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

Vol. 1, No. 11, November 2017, hlm. 1385-1394 http://j-ptiik.ub.ac.id

Optimasi Komposisi Bahan Makanan bagi Pasien Rawat Jalan Penyakit

Jantung dengan Menggunakan Algoritme Particle Swarm Optimization
(PSO)
I Gusti Ayu Putri Diani1, Imam Cholissodin2, Suprapto3

Program StudiTeknikInformatika, FakultasIlmuKomputer, UniversitasBrawijaya

Email: 1dianiputri8@gmail.com, 2imamcs@ub.ac.id, 3spttif@ub.ac.id
Abstrak
Organ pada tubuh yang paling penting dan berfungsi sebagai pompa darah adalah jantung. Penyakit
jantung dapat diderita semua orang disebabkan oleh gaya hidup yang tidak sehat. Sebagian besar
kematian menurut laporan World Health Organization (WHO), disebabkan oleh penyakit jantung yang
menyebabkan 17,7 juta kematian atau kurang lebih 45%. Bagi orang yang memiliki penyakit jantung,
pengaturan pola makan juga sama pentingnya dengan orang yang tidak memiliki penyakit jantung agar
dapat menjadi sehat kembali. Pada penelitian ini akan dilakukan pemberian bahan makanan untuk pasien
penderita penyakit jantung yang sudah dapat pulang ke rumah atau pasien rawat jalan. Penelitian yang
dilakukan adalah optimasi bahan makanan menggunakan algoritmeparticle swarm optimization dimana
hasil yang akan ditampilkan oleh program ini adalah usia, berat badan, tinggi badan beserta bahan
makanan yang sesuai dengan kebutuhan pasien rawat jalan dengan harga yang seminimal mungkin dari
setiap bahan makanannya. Algoritme ini terdiri dari tahap inisialisasi awal, perhitungan fitness,
penentuan pbest dan gbest, perhitungan kecepatan dan posisi partikel. Hasil akhir dari penelitian ini,
didapatkan bahwa parameter yang optimal diantaranya adalah jumlah partikel sebanyak 40, nilai ωmax
sebesar 0,75, nilai ωmin sebesar 0,25, nilai C1 sebesar 2, nilai C2 sebesar 2 dan jumlah iterasi maksimum
sebanyak 80. Hasil dari program dengan parameter tersebut menghasilkan menghasilkan rata-rata selisih
data aktual dengan data dari program sebesar 4,67%.Selain itu dapat mengurangi biaya pengeluaran
sampai dengan 14,68%.
Kata kunci: optimasi, particle swarm optimization, bahan makanan, penyakit jantung, rawat jalan, diet
jantung
Abstract
Heart is an organ which is very important in the body that pumps blood. Many people can suffered heart
disease caused by unhealthy lifestyle. Most of the deaths, according to the report of the World Health
Organization (WHO), caused by cardiovascular disease that cause 17.7 million or approximately 45%.
For people who suffers with heart disease, take care of food consumption is important in order to be
healthy again. This research will be conducted on the giving food ingredients for the patients who suffers
cardiovascular disease whose can continue their treatment in their home.Research conducted is
optimizing the composition of the food ingredients for cardiovascular disease outpatient by using
particle swarm optimization algorithm which the results will be displayed in the program is data such
as age, weight, height, along with recommended of food ingredients and minimum price of each food
ingredients.This algorithm consists stages of initialize particles, calculating fitness value, define pbest
and gbest value, calculating velocity and position of particles. The results from this research, it is found
that the optimal parameters are the number of particles are 40 particles, the value of ω max is 0,75, the
value of ωmin is 0,25, the value of C1 is 2, the value of C2 is 2 and the number of maximum iterations are
80 iterations. The results of the program using these parameters resulted in an average difference from
actual patients data and the results from the program of 4,67%. Moreover, the result of this research
can reduce expenses up to 14,68%.
Keywords: optimization, particle swarm optimization, food ingredients, cardiovascular disease,
outpatient cardiovascular disease, cardiac diet

