See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/317577121

Optimasi Komposisi Makanan untuk Penderita Hipertensi Menggunakan

Variable Neighborhood Search

Article · January 2017

CITATIONS READS

0 2,579

2 authors:

Aprilia Nur Fauziyah Wayan Firdaus Mahmudy

Brawijaya University Brawijaya University
3 PUBLICATIONS   1 CITATION    184 PUBLICATIONS   422 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Beef Cattle Feed Optimization View project

Skripsi Mahasiswa View project

All content following this page was uploaded by Wayan Firdaus Mahmudy on 14 June 2017.

The user has requested enhancement of the downloaded file.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X
Vol. 1, No. 9, Juni 2017, hlm. 754-764 http://j-ptiik.ub.ac.id

Optimasi Komposisi Makanan untuk Penderita Hipertensi Menggunakan

Variable Neighborhood Search
Aprilia Nur Fauziyah1, Wayan Firdaus Mahmudy2

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1nfapril7@gmail.com, 2wayanfm@ub.ac.id

Abstrak
Hipertensi merupakan gejala utama penyebab penyakit lain muncul seperti penyakit tidak menular,
kanker, diabetes. Salah satu upaya hidup sehat pada penderita hipertensi yaitu konsumsi makanan sehat
yang memperhatikan kadar garam dalam makanan. Komposisi makanan dengan memperhatikan kadar
garam dan sekaligus biaya pada makanan dapat dilakukan menggunakaan algoritme Variable
Neighborhood Search (VNS). Data yang digunakan pada penelitian ini yaitu 103 data makanan yang
terdiri dari makanan pokok, sayur, sumber nabati, sumber hewani dan buah. VNS mempunyai 3 tahap
setelah membangkitkan solusi awal yaitu shaking, local search dan move or not. Hasil pengujian
menunjukkan bahwa rata-rata fitness tertinggi sebesar yaitu 0.516848 dengan nilai Kmax = 13 dan rata-
rata fitness terbesar yaitu 0.524301 dengan jumlah iterasi local search 2000. Jumlah Kmax dan iterasi
local search yang terlalu banyak tidak menjamin solusi dengan fitness yang besar diperoleh namun
jumlah Kmax atau iterasi local search yang banyak dapat memberikan kesempatan pencarian yang lebih
luas. Hasil dari penelitian berupa komposisi makanan dengan kandungan gizi yang mendekati kebutuhan
penderita hipertensi dengan memperhatikan kadar garam natrium dan biaya minimal dalam waktu
sehari.
Kata kunci: variable neighborhood search, optimasi, komposisi makanan, hipertensi
Abstract
Hypertension is a major symptom that cause other diseases appear such as noncommunicable diseases,
cancer, and diabetes. One of healthy life effort in the patients with hypertension is a healthy food that
attentions level of salt in foods. The food composition with attentions level of salt and cost of the food
can use Variable Neighborhood Search (VNS) algorithm. The data which are used for this study are
103 data food that consists of staple foods, vegetables, vegetable sources, animal sources and fruits.
VNS have 3 stages after generate initial solution, there are shaking, local search and move or not. The
results of Kmax and local search’s testing show that the average of highest fitness is 0.516848 with
Kmax = 13 and the highest average fitness is 0.524301 with 2000 iterations. Kmax and local search
iterations that too much not guarantee a solution with great fitness is obtained but many Kmax numbers
or local search iterations can give wider search opportunities. The result of this study contains
composition of foods with nutrients which are close to the needs of hypertension patients with attentions
the natrium and minimal cost within a day.
Keywords: variable neighborhood search, optimization, food composition, hypertension

dapat menyebabkan kematian tanpa sering

1. PENDAHULUAN
Tekanan darah tinggi atau hipertensi
disebabkan tingginya tekanan darah sistole atau
diastole didalam tubuh seseorang yaitu tekanan
darah sistole lebih dari sama dengan 140 mmHg
dan tekanan darah diastole lebih dari sama
dengan 90 mmHg (WHO, 2013). Tekanan darah
tinggi termasuk jenis penyakit silent killer yang
diketahui gejalanya, selain itu tekanan darah
tinggi merupakan faktor metabolistik yang
menyebabkan berbagai penyakit tidak menular
muncul di Asia Tenggara seperti kardiovaskular,
kanker, penyakit pernapasan, dan diabetes
(WHO, 2011).
Di Indonesia penyebab utama kematian
mengalami perubahan, pada tahun 1995
penyebab utama kematian adalah penyakit

