dapat mempengaruhi nilai fitness yang
sangat tinggi, sehingga dapat membuat
eksplorasi pencarian semakin optimal.

4.4 Hasil Pengujian Jumlah Iterasi

Semakin banyak jumlah iterasi maka

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1329

Tabel 12. Kandungan Gizi Bahan Makanan

Pengujian Batas Atas Angka Permutasi Rekomendasi Sistem
Selisih Selisih
1500 Selisih Selisih
Protei Karbohi Selisih
Rata-rata Fitness

Nama Energi Lemak

n drat Harga
(kkal) (gram)
(gram) (gram)
1450
Balita 1 238.25 -7.2 1 71.5 8,360.57
(14.08 (- (2.66% (24.15%) (23.89%
1400 %) 17.02 ) )
%)
Balita 2 430.2 3.5 7.0333 92.5 9,203.92
1350 (28.68 (9.33% 33 (35.24%) (26.30%
%) ) (21.10 )
%)
Balita 3 485.9 5 8.1666 103 12,635.0
Range (31.15 (12.82 67 (37.73%) 0
%) %) (23.56 (36.10%
%) )
Balita 4 80.4 -12.9 -5.8 51.9 8,343.71
Gambar 12. Grafik Hasil Pengujian Batas Atas (4.96% (- (- (18.31%) (23.84%
Angka Permutasi ) 31.85 16.11 )
%) %)
Balita 5 356.25 1.5 5.4555 78.5 11,113.7
Semakin besar batas angka permutasi akan (25.09 (4.23% 56 (31.59%) 1
mengakibatkan nilai fitness yang semakin kecil. %) ) (17.29
%)
(31.75%
)
Hal ini dikarenakan nilai konversi indeks yang Balita 6 42.9 -11.45 -10.1 53.6 9,040.71
digunakan mengandung nilai lebih besar dari (2.68% (- (- (19.12%) (25.83%
) 28.59 28.37 )
jumlah terbesar indeks bahan makanan yaitu 52, %) %)
Balita 7 206.9 1.85 0.4 69.95 13,977.0
sehingga dapat mengurangi total variasi. (12.36 (4.42% (1.08% (23.88%) 5
%) ) ) (39.93%
)
4.6 Hasil Analisis Global Balita 8 -10.7 -14 -4.3 29 8,051.26
(- (- (- (11.51%) (23.00%
Berdasarkan parameter optimal, dilakukan 0.74%) 38.89 13.44 )
pengujian terhadap 10 data balita yang diambil %) %)
Balita 9 393.9 2.2 5.9444 84.6 8,047.14
secara acak yang dapat dilihat pada Tabel 11. (26.98 (6.03% 44 (33.11%) (22.99%
%) ) (18.32 )
Selisih kebutuhan gizi aktual dengan kandungan %)
gizi pada makanan ditunjukkan pada Tabel 12. Balita 258.6 -0.55 0.9 75.35 11,191.4
10 (15.12 (- (2.37% (25.18%) 3
Rata-rata harga per hari didapatkan dari Total %) 1.29%) ) (31.97%
Harga dibagi 7 hari, selisih harga dapat dihitung )
Rata- 248.26 -3.21 0.87 70.99 9,996.45
selisih antara rata-rata harga per hari pada sistem rata (16.04 (- (2.85% (25.98%) (28.56%
dengan rata-rata harga per hari yang dikeluarkan %) 8.08%) ) )