Fakultas Ilmu Komputer

Universitas Brawijaya 1385
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1. PENDAHULUAN
Jantung adalah organ pada tubuh yang
berfungsi sebagai pompa darah. Dengan
denyutan pada jantung, jantung memompa darah
yang membawa banyak oksigen dan zat
makanan ke seluruh tubuh manusia termasuk
pembuluh darah arteri koroner, serta darah
membawa oksigen yang kurang akan menuju ke
paru-paru untuk mengambil oksigen(Soeharto,
2004). Di dalam jantung terdapat penyakit
jantung seperti penyakit jantung koroner, gagal
jantung dan lainnya. Penyakit jantung adalah
salah satu penyakit yang banyak diderita oleh
semua orang (Abdul, 2007).
Menurut laporan tahun 2017 oleh World
Health Organization (WHO), pada tahun 2015,
diperkirakan 40 juta kematian terjadi karena
penyakit tidak menular atau Noncommunicable
Diseases (NCD), setara dengan 70% dari jumlah
seluruh kematian 56 juta secara global. Sebagian
besar kematian tersebut disebabkan oleh
penyakit tidak menular, salah satunya ialah
penyakit jantung yang menyebabkan 17,7 juta
kematian atau kurang lebih 45% dari semua
kematian akibat penyakit tidak menular. Bagi
orang yang menderita penyakit jantung, gaya
hidup dan pola makan harus diperhatikan dengan
serius. Sulitnya mengatur pola makan yang
dikonsumsi dimana makanan harus memenuhi
kebutuhan gizi penderita tanpa mengganggu dan
memicu bertambah buruknya keadaan jantung.
Bahan makanan yang diberikan bagi
pasien harus dibatasi dengan bahan makanan
yang dianjurkan, bahan makanan yang tidak
dianjurkan dan cara mengolahnya. Pemberian
bahan makanan dibagi berdasarkan tipe penyakit
jantung yang diderita dan tingkat parahnya
penyakit tersebut dimana kategori tersebut
dibagi menjadi 4 macam tipe diet yaitu Diet
Jantung 1, Diet Jantung 2, Diet Jantung 3 dan
Diet Jantung 4 (Almatsier, 2004). Pada
penelitian ini akan dilakukan pemberian bahan
makanan untuk pasien penderita penyakit
jantung yang termasuk ke dalam Diet Jantung 4
yaitu pasien yang sudah berangsur sehat atau
rawat jalan tetapi masih belum diperbolehkan
untuk makan makanan tertentu dan asupan
makanan yang dimakan masih harus diawasi.
Dipilihnya Diet Jantung 4 dikarenakan pada
pemilihan komposisi bahan makanan, untuk
penderita Diet Jantung 4 atau disebut juga pasien
rawat jalan dapat bervariasi.
Selain itu, pada salah satu rumah sakit,
Fakultas Ilmu Komputer, Universitas Brawijaya
1386
pasien penyakit jantung rawat jalan hanya
diberikan berat bahan makanan dalam 1 hari
dengan frekuensi makan sebanyak 3 kali.
Sehingga agar mendapatkan bahan makanan
yang sesuai dengan keadaan pasien, maka pasien
harus kembali ke rumah sakit untuk melakukan
pemeriksaan dan perhitungan kembali
kebutuhan gizi yang dibutuhkansehingga
diperlukan waktu dan biaya. Penelitian ini dibuat