Fakultas Ilmu Komputer

Universitas Brawijaya 754
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menular, sedangkan pada tahun 2007 penyebab
utama kematian adalah penyakit tidak menular
(PTM). Hipertensi termasuk jenis penyakit tidak
menular. Indonesia mempunyai presentase
penderita hipertensi tertinggi pada orang dewasa
setelah Myanmar dalam lingkup Asia Tenggara
(WHO, 2011). Daerah di Indonesia dengan
penderita hipertensi terbanyak misalnya di kota
Malang dengan jumlah 58.046 kasus (Dinas
Kesehatan Kota Malang, 2014). Hal yang sama
juga terjadi di kabupaten Klaten, hipertensi
merupakan penyakit yang diderita terbanyak
diantara penyakit tidak menular lainnya yaitu
42.375 jiwa untuk hipertensi essensial dan
17.204 jiwa untuk jenis hipertensi yang lain
(Dinas Kesehatan Kabupaten Klaten, 2013).
Penelitian tentang prevalensi hipertensi
telah banyak dilakukan di Indonesia yang
menunjukkan hipertensi merupakan masalah
kesehatan masyarakat yang diperlukan
penanganan secara optimal agar mengurangi
mortalitas dan morbiditas (Mustamin, 2010),
selain itu penanganan yang segera dilakukan
bertujuan untuk menghindari penyakit menjadi
lebih parah (Rahman, 2016). Konsumsi terlalu
banyak garam, alkohol, obesitas, kurangnya
olahraga yang kemudian berakumulasi dengan
faktor usia merupakan pemicu meningkatnya
tekanan darah (WHO, 2009), oleh karena itu
penanganan pada penderita hipertensi salah
satunya dapat dilakukan dengan konsumsi
makanan sehat yang rendah garam dan lebih
banyak aktifitas fisik (American Heart
Association, 2014). Selain itu, menurut ahli gizi,
penyebab tingginya kasus hipertensi di
Indonesia salah satunya adalah kurangnya
pengetahuan penderita tentang pemenuhan gizi
dari komposisi makanan yang dikonsumsi pada
setiap harinya.
Penyusunan komposisi makanan untuk
penderita hipertensi dapat dilakukan dengan cara
manual atau dengan menggunakan software.
Penyusunan makanan dengan cara manual lebih
sulit dilakukan karena jumlah kalori dalam
komposisi makanan harus disesuaikan dengan
kebutuhan penderita, sedangkan penyusunan
makanan dengan software dapat dilakukan lebih
mudah yaitu dengan menggunakan optimasi
dapat dilakukan pencarian komposisi makanan
yang lebih disesuaikan dengan kebutuhan
asupan gizi penderita hipertensi.
Penelitian sebelumnya tentang optimasi
komposisi makanan untuk penderita hipertensi
pernah dilakukan oleh Iwuji, et al (2016) dengan
menerapkan metode linear programming. Pada
Fakultas Ilmu Komputer, Universitas Brawijaya
755
penelitian tersebut, batasan (constraint)
diberlakukan pada setiap nutrisi yang harus
dikontrol dimana setiap batasan mempunyai
model matematika masing-masing. Penggunaan
linear programming menyebabkan terdapat
banyak pembatas (constraint) dan model
matematika sehingga menyebabkan perhitungan
yang tidak praktis dan panjang (Taha, 1993
dalam Mahmudy, 2006). Permasalahan tersebut
dapat diatasi dengan penggunaan metode
metaheuristik.
Penggunaan metode metaheuristik pada
optimasi komposisi makanan telah dilakukan
sebelumnya dengan menerapkan algoritma
genetika. Penelitian sebelumnya dilakukan oleh
Pratiwi, et al (2014) tentang optimasi biaya
pemenuhan kebutuhan gizi. Hasil penelitian ini
diperoleh parameter optimal yaitu banyak
generasi sebesar 500 generasi, dan banyak
populasi yaitu 40 populasi, nilai probabilitas
crossover dan probabilitas mutasi yaitu 0,4 dan
0,6. Penggunaaan algoritma genetika juga
dilakukan pada optimasi komposisi makanan
untuk penderita diabetes melitus oleh Rianawati
& Mahmudy (2015). Pada penelitian ini
menerapkan single-point crossover, reciprocal
exchange mutation dan elitism selection. Hasil
penelitian ini menjelaskan ukuran populasi yang
optimal sebesar 160 individu, ukuran generasi
yang optimal yaitu 100 generasi dan kombinasi
cr dan mr sebesar 0.4 dan 0.6. Sari, et al (2014)
juga menerapkan metode algoritma genetika
untuk optimasi asupan gizi pada ibu hamil. Pada
penelitian ini menggunakan single point
crossover, reciprocal exchange mutation, dan
elitism selection. Hasil dari pengujian
didapatkan bahwa ukuran populasi dengan nilai
fitness tertinggi yaitu 150, jumlah generasi 1500,
nilai probabilitas crossover 0,4 dan probabilitas
mutasi 0,6. Penggunaan algoritma genetika pada
beberapa penelitian optimasi komposisi
makanan sudah banyak diterapkan dan
memberikan hasil yang optimal. Namun disisi
lain pada algoritma genetika terdapat banyak
parameter yang digunakan sehingga diperlukan
waktu yang lebih lama dalam menentukan nilai
parameter yang optimal, seperti ukuran populasi,
jumlah generasi dan kombinasi cr dan mr.
Metode metaheuristik lainnya dengan
jumlah parameter yang sedikit yaitu Variable
Neighborhood Search (VNS). VNS termasuk
metode yang sederhana karena hanya
menggunakan dua parameter dalam
pengimplementasiannya yaitu jumlah tetangga
dan termination condition (Mahmudy, 2015).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 756