oleh orangtua balita. Rata-rata yang harus

dikeluarkan oleh para orangtua hasil 5. KESIMPULAN
rekomendasi sistem adalah sebesar
Rp.25,003.63 dan rata-rata Total Harga yang 1. Implementasi algoritma PSO untuk optimasi
harus dikeluarkan selama 7 hari adalah Pemenuhan Kebutuhan Gizi Balita dapat
Rp.175,025.44. dilakukan dengan cara inisialisasi partikel
awal secara random, setelah mendapatkan
Tabel 11. Kebutuhan Gizi Aktual nilai partikel dapat melakukan konversi nilai
Protei Karbohidra partikel kedalam indeks bahan makanan,
Umur Energi Lemak
Nama n t hasil konversi digunakan untuk mengetahui
(tahun) (kkal) (gram)
(gram) (gram)
Balita 1 5.4 1692 42.3 37.6 296.1 nama bahan makanan, berat dan harga.
Balita 2 3.5 1500 37.5 33.3 262.5 Setelah tahap-tahap tersebut maka dapat
Balita 3 3.8 1560 39.0 34.7 273.0 dhitung fitness, Update Kecepatan, Update
Balita 4 5 1620 40.5 36.0 283.5 Posisi, Update Pbest dan Gbest. Gbest pada
Balita 5 3.1 1420 35.5 31.6 248.5
Balita 6 4.9 1620 40.5 36.0 283.5
iterasi terakhir dijadikan sebagai Hasil
Balita 7 5.3 1674 41.9 37.2 293.0 Optimasi.
Balita 8 4 1440 36.0 32.0 252.0 2. Parameter Algoritma PSO sangat
Balita 9 3.3 1460 36.5 32.4 255.5 berpengaruh terhadapat hasil Optimasi
Balita 5.5 1710 42.8 38.0 299.3
10
Pemenuhan Gizi Balita. Parameter PSO
yang dianggap optimal dalam
menyelesaikan masalah adalah jumlah
partikel=30, Wmin=0.4, Wmax= 0.7, C1=2,

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1330

C2=1.5, Jumlah iterasi=40, Batas Atas angka dengan Algoritma Evolution Strategies.
permutasi sebesar 75. Berdasarkan S1. Universitas Brawijaya Malang.
parameter optimal dapat menghasilkan rata-
Sutomo, B. 2010. Menu Sehat Alami untuk
rata selisih energi, protein, lemak dan
Batita dan Balita. Jakarta: Demedia.
karbohidrat sebesar 16.04%, -8.08%, 2.85%
dan 25.98% yang mampu menghemat Widjaja, dr., W.C. 2008. Gizi tepat untuk
pengeluaran orangtua balita sebesar 28.56%. perkembangan otak dan kesehatan balita.
Kawan Pustaka.
DAFTAR PUSTAKA
Alhamda, S., & Sriani, Y. 2014. Buku Ajar Ilmu
Kesehatan Masyarakat (IKM).
Yogyakarta: Deepublish.
Almatsier, Sunita. 2009. Prinsip Dasar Ilmu
Gizi.
Felia, Eliantara, Cholissodin, I., & Indriati. 2016.
Implementasi Algoritma Particle swarm
Optimization dalam Optimasi Pemenuhan
Kebutuhan Gizi Keluarga.S1.Universitas
Brawijaya.
Kementerian Kesehatan. 2013. Peraturan
Menteri Kesehatan Republik Indonesia
No.75 Tahun 2013. [Online]. Tersedia di:
<http://gizi.depkes.co.id> [Diakses pada
tanggal 1 November 2016].
Mahmudy, W.F. 2013. Modul Algoritma Evolusi
Semester Ganjil 2013-2014. Universitas
Brawijaya Malang.
Mitiyani. 2010. Buku Saku Ilmu Gizi. Jakarta:
Tim.
Muaris, H. 2006. Sarapan Sehat Untuk Anak
Balita. Jakarta : PT Gramedia Pustaka
Utama.
Perkembangan Balita. [Online]. Tersedia di:
http://www.bayi7.com/perkembangan-
balita-usia-1-5-tahun/ [Diakses pada
tanggal 1 Mei 2017].
Permenkes RI. 2014. Pedoman Gizi Seimbang.
Rumah Sakit RSCM dan PERSAGI. 2003.
Penuntun DIIT Anak. Jakarta : PT
Gramedia Pustaka Utama.
Santosa, Budi & Willy, Paul. 2011. Metoda
Metaheuristik, Konsep dan Implementasi.
Surabaya: Graha Ilmu.
Santoso, Soegeng, Dr., M.Pd & Anne Lies Ranti,
Dra. M.Pd. Kesehatan dan Gizi. Jakarta:
PT Asdi Mahasatya.
Sulistiowati, F., Cholissodin, I., & Marji. 2016.
Optimasi Penyusunan Bahan Makanan
Sehat untuk Pemenuhan Gizi Keluarga

Fakultas Ilmu Komputer, Universitas Brawijaya