agar mempermudah dalam pemilihan bahan
makanan yang sesuai dengan kebutuhan dan
dapat menghasilkan bahan makanan yang
bervariasi dengan harga yang seminimal
mungkin tanpa perlu kembali ke rumah sakit
untuk mendapatkan daftar berat bahan makanan
yang baru.
Untuk permasalahan yang serupa
dengan penentuan bahan makanan ini telah
dilakukan sebelumnya dengan menggunakan
algoritmeparticle swarm optimizationyaitu
mengenai optimasi kebutuhan gizi dalam satu
keluarga (Eliantara, Cholissodin, & Indriati,
2016), lalu dengan menggunakan algoritme
genetika yaitu optimasi biaya untuk pemenuhan
gizi (Pratiwi, Mahmudy, & Dewi, 2014) dan
optimasi biaya untuk pemenuhan gizi pada
manusia lanjut usia (Suci, Mahmudy, & Putri,
2015).Selain penentuan bahan makanan,
algoritmeparticle swarm optimization telah
digunakan oleh Mickael Tuegeh untuk
penjadwalan pada sistem pengoperasian tenaga
listrik pada tahun 2009.
Penelitian ini yaitu optimasi komposisi
bahan makanan bagi pasien rawat jalan penyakit
jantung dilakukan dengan menggunakan
algoritmeparticle swarm optimization akan
menampikan hasil daftar bahan makanan beserta
bahan makanan dan harga dari setiap bahan
makanannya berdasarkan perhitungan
kebutuhan gizi pasien dari data diri pasien
seperti usia, berat badan dan tinggi badan.
Komposisi bahan makanan yang dianjurkan agar
dapat bervariasi selama 11 hari.
Algoritmeparticle swarm optimizationyang
digunakan dalam penelitian ini diperkenalkan
pertama kali oleh Russel Eberhart dan James
Kennedy pada tahun 1995. Algoritme ini
terinspirasi berdasarkan kelakuan sosial dari
binatang seperti sekelompok burung atau
sekawanan ikan yang berenang bersama-sama
dan memiliki banyak kemiripan dengan
komputasi evolusi seperti algoritme genetika.
Kelebihan dari algoritmeparticle swarm
optimization ini adalah dalam hal perhitungan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dimana algoritme ini mempunyai konsep yang
sederhana dibanding dengan teknik perhitungan
lainnya(Tuegeh, Soeprijanto, & P, 2009).
2. DASAR TEORI
2.1 Penyakit Jantung
Jantung merupakan organ yang
memompa darah ke seluruh tubuh. Penyakit
jantung disebabkan oleh penyempitan pembuluh
darah pada jantung. Selain itu, suatu penelitian
menyebutkan bahwa penyakit jantung dapat
disebabkan oleh gen yang dapat mempengaruhi
seseorang menderita penyakit jantung. Gen
tersebut dapat diturunkan dari keluarga dengan
riwayat penderita penyakit jantung (Yahya,
2010).
2.2 Diet Penyakit Jantung
Diet penyakit jantung diberikan kepada
pasien yang menderita penyakit jantung.
Terdapat 4 jenis diet penyakit jantung
diantaranya Diet Jantung 1 diberikan kepada
pasien penyakit jantung akut yang sedang dalam
tahap perawatan di rumah sakit, Diet Jantung 2
diberikan kepada pasien yang telah dapat