Pada VNS terdapat beberapa fase yaitu fase Untuk menghitung BMR dapat dilakukan
Shaking, teknik local search dan fase dengan persamaan 1 jika penderita
peningkatan (Move or Not). VNS berhasil hipertensi laki-laki atau persamaan 2 untuk
menyelesaikan permasalahan pada beberapa penderita hipertensi perempuan.
penelitian seperti permasalahan penjadwalan
BMR laki-laki = 66,5 + (13,75×BB) +
(Expósito-Izquierdo, et al., 2011), (Aziz, et al.,
(5,003× TB ) – (6,755×U) (1)
2012), optimasi peningkatan struktur beton
BMR perempuan = 655,1 + (9,563×
(Torres-Machi, et al., 2013), dan permasalahan
BB) + (1,850×TB) − (4,676×U) (2)
pada Flexible Manufacturing System (FMS)
Keterangan:
(Mahmudy, 2015).
BB = Berat badan (kg)
Berdasarkan pentingnya optimasi komposisi
TB = Tinggi badan (cm)
makanan untuk penderita hipertensi dan
U = Usia (tahun)
algoritme VNS yang sederhana serta dapat
c. Menghitung Kebutuhan Energi
menyelesaikan beberapa permasalahan, maka
Kebutuhan energi dihitung menggunakan
pada penelitian ini penulis mangajukan optimasi
persamaan 3. Didalam kebutuhan total
komposisi makanan untuk penderita hipertensi
energi dipengaruhi oleh BMR, faktor
menggunakan Variable Neighborhood Search.
aktivitas seseorang dan faktor stress.
2. NUTRISI UNTUK PENDERITA Penentuan faktor aktivitas ditunjukkan oleh
HIPERTENSI Tabel 2 dan faktor stress ditunjukan oleh
Tabel 3.
Penyusunan komposisi makanan pada Kebutuhan total energi = BMR×
penderita hipertensi diharapkan dapat Faktor Aktivitas×Faktor Stress (3)
menurunkan tekanan darah. Rata-rata penurunan
konsumsi natrium sebanyak ± 1,8 gram/hari Tabel 2. Faktor Aktivitas
dapat menyebabkan tekanan darah sistole Aktivitas Laki-laki Perempuan
menurun sebesar 4 mmHg dan diastole 2 mmHg.
Sangat ringan 1,30 1,30
Pada penderita hipertensi konsumsi garam dapur
harus kurang dari 1⁄4 - 1⁄2 sendok teh/hari. Ringan 1,65 1,55
Anjuran diet rendah garam I (200-400 mg Sedang 1,76 1,70
Natrium) untuk hipertensi berat dan tidak Berat 2,10 2,00
menambahkan garam didalam masakan. Diet Sumber: Almatsier (2006)
rendah garam II (600-800 mg Natrium) untuk
hipertensi yang tidak terlalu berat. Sedangkan Tabel 3. Faktor Angka Stress
untuk hipertensi berat berlaku diet garam III
Faktor
(1000-1200 mg Natrium) (Wahyuningsih, Jenis Stress
Stress
2013). Berdasarkan JNC VII tekanan darah Tidak ada strees, pasien dalam
dapat diklasifikasikan dalam 4 kategori seperti 1,3
kondisi baik
yang ditunjukkan oleh Tabel 1.
Stress ringan 1,4
Tabel 1. Klasifikasi Tekanan Darah Stress sedang 1,5
Klasifikasi Stress berat 1,6
Tekanan Tekanan
tekanan Penghub Stress sangat berat 1,7
darah darah
darah ung
sistole diastole Luka bakar parah 2,1
Normal < 120 dan < 80 Sumber: Almatsier (2006)
Prehipertensi 120-139 atau 80-89
Hipertensi
140-159 atau 90-99 d. Kebutuhan penderita hipertensi
stage 1
Hipertensi Menurut ahli gizi, pada penderita hipertensi
≥ 160 atau ≥ 100 dibutuhkan 65% karbohidrat, protein 15%,
stage 2
dan lemak 20% dari total kebutuhan energi.
Perhitungan kebutuhan energi dan zat gizi Kebutuhan zat gizi karbohidrat dihitung
dapat dilakukan dengan langkah sebagai berikut: dengan persamaan 4, kebutuhan lemak
a. Menghitung Indeks Massa Tubuh (IMT) dapat dihitung dengan persamaan 5, dan
dan berat badan ideal (BBI). kebutuhan protein dapat dihitung
b. Menghitung Basal Metabolic Rate (BMR) menggunakan persamaan 6.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 757

Kebutuhan karbohidrat = 65% × menggunakan VNS ditunjukkan oleh diagram

kebutuhan total energi (4) alir Gambar 1.
Kebutuhan protein = 15% ×
Mulai
kebutuhan total energi (5)
Kebutuhan lemak= 20% ×
kebutuhan total energi (6) Input data penderita
hipertensi, nilai Kmax dan
iterasi local search
3. VARIABLE NEIGHBORHOOD
SEARCH
Hitung kebutuhan
Metaheuristik yang sederhana dan efektif energi dan zat gizi