mengatasi fase akut, Diet Jantung 3 merupakan
perpindahan dari Diet Jantung 2 dimana kondisi
pasien tidak terlalu berat, dan Diet Jantung 4
merupakan pemberian makan kepada pasien
dengan keadaan ringan atau dapat dibilang
bahwa pasien yang sedang menjalani Diet
Jantung 4 adalah pasien rawat jalan. Pada
penelitian ini, optimasi komposisi bahan
makanan diberikan kepada pasien dengan Diet
Jantung 4 atau pasien rawat jalan. Pasien rawat
jalan dapat menerima asupan makanan dalam
bentuk makanan biasa, berbeda dengan Diet
Jantung 1 sampai dengan Diet Jantung 3 dimana
pemberian makan masih dalam bentuk lunak
atau cairan (Almatsier, 2004).
2.2.1 Tujuan Diet Penyakit Jantung
Tujuan diet penyakit jantung adalah
(Almatsier, 2004):
1. Memberikan makanan yang cukup tanpa
memberatkan kerja jantung.
2. Menurunkan berat badan bila berat badan
orang tersebut terlalu gemuk.
3. Mencegah atau menghilangkan
penumpukan garam atau air.
2.2.2 Bahan Makanan yang Dianjurkan
1. Sumber hidrat arang diantara lain nasi,
nasi tim, bubur, roti gandum, makaroni,
Fakultas Ilmu Komputer, Universitas Brawijaya
1387
pasta, jagung, kentang, ubi, talas,
havermut, sereal dan juga hidrat arang
yang mengandung banyak serat.
2. Sumber protein hewani diantaranya adalah
daging tanpa kulit, ayam tanpa kulit dan
ikan.
3. Sumber protein nabati yaitu tempe, tahu,
oncom dan kacang–kacangan.
4. Sayuran seperti bayam, buncis, labu
kuning, labu siam, wortel dan kacang
panjang.
5. Buah–buahan atau sari buah seperti jeruk,
apel, pepaya, melon, jambu dan pisang.
6. Makanan yang direbus, dikukus,
dipanggang atau dibakar atau makanan
yang ditumis memakai minyak seperti
minyak kacang, minyak kedelai, minyak
jagung dan minyak sawit.
Bila kebutuhan gizi tidak dapat dipenuhi
melalui makanan, dapat diberikan tambahan
berupa enteral atau pemberian nutrisi melalui
saluran cerna, parenteral atau pemberian nutrisi
melalui pembuluh darah atau suplemen gizi
(Almatsier, 2004).
2.2.3 Bahan Makanan yang Dihindari
1. Sumber protein hewani seperti daging
berlemak, sosis, otak dan jeroan.
2. Asam lemak jenuh seperti minyak hewan
dan mayones.
3. Minuman yang mengandung soda dan
alkohol seperti arak, bir dan brem.
2.3 Perhitungan Kebutuhan Gizi
Kebutuhan gizi energi, karbohidrat, protein
dan lemak didapat dari perhitungan Berat Badan
Ideal (BBI), perhitungan kebutuhan energi,
perhitungan basal atau energi yang diperlukan
tubuh dalam keadaan istirahat.Parameter yang
digunakan untuk perhitungan kebutuhan gizi
adalah berat badan, tinggi badan, usia, dan jenis
kelamin pasien.Perhitungan Berat Badan Ideal:
𝐵𝐵𝐼 = (𝑡𝑏 − 100) (1)
×90%
Keterangan:
BBI : Berat Badan Ideal
tb : Tinggi Badan
Perhitungan Kebutuhan Energi:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1388