dapat diperoleh melalui pemrosesan perubahan

sistematis dalam local search. Pada tahun 1997, Variable
Neighborhood
Hansen dan Mladenovic mengusulkan Variable Search
Neighborhood Search (VNS) sebagai algoritme
yang berbasis metaheuristik. VNS mengeksplor
tetangga dari solusi incumbent mutakhir. Output kebutuhan energi
zat gizi dan optimasi hasil
Sebagian besar solusi yang sudah pada nilai komposisi makanan
optimal akan disimpan dan digunakan untuk
mendapatkan solusi tetangga yang menjanjikan
(Mladenovic & Hansen, 1997). Langkah- Selesai
langkah VNS diawali dengan inisialisasi solusi
kemudian shaking, local search dan move or not Gambar 1. Diagram Alir Sistem
(Hansen & Mladenovic, 2001). VNS mengiterasi
Langkah pertama yang harus dilakukan
teknik local search dimana pada setiap iterasi
pada penyelesaian permaslahan komposisi
local search mengeksplor ruang pencarian dari
makanan yaitu menghitung kebutuhan gizi
starting point baru yang ditentukan dengan
penderita hipertensi, selanjutnya proses
struktur tetangga. Struktur tetangga ini berfungsi
pencarian solusi komposisi makanan
untuk menghasilkan kandidat solusi dengan
diselesaikan menggunakan metode VNS.
merubah inisial solusi atau solusi mutakhir
Komposisi makanan berupa bahan makanan
(Mahmudy, 2015). Solusi yang telah mengalami
direpresentasikan dengan bilangan integer yang
perubahan akan digunakan sebagai kandidat
akan dikodekan sesuai indeks bahan makananan
solusi hanya jika telah terjadi peningkatan solusi
yang terdapat di data bahan makanan.
yang lebih baik (Papalitsas, et al., 2015).
Representasi komposisi makanan ditunjukkan
Langkah-langkah yang digunakan pada VNS
oleh Tabel 4.
sebagian besar menggunakan iterasi sampai
mendapatkan kondisi berhenti yang memuaskan. Tabel 4. Representasi Solusi
Nilai Kmax yang besar akan memberikan solusi Jenis Makan Makan Makan
yang lebih baik meskipun, membutuhkan waktu menu pagi siang malam
komputasi yang tinggi (Mahmudy, 2015). PK 3 1 2
S 1 3 10
N 2 12 11
4. METODE PENELITIAN H 16 6 3
a. Pengumpulan Data B 16 18 26
Data yang digunakan pada penelitian ini
Keterangan: PK = Makanan pokok
berupa data sekunder, antara lain: S = Sayur
1. Data makanan dengan kandungan zat N = Sumber nabati
gizinya yang diperoleh dari software Nutri H = Sumber hewani
Survey 2007. B = Buah
2. Data penderita hipertensi dengan usia lebih
dari 18 tahun. Langkah-langkah algoritma VNS digambarkan
pada diagram alir Gambar 2.
b. Siklus Penyelesaian Masalah
Langkah-langkah yang digunakan pada
penyelesaian permasalahan komposisi makanan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 758

Tabel 6. Solusi Setelah Dilakukan Shaking

Mulai
Makan Makan Makan
Jenis menu
Pagi siang malam
Tentukan nilai Kmax PK 3 20 13
S 1 3 10
N 2 12 11
Bangkitkan solusi awal secara acak (x) H 16 6 3
B 16 18 22

Shaking (x’)
Diagram alir pertukaran pada tahap
shaking ditunjukkan oleh Gambar 3.
Local search (x’’)
Mulai

Ya x = x’’
x’’ > x k=1
Nilai tentangga k
Solusi awal
Tidak

x=x
k = k+1 I=0, I < jumlah
tetangga k

Tidak pilih gen [i]

k = Kmax pointer[i]

Ya

Selesai ya
gen=genAll[k]
pointer=pointer[k]

Gambar 2. Flowchart VNS

tidak
index=0;index< jumlah
Berdasarkan diagram alir pada Gambar 2, tetangga k-1
langakah-langkah algoritma VNS pada
penyelesaian skripsi ini, yaitu: solusitemp[gen[pointer[index]]]=solusi[gen[pointer[index]]]
1. Set k = 1.
2. Membangkitkan solusi awal (x) secara
acak. solusi[gen[pointer[0]]] = solusi[gen[pointer[k - 1]]]

3. Mengulangi langkah-langkah berikut solusi[gen[pointer[0]]] = solusi[gen[pointer[k - 1]]]

sampai k = Kmax:
ind = 1, ind <
a. Tahap shaking jumlah tetangga

Solusi pada tahap shaking (x’)

x = 0, x < jumlah
diperoleh dengan menukar (exchange) tetangga -1
solusi x sebanyak jumlah tetangga
secara random. solusi[gen[pointer[ind]]] = solusitemp[pointer[gen[x]]]
Tabel 5. Solusi Sebelum Dilakukan Shaking
Jenis Makan Makan Makan
menu Pagi siang malam
PK 3 13 22
S 1 3 10
N 2 12 11
tidak
H 16 6 3 solusi[gen[point
B 16 18 20 er[i]]]>batas

ya

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 759

solusiShaking[gen[pointer[i]]] =
solusi[gen[pointer[i]]] Pilih gen x [i]