𝐸𝑛𝑒𝑟𝑔𝑖 (2) menetapkannya sebagai global g yang

= 𝐵𝑎𝑠𝑎𝑙×𝐹𝑎𝑘𝑡𝑜𝑟𝐴𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 terbaik atau gbest.
×𝐹𝑎𝑘𝑡𝑜𝑟𝑆𝑡𝑟𝑒𝑠𝑠 5. Mengubah kecepatan dan posisi untuk
Keterangan: masing–masing partikel.
Faktor Aktivitas: 1,3 6. Ulangi kembali ke langkah ke dua,
Faktor Stress : 1,1 kondisi berhenti ketika jika spesifikasi
Perhitungan untuk nilai basal, dibedakan yang dibutuhkan telah dicapai, atau
untuk laki-laki dan perempuan. Berikut sampai pada jumlah maksimum iterasi
merupakan rumus perhitungan nilai basal: yang dilakukan.
𝐿𝑎𝑘𝑖 − 𝑙𝑎𝑘𝑖 = 30 𝑘𝑘𝑎𝑙×𝐵𝐵 (3) Kecepatan atau velocity vijdan posisi xijdari
𝑃𝑒𝑟𝑒𝑚𝑝𝑢𝑎𝑛 = 25 𝑘𝑘𝑎𝑙×𝐵𝐵 (4) partikel ke-i dengan dimensi ke-j diperbarui
dengan persamaan (Wang, 2010):
Perhitungan Gizi Lemak, Protein dan 𝑣𝑖,𝑗 𝑡+1 = 𝜔×𝑣𝑖,𝑗 𝑡 (8)
Karbohidrat: + 𝑐1 ×𝑟𝑎𝑛𝑑1𝑖,𝑗
25% ×𝐸𝑛𝑒𝑟𝑔𝑖
𝐿𝑒𝑚𝑎𝑘 = ×𝑃𝑏𝑒𝑠𝑡𝑖,𝑗 𝑡 − 𝑥𝑖,𝑗 𝑡
9 (5) + 𝑐2 ×𝑟𝑎𝑛𝑑2𝑖,𝑗
𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = 0,8 ×𝐵𝐵𝐼 (6)
×𝐺𝑏𝑒𝑠𝑡𝑖,𝑗 𝑡 − 𝑥𝑖,𝑗 𝑡
𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡
𝐸𝑛𝑒𝑟𝑔𝑖 − ((𝐿𝑒𝑚𝑎𝑘×4) + (𝑃𝑟𝑜𝑡𝑒𝑖𝑛×9)) Keterangan:
=
(7)
4
vij :Kecepatan atau velocity dari partikel
ke-i dimensi ke-j
2.4AlgoritmeParticle Swarm Optimization ω :Bobot inersia
Algoritmeparticle swarm optimization ci : Faktor yang mengontrol komponen
dikategorikan ke dalam algoritmeswarm sosial dan kognitif
intelligence dan teknik optimasi ini berdasarkan randij : 2 nilai acak antara 0 sampai 1
populasi yang awalnya dikembangkan oleh Pbest : Posisi dengan nilai fitness terbaik pada
Kennedy dan Eberhart pada tahun 1995. Hal ini partikel ke-i
didorong oleh kelakuan sosial sekelompok Gbest : Nilai pbest terbaik dari seluruh
burung atau sekawanan ikan yang berenang populasi partikel
bersama-sama (Sun, 2012). t : Banyaknya iterasi
Particle Swarm Optimizationtermasuk
algoritmemetaheuristic dan dapat diterapkan 𝑥𝑖,𝑗 𝑡+1 (9)
secara luas dalam memecahkan banyak masalah = 𝑥𝑖,𝑗 𝑡 + 𝑣𝑖,𝑗 𝑡+1
seperti permasalahan kombinatorial.Algoritme Keterangan:
ini diinisialisasikan dengan sebuah populasi dari xij : Posisi dari partikel ke-i
partikel-partikel secara acak dan mencari posisi Bobot inersia atau ω dikenalkan pertama
terbaik partikel tersebut dengan nilai fitness kali oleh Shi dan Eberhart pada tahun 1998 dan
terbaik (Constantines, 2011).Berikut merupakan digunakan untuk membantu keseimbangan antar
langkah-langkah dalam penerapan penelusuran global dan lokal dan menjadi
algoritmeparticle swarm optimization(Nedjah, parameter kontrol yang baik.
2007):
1. Menginisialisasi populasi partikel dengan 𝜔 max −𝜔𝑚𝑖𝑛 (10)
𝜔 = 𝜔𝑚𝑎𝑥 − 𝐼𝑡𝑒𝑟
posisi dan velocity secara acak. 𝐼𝑡𝑒𝑟𝑚𝑎𝑥
2. Untuk setiap partikel, hitung nilai Dimana:
fitnessnya. ωmax – ωmin : Bobot awal dan akhir
3. Membandingkan nilai fitness tiap partikel Itermax : Jumlah maksimum iterasi
dengan nilai fitness terbaik mereka, jika Iter : Jumlah iterasi yang ada
nilai fitnesssaat ini lebih baik daripada 2.5 Nilai Fitness
nilai fitness terbaik yang pernah ada, maka
nilai fitness tersebut menjadi nilai fitness Perhitungan fitness digunakan untuk
terbaik yang baru. mengevaluasi hasil dari optimasi pada penelitian
4. Mengidentifikasi partikel dengan nilai ini. Nilai fitness digunakan untuk menyatakan
fitness terbaik dari semua populasi dan kualitas dan tujuan penelitian ini. Berikut
merupakan rumus perhitungan nilai fitness:
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1389