Ubah gen x [i]

x’= x+1 atau
solusiShaking x’ =x-1

Selesai
Fitness solusi awal ya
Gambar 3. Flowchart Shaking > fitness solusi
hasil perubahan
local search
b. Tahap local search Solusi awal =
solusi awal
Tahap ini menggunakan solusi dari tahap tidak

shaking (x’) sebagai solusi awal. Perubahan Ganti solusi awal = solusi
dari local search
nilai x berada pada rentang sekitar nilai x
awal dengan nilai peubah 1. Pada tahap
local search dilakukan perbandingan
Solusi local search
fitness solusi pada iterasi sebelumnya
dengan fitness dari solusi mutakhir pada Selesai
setiap iterasi untuk dicari solusi yang lebih
baik. Diagram alir tahap local search Gambar 4. Flowchart Local search
ditunjukkan oleh Gambar 4.
c. Tahap Move or Not.
Contoh mekanisme tahap local search
ditunjukkan oleh Tabel 7 dan Tabel 8. Mekanisme pada tahap ini yaitu
Tabel 7. Solusi Sebelum Dilakukan Local Search
membandingkan fitness antara solusi awal
dengan hasil solusi local search (x’’). Jika
Jenis Makan Makan Makan fitness solusi awal lebih baik maka solusi
menu Pagi siang malam
awal digunakan sebagai solusi selanjutnya
PK 3 20 13 dan merubah nilai k = 1, sebaliknya jika
S 1 3 10
N 2 12 11 solusi dari local search lebih baik daripada
H 16 6 3 solusi awal maka solusi local search yang
B 16 18 22
akan digunakan sebagai solusi selanjutnya
Tabel 8. Solusi Setelah Dilakukan Local Search dan merubah nilai k menjadi k = k+1.
Jenis Makan Makan Makan Diagaram alir tahap Move or Not
menu Pagi siang malam ditunjukkan oleh Gambar 5
PK 3 20 13
S 1 3 10
N 2 12 11 Mulai
H 16 6 3
B 16 18 21 Fitness solusi awal, Fitness
solusi local search, k=1

Mulai

ya
Nilai iterasi local search, Fitness solusi Ganti solusi
Solusi awal (solusi Shaking) awal [k]> fitness awal = solusi
solusi hasil local awal
search [k] k = k+1

i=1 sampai jumlah

iterasi local tidak
search
Ganti solusi awal = solusi hasil
tidak local search
k=1

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
ya
k<=Kmax
tidak
Solusi
Selesai
Gambar 5. Flowchart Move or Not
Pada skripsi ini dilakukan optimasi
kebutuhan zat gizi dengan memperhatikan
kebutuhan jumlah zat gizi dan natrium serta
biaya minimal. Kualitas suatu solusi dapat
dilihat dari nilai fitness. Fitness semakin besar
menghasilkan solusi yang semakin baik. Fitness
yang digunakan pada penelitian ini yaitu,
sebagai berikut:
10000
𝐹𝑖𝑡𝑛𝑒𝑠𝑠 =
(𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑛𝑎𝑙𝑡𝑖 ∗ 𝐶) + 𝑡𝑜𝑡𝑎𝑙 ℎ𝑎𝑟𝑔𝑎
Total penalti pada perhitungan fitness
tersebut merupakan selisih kebutuhan gizi
penderita hipertensi. Sedangkan total harga
merupakan penjumlahan seluruh harga makanan
pada satu solusi.
5. HASIL DAN PEMBAHASAN
a. Hasil dan Analisis Pengujian Kmax
Parameter Kmax diuji dengan simulasi
sebanyak 5 kali percobaan. Skenario pengujian
dilakukan dari Kmax = 1 sampai Kmax = 15
dengan iterasi local search 2000. Hasil
pengujian jumlah Kmax ditunjukkan oleh
Gambar 6.
Grafik Hasil Pengujian Kmax
0,6
Rata-rata fitness
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Jumlah Kmax
Gambar 6. Grafik Pengujian Jumlah Kmax
Grafik hasil pengujian jumlah Kmax
terhadap nilai fitness ditunjukkan oleh Gambar
Fakultas Ilmu Komputer, Universitas Brawijaya
760
6. Rata-rata nilai fitness tertinggi pada pengujian
yaitu 0.516848 dengan Kmax = 13. Hasil
pengujian menunjukkan rata-rata nilai fitness
cenderung mengalami fluktuasi. Tetapi secara
umum semakin besar nilai Kmax menghasilkan
hasil yang lebih baik karena memungkinkan
VNS mencari solusi pada ruang pencarian yang
lebih luas (Mahmudy, 2015). Faktor lain yang
mempengaruhi hasil selama pencarian yaitu
terdapat peluang perubahan solusi terbaik pada
setiap tetangga K pada tahap Move Or Not untuk
seleksi fitness antara fitness local search dengan
fitness solusi awal sehingga jika fitness local
search lebih baik daripada fitness solusi awal
maka pencarian dilakukan kembali pada
tetangga k=1 sampai tidak ada fitness yang lebih
baik lagi dari tahap local search maka
dilanjutkan pada tetangga k=k+1 namun jika
pada tetangga k yang bukan 1 ditemukan solusi
yang lebih baik lagi dari hasil local search maka
dilakukan pencarian kembali dari tetangga k=1.
Hal ini menjamin bahwa pada setiap pencarian
solusi terbaik ditelusuri pada setiap tetangga k
sampai tetangga k = Kmax dan solusi dari local
search tidak menghasilkan fitness yang lebih
baik daripada solusi awal.
Penurunan pada titik tertentu pada grafik
Gambar 6 disebabkan karena solusi awal yang
digunakan berbeda-beda yaitu berdasarkan
bilangan acak antara percobaan satu dengan
yang lainnya sehingga hasil solusi dan nilai
fitness pada setiap percobaan berbeda-beda.
Perilaku struktur tetangga exchange melakukan
perubahan lebih banyak pada solusi di area
jumlah tetangga yang lebih besar karena
perubahan solusi bergantung pada banyaknya
jumlah tetangga.
b. Hasil dan Analisis Pengujian Iterasi Local
search
Setiap pengujian iterasi dilakukan percobaan
selama 5 kali percobaan dengan percobaan
iterasi 250 sampai 2000. Hasil pengujian jumlah
iterasi local search ditunjukkan oleh Gambar 7.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Grafik Hasil Pengujian Iterasi Local Search
0,6
0,5
Rata-rata ftiness
0,4
0,3
0,2
0,1
0 3 kasus dengan data penderita hipertensi yang
250 500 750 1000 1250 1500 1750 2000
Jumlah Iterasi
Gambar 7. Grafik Hasil Pengujian Iterasi Local
search
Hasil pengujian jumlah iterasi local search
ditunjukkan oleh Gambar 7. Hasil pengujian
jumlah iterasi local search terhadap nilai fitness
menunjukkan bahwa nilai fitness mengalami
peningkatan namun mengalami penurunan pada
iterasi tertentu yaitu iterasi 750, 1500 dan 1750.
Grafik menunjukkan bahwa rata-rata fitness
tertinggi pada penggunaan iterasi 2000 yaitu
0.524301 dengan perubahan rata-rata nilai
fitness yang kecil. Hasil pengujian menunjukkan
bahwa semakin banyak iterasi local search tidak
menjamin semakin baik nilai fitnessnya (dalam
percobaan berbeda), hanya saja semakin banyak
iterasi local search memberikan peluang yang
lebih besar terhadap pencarian solusi terbaik
dimana bergantung pada perubahan solusi dari
solusi terbaik pada iterasi local search
sebelumnya dengan perubahan fitness yang tidak
terlalu besar. Namun dalam satu percobaan
semakin bertambah iterasi semakin memberikan
solusi dengan nilai fitness lebih besar karena
solusi terbaik dalam setiap iterasi selalu dipilih
untuk solusi awal pada iterasi selanjutnya
dengan waktu komputasi yang lebih lama. Selain
itu, semakin banyak iterasi local search semakin
memberikan peluang juga terhadap seleksi
fitness yang terpilih dari pencarian solusi dari
local search.
c. Analisis Hasil
Pada sub bab analisis hasil ini dianalisis
keterpenuhan kebutuhan gizi dari hasil
rekomendasi sistem pada beberapa penderita
hipertensi. Pengujian analisis hasil dilakukan
dengan 3 kasus penderita hipertensi. Nilai
parameter yang digunakan pada analisis hasil
menggunakan nilai yang menghasilkan fitness
tertinggi pada pengujian yaitu Kmax = 13 dan
iterasi local search = 2000. Hasil analisis pada 3
kasus ditunjukkan oleh Tabel 9.
Fakultas Ilmu Komputer, Universitas Brawijaya
761
Tabel 9. Analisis Hasil
Selisih (%) Na
Kas
Kalor Karboh Lema Protei
us (gram)
i i drat k n
1 0.085 1.7703 6.399 9.1136 0.3512
2 0.6333 8.0401 0.1194 0.9080 0.2274
3 1.6798 2.8415 2.6399 1.9995 0.2633
Dari analisis hasil yang dilakukan terhadap
berbeda-beda didapatkan kesimpulan bahwa
hasil rekomendasi sistem berhasil memberikan
kombinasi makanan rendah natrium yaitu tidak
melebihi batas maksimum konsumsi natrium
yang dibolehkan pada masing-masing penderita.
Keterpenuhan gizi dari hasil sistem untuk
pemenuhan kebutuhan kalori, karbohidrat,
lemak dan protein masih dalam batas toleransi
±10% yang diperkenankan dalam penyusunan
gizi dengan selisih yang tidak terlalu besar
dengan kebutuhan gizi penderita. Namun
keterpenuhan gizi hasil sistem tidak selalu
menghasilkan rekomendasi yang sesuai dengan
kebutuhan gizi penderita. Hal ini dikarenakan
nilai kriteria pada penalti setiap zat gizi dan
besarnya variabel harga mempengarui nilai
fitness yang diperoleh. Tetapi secara umum hasil
sistem memberikan total gizi yang masih dalam
batas toleransi ±10% yang diperkenankan dalam
penyusunan gizi sehingga disimpulkan hasil
sistem memenuhi kebutuhan gizi penderita
hipertensi secara optimal.
6. KESIMPULAN DAN SARAN
a. Kesimpulan
Kesimpulan dari penelitian tentang optimasi
komposisi makanan untuk pnderita hipertensi
yaitu, sebagai berikut:
1. Sistem optimasi komposisi makanan untuk
penderita hipertensi dirancang dan
dibangun dengan menggunakan algoritma
Variable Neighboorhood Search (VNS).
Pada sistem ini membutuhkan data diri
penderita hipertensi dan nilai parameter
algoritma VNS sebagai inputan awal untuk
dilakukan pencarian solusi.
2. Pada metode VNS terdapat 4 tahap yaitu
inisialisasi solusi awal, Shaking, Local
search, dan Move or Not. Inisialisasi solusi
awal dilakukan dengan merandom bilangan