2. Menginisialisasi populasi partikel awal

1 1 (11) swarm secara random.
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = ( +
𝑝𝑒𝑛𝑎𝑙𝑡𝑖 + 1 ℎ𝑎𝑟𝑔𝑎 3. Melakukan perulangan sebanyak iterMax.
+ 𝑣𝑎𝑟𝑖𝑎𝑠𝑖) 4. Menghitung nilai fitness dari setiap
partikel.
Keterangan: 5. Melakukan perhitungan kecepatan atau
penalti : Nilai kandungan gizi yang melebihi velocity setiap partikel dan menghitung
atau kurang dari kebutuhan gizi pasien posisi partikel yang nantinya akan
harga : Total harga pada komposisi bahan digunakan untuk iterasi selanjutnya.
makanan dalam satu partikel 6. Menentukan nilai Pbest dan menentukan
variasi : Jumlah variasi bahan makanan dalam nilai Gbest dari Pbest dengan nilai fitness
satu partikel terbaik. Nilai fitness yang dibandingkan
3. PERANCANGAN DAN untuk menentukan nilai Pbest dan Gbest
IMPLEMENTASI adalah dari nilai fitness dari posisi sebelum
dengan hasil update posisi.
Perancangan penelitian ini menggunakan 7. Kembali ke proses menghitung nilai
data daftar bahan makanan penukar, anjuran fitness sampai seluruh iterasi mencapai
porsi makan, harga bahan makanan dan data maksimum.
pasien rawat jalan penyakit jantung. Inisialisasi
awal partikel direpresentasikan dalam bilangan
bulat acak dari 1 sampai 56. Lalu bilangan
tersebut akan dilakukan perhitungan pencarian
ke dalam indeks bahan makanan penukar. Data
bahan makanan penukar berupa daftar bahan–
bahan makanan yang dibagi ke dalam 7
golongan yaitu sumber karbohidrat, sumber
protein hewani, sumber protein nabati, sayuran,
buah–buahan dan gula, susu, dan
minyak/lemak.Daftar bahan makanan penukar
memuatnama bahan makanan, Ukuran Rumah
Tangga (URT), berat bahan makanan dan
kandungan gizi setiap bahan makanan
diantaranya adalah kalori, protein, lemak dan
karbohidrat.
Anjuran porsi makan digunakan untuk
memenuhi kebutuhan gizi pasien yang dibagi
menjadi beberapa kelompok usia sesuai dengan
pedoman gizi seimbang yang nantinya akan
dikalikan dengan ukuran berat bahan makanan
menurut daftar bahan makanan penukar agar
mendapatkan berat bahan makanan yang
menyesuaikan kebutuhan gizi sesuai dengan usia
pasien.
Tahapan–tahapan proses dari penelitian
ini secara umumditunjukkan pada Gambar 1:
1. Memperoleh input data berupa data pasien
rawat jalan penyakit jantung yang
diantaranya adalah berat badan, tinggi
badan, usia, dan jenis kelamin pasien.
Untuk parameter yang digunakan oleh
algoritmeparticle swarm Gambar 1. Flowchart Proses Algoritme Particle
optimizationmeliputi ωmax, ωmin, C1, C2, Swarm Optimization (PSO)
iterasi maksimal dengan nama variabel 4. PENGUJIAN DAN ANALISIS
iterMax, jumlah partikel, nilai batas atas
angka permutasi dan jumlah hari. Pada penelitian ini dilakukan pengujian
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dengan 4 skenario pengujian, yaitu pengujian
berdasarkan banyaknya partikel, pengujian
berdasarkan nilai ωmax dan nilai ωmin, pengujian
berdasarkan banyakya iterasi dan pengujian
berdasarkan nilai batas atas angka permutasi.
4.1Pengujian Berdasarkan Banyaknya
Partikel
Uji coba berdasarkan banyaknya
partikel dilakukan guna mengetahui hubungan
banyaknya jumlah partikel dengan nilai fitness
dimana jumlah partikel yang digunakan dalam
uji coba ini dimulai dari 5 sampai dengan 50
dengan berkelipatan 5. Uji coba setiap jumlah
partikel dilakukan sebanyak 10 kali dengan
parameter yang ditentukan yaitu nilai ωmax
sebesar 0,9, nilai ωmin sebesar 0,4, nilai C1 dan C2
sebesar 2, jumlah hari sebanyak 11 hari, jumlah
iterasi sebanyak 50 dan batas atas angka
permutasi yaitu 56. Pada Gambar 2 dipaparkan
grafik hasil pengujian berdasarkan banyaknya
partikel.
Hasil Pengujian Berdasarkan
Banyak Partikel
120
Rata - Rata Fitness
100
80
60
40
20
0 Gambar 3 merupakan rata–rata waktu
5 10 15 20 25 30 35 40 45 50
Banyak Partikel
Gambar 2. Grafik Hasil Pengujian Uji Coba
Berdasarkan Banyaknya Partikel
Hasil dari pengujian uji coba
berdasarkan banyaknya partikel menghasilkan
kesimpulan bahwa semakin banyak jumlah
partikel maka semakin bagus hasil rata-rata
fitnesstersebut. Banyaknya partikel dapat
mempengaruhi dalam pencarian solusi pada
program ini sehingga semakin banyak partikel
semakin banyak pula solusi yang didapatkan dan
juga semakin bervariasi solusi–solusi tersebut.
Nilai fitness cenderung meningkat dengan
banyaknya jumlah partikel. Tetapi tidak
memungkinkan bahwa nilai fitness dengan
menggunakan banyak partikel akan selalu lebih
baik dikarenakan pada proses inisialisasi awal,
partikel diinisialisasi secara acak. Jumlah iterasi
Fakultas Ilmu Komputer, Universitas Brawijaya
1390
juga mempengaruhi hasil optimasi. Lalu perlu
dipertimbangkan juga karena waktu untuk
menjalankan program semakin lama jika partikel
yang digunakan semakin banyak. Banyaknya
partikel yang digunakan berbeda–beda sesuai
dengan permasalahan yang dihadapi. Dari hasil
pengujian ini, dapat diambil nilai jumlah partikel
sebanyak 40 dikarenakan rata–rata fitness pada
40 partikel tidak jauh berbeda dengan 45
partikel. Lalu waktu saat menjalankan program
pada jumlah partikel sebanyak 40 tidak terlalu
lama seperti menjalankan program dengan
banyaknya partikel sebanyak 50 sehingga
penggunaan partikel sebanyak 40 dirasa cukup
baik.
Rata - Rata Waktu Uji Coba
Berdasarkan Banyaknya Jumlah
Partikel
Rata - Rata Waktu (detik)
600
500
400
300
200
100
0
0 20 40 60
Jumlah Partikel
Gambar 3. Grafik Hasil Rata – Rata Waktu
Pengujian Uji Coba Berdasarkan Banyaknya Partikel
yang diperlukan pada saat melakukan pengujian
berdasarkan banyaknya partikel. Dapat dilihat
bahwa semakin banyak partikel yang digunakan
semakin lama waktu saat menjalankan program.
Rata–rata waktu yang dibutuhkan pada saat
mencapai jumlah partikel sebanyak 50 adalah
sekitar 500 detik atau 8 menit.
4.2 Pengujian Berdasarkan Nilai ωmax dan
Nilai ωmin
Uji coba berdasarkan nilai ωmax dan nilai
ωmin dilakukan guna mendapatkan nilai ωmax dan
ωmin yang terbaik agar mendapatkan solusi yang
paling optimal dimana nilai ωmax dan nilai ωmin
yang digunakan dalam uji coba ini adalah
kombinasi nilai dari 0,2 sampai dengan 1,15. Uji
coba setiap jumlah partikel dilakukan sebanyak
10 kali dengan parameter yang ditentukan yaitu
jumlah partikel sebanyak 40, nilai C1 dan C2
sebesar 2, jumlah hari sebanyak 11 hari, jumlah
iterasi sebanyak 50 dan batas atas angka
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1391