integer sebanyak 15 sesuai dengan jenis
makanan yang akan digunakan dalam 1 hari
atau 3 waktu yaitu pagi, siang, dan
sore/malam. Kemudian pada tahap shaking,
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
solusi awal dilakukan perubahan
menggunakan struktur tetangga exchange
sebanyak jumlah tetangga. Setelah itu, pada
tahap local search dilakukan perubahan
kembali tetapi perubahannya masih dalam
rentang dari gen awal. Pada tahap local
search dilakukan perbandingan nilai fitness
antara solusi dari shaking dengan fitness
solusi dari local search. Fitness yang
terbaik akan dilakukan perbandingan fitness
kembali dengan fitness solusi awal di tahap
Move or Not, jika fitness terbaik dari solusi
local search (fitness antara local search
dengan shaking) lebih baik maka solusi dari
perbandingan di local search digunakan
sebagai solusi awal.
3. Solusi tetangga didefinisikan dengan
perubahan tetangga secara bergantian.
Solusi terbaik pada setiap tetangga akan
digunakan sebagai solusi awal tetangga
selanjutnya. Mekanisme perubahan
tetangga terdapat pada tahap Move or Not
yaitu jika fitness local best lebih baik
daripada solusi awal maka tetap dilakukan
pencarian di tetangga k=1 namun
sebaliknya jika fitness solusi awal lebih
baik daripada fitness solusi local best maka
solusi awal digunakan sebagai solusi awal
pada tetangga selanjutnya yaitu k=k+1. Jika
pada tetangga bukan k = 1 ditemukan
kembali fitness solusi local best lebih baik
daripada solusi awal maka pencarian
dilakukan kembali di tetangga k=1, jika
tidak maka berpindah ke tetangga lain
k=k+1.
4. Hasil pengujian menunjukkan rata-rata
fitness tertinggi yaitu 0.516848 dengan nilai
Kmax = 13 dan rata-rata fitness tertinggi
0.524301 pada penggunaan iterasi local
search 2000. Semakin banyak jumlah Kmax
dan iterasi local search maka semakin
memberikan peluang yang lebih besar
mendapatkan solusi yang lebih baik namun
disisi lain dibutuhkan waktu yang lebih
lama dalam proses pencarian solusi
sehingga penggunaan jumlah Kmax dan
iterasi local search yang cukup sudah
menghasilkan solusi yang mendekati
optimum karena perbedaan nilai fitness
tidak terlalu signifikan pada penggunaan
jumlah Kmax dan iterasi local search yang
terlalu banyak.
b. Saran
Fakultas Ilmu Komputer, Universitas Brawijaya
762
Sistem optimasi komposisi makanan untuk
penderita hipertensi menggunakan VNS dapat
dikembangkan lagi pada penelitian lebih lanjut.
Berikut saran yang diberikan untuk penelitian
lebih lanjut:
1. VNS telah efektif diterapkan dalam
beberapa penelitian namun VNS kurang
efisien dalam hal eksporasi. Untuk
meningkatkan performa VNS ini dapat
digabungkan dengan algoritma lain seperti
algoritma genetika (N & Kobti, 2012).
Penggabungan antara kedua algoritma
tersebut biasa disebut Memetic Algorithm
(MA) di beberapa penelitian dan mampu
menghasilkan solusi yang outperforms
karena algoritma genetika mempunyai
kelebihan dalam eksplorasi di ruang sousi
sedangkan VNS mempunyai kelebihan
dalam hal eksploitasi di ruang tersebut
(Thanh & Binh, 2015).
2. Untuk komposisi makanan yang lebih
variasi dapat ditambahkan perumusan
fitness yang dapat menghitung variasi gen
yang terdapat didalam solusi.
3. Dapat digunakan jenis struktur tetangga
yang lain.
4. Sistem dapat ditambahkan bukan hanya
untuk penderita hipertensi saja namun bisa
juga penderita hipertensi yang mempunyai
penyakit komplikasi.
5. Data makanan yang digunakan dapat
ditambahkan lebih banyak lagi agar semakin
variasi komposisi makanannya.
6. Sistem dapat dikembangkan tidak hanya
untuk konsumsi makanan dalam sehari.
DAFTAR PUSTAKA
Almatsier, S., 2006. Penuntun Diet. Jakarta:
PT Gramedia Pustaka Utama.
American Heart Association, 2014.
Understanding and Managing High
Blood Pressure. [Online]
Available at: http://www.heart.org
[Diakses 8 August 2016].
Aziz, R. A., Ayob, M. & Othman, Z., 2012.
The Effect of Learning Mechanism in
Variables Neighborhood Search. 4th
Conference on Data Mining and
Optimization (DMO), Langkawi,
Malaysia, 2-4 September, pp. 109-
113, IEEE.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Dinas Kesehatan Kabupaten Klaten, 2013.
Profil Kesehatan Kabupaten Klaten
Tahun 2013. Klaten: Dinas
Kesehatan Kabupaten Klaten.
Dinas Kesehatan Kota Malang, 2014. Profil
Kesehatan Kota Malang Tahun
2014. [Online]
Available at:
http://www.depkes.go.id/
[Diakses February 2017].
Expósito-Izquierdo, C., Melián-Batista, B.
& Moreno-Vega, J. M., 2011.
Variable Neighbourhood Search for
the Quay Crane Scheduling
Problem. 11th International
Conference on Intelligent Systems
Design and Applications, Cordoba,
22-24 November, pp.463-468, IEEE.
Hansen, P. & Mladenovic, N., 2001.
Variable Neighborhood Search:
Principles and Applications.
European Journal of Operational,
130(3), pp. 449-467.
Indaswari, F. A. & Mahmudy, W. F., 2016.
Optimasi Komposisi Makanan Bagi
Penderita Obesitas pada Anak
Menggunakan Algoritma Genetika.
Repository Jurnal Mahasiswa PTIIK
Universitas Brawijaya, 7(27).
Iwuji, A. C., Nnanna, M. & Ndulue, N. I. C.,
2016. An Optimal DASH Diet
Model for People with Hypertension
Using Linear Programming
Approach. Open Jurnal of
Optimization, 5(1), pp. 14-21.
Kardani-Moghaddam, S., Khodadadi, F.,
Entezari-Maleki, R. & Movaghar,
A., 2012. A Hybrid Genetic
Algorithm and Variable
Neighborhood Search for Task
Scheduling Problem in Grid
Environment. International
Workshop on Information and
Electronics Engineering,
Heilongjiang, China, Elsevier Ltd.,
pp. 3808-3814.
Fakultas Ilmu Komputer, Universitas Brawijaya
763
Mahmudy, W. F., 2006. Penerapan
algoritma genetika pada optimasi
model penugasan. Natural, 10(3),
pp. 197-207.
Mahmudy, W. F., 2015. Optimization of Part
Type Selection and Machine
Loading Problems in Flexible
Manufacturing System Using
Variable Neighborhood Search.
IAENG International Journal of
Computer Sciences.
Mustamin, 2010. Asupan Natrium, Status
Gizi dan Tekanan Darah Usia Lanjut
di Puskesmas Bojo Baru Kabupaten
Barru. Media Gizi Pangan, Jurnal
Ilmiah Politeknik Kesehatan
Kemenkes Makassar Jurusan Gizi,
IX(1), pp. 20-26.
N, M. R. R. & Kobti, Z., 2012.
Incorporating a Genetic Algorithm
to improve the performance of
Variable Neighborhood Search.
Fourth World Congress on Nature
and Biologically Inspired
Computing (NaBIC), Mexico City,
2012, pp. 144-149., IEEE. doi:
10.1109/NaBIC.2012.6402253.
National Institutes of Health, 2004. The
Seventh Report of the Joint National
Committee on Prevention, Detection,
Evaluation, and Treatment of High
Blood Pressure, Maryland: National
Institutes of Health.
Papalitsas, C., Giannakis, K., Andronikos, T.
& Sifaleras, A., 2015. Initialization
methods for the TSP with Time
Windows using Variable
Neighborhood Search. 6th
International Conference on
Information, Intelligence, Systems
and Applications (IISA), Corfu, 6-8
July, pp. 1-6, IEEE.
Pratiwi, M. I., Mahmudy, W. F. & Dewi, C.,
2014. Implementasi Algoritma
Genetika pada Optimasi Biaya
Pemenuhan Kebutuhan Gizi. DORO:
Repository Jurnal Mahasiswa PTIIK
 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 764

Universitas Brawijaya, Volume 4 to Selected Major Risks. Geneva:

No. 6. WHO Press.
Rahman, M. A., 2016. Pengaruh Terapi WHO, 2011. Noncommunicable Diseases in
Bekam terhadap Tekanan Darah the South-East Asia Region. India:
pada Pasien Hipertensi di Klinik WHO Press.
Bekam Abu Zaky Mubarak. Jakarta: WHO, 2013. High Blood Pressure: The
UIN Syarif Hidayatullah. Silent Killer. [Online]
Rianawati, A. & Mahmudy, W. F., 2015. Available at:
Implementasi Algoritma Genetika http://www.wpro.who.int/world_hea
Untuk Optimasi Komposisi lth_day/2013/high_blood_pressure_
Makanan Bagi Penderita Diabetes brochure_wpr.pdf
Mellitus. DORO: Repository Jurnal [Diakses 8 Agustus 2016].
Mahasiswa PTIIK Universitas
Brawijaya, Volume 5 No. 14.
Sari, A. P. & Mahmudy, W. F., 2014.
Optimasi Asupan Gizi pada Ibu
Hamil dengan Menggunakan
Algoritma Genetika. DORO:
Repository Jurnal Mahasiswa PTIIK
Universitas Brawijaya, Volume 4
No. 5.
Taha, H. A., 1993. Operations Research: An
Introduction. 3nd penyunt. New
York: Macmillan Publishing Co.
Thanh, P. D. & Binh, H. T. T., 2015. An
Effective Combination of Genetic
Algorithms and the Variable
Neighborhood Search for Solving
Travelling Salesman Problem.
Conference on Technologies and
Applications of Artificial
Intelligence (TAAI). Tainan, IEEE.
pp. 142-149. doi:
10.1109/TAAI.2015.7407102.
Torres-Machi, C., Yepes, V., Alcala, J. &
Pellicer, E., 2013. Optimization of
High-performance Concrete
Structures by Variable
Neighborhood Search. International
Journal of Civil Engineering, 11(2),
pp. 90-97.
Wahyuningsih, R., 2013. Penatalaksanaan
Diet pada Pasien. Yogyakarta:
Graha Ilmu.
WHO, 2009. Global Health Risks: Mortality
and Burden of Disease Attributable

Fakultas Ilmu Komputer, Universitas Brawijaya

View publication stats