permutasi yaitu 56. Pada Gambar 4 dipaparkan banyaknya iterasi dengan nilai fitness dimana
grafik hasil pengujian berdasarkan nilai ωmax dan banyak iterasi yang digunakan dalam uji coba ini
nilai ωmin. dimulai dari 10 sampai dengan 100 dengan
berkelipatan 10. Uji coba setiap banyaknya
iterasi dilakukan sebanyak 10 kali dengan
Hasil Pengujian Berdasarkan Nilai
parameter yang ditentukan yaitu jumlah partikel
ωmax dan Nilai ωmin
sebanyak 40, nilai ωmax sebesar 0,75, nilai ωmin
120
sebesar 0,25, nilai C1 dan C2 sebesar 2, jumlah
Rata - Rata Fitness

100 hari sebanyak 11 hari dan batas atas angka

80 permutasi yaitu 56. Pada Gambar 5 dipaparkan
60 grafik hasil pengujian berdasarkan banyaknya
40 partikel.
20 Hasil Pengujian Berdasarkan
0 Banyaknya Iterasi
0,20 ; 0,25 ; 0,30 ; 0,35 ; 0,4 ; 0,45 ; 0,50 ; 0,55 ; 0,60 ; 0,65 ;
0,70 0,75 0,80 0,85 0,9 0,95 1,0 1,05 1,10 1,15 104

Rata - Rata Fitness

Nilai ωmax ; 102
Nilai ωmin 100
Gambar 4. Grafik Hasil Pengujian Uji Coba 98
Berdasarkan Nilai ωmax dan Nilai ωmin
96

Hasil dari pengujian uji coba 94

berdasarkan nilai ωmax dan nilai 92
ωminmenghasilkan kesimpulan bahwa nilai ωmax 0 20 40 60 80 100 120

dan nilai ωmin dengan nilai fitness terbaik didapat
ketika nilai ωmax sebesar 0,75 dan nilai ωmin
sebesar 0,25. Nilai bobot inersia yang besar
berguna untuk memperluas pencarian global
atau eksplorasi. Sedangkan nilai bobot inersia
yang kecil berguna untuk melakukan pencarian
lokal. Pencarian lokal akan melakukan pencarian
dalam satu area sebelum melakukan pencarian
global ke area yang lain. Jika nilai bobot inersia
besar, kecepatan partikel akan bertambah
sehingga menyebabkan peluang pencarian lokal
menjadi kecil. Partikel akan cenderung
melakukan pencarian global ke area lain
sehingga solusi yang optimal pada suatu area
akan terlewati. Jika bobot inersia terlalu kecil
maka kecepatan partikel akan berkurang dan
mengurangi peluang untuk melakukan pencarian
global. Agar dapat mengimbangi pencarian
global dan pencarian lokal, maka dibutuhkan
nilai bobot inersia yang seimbang. Pada
penelitian ini, nilai ωmax dan nilai ωminyang
seimbang adalah dengan nilai ωmax sebesar 0,75
dan nilai ωmin sebesar 0,25. Nilai bobot inersia
yang seimbang berbeda–beda sesuai dengan
permasalahan yang dibahas. Perhitungan nilai ω
dapat dilihat pada Persamaan 11.
4.3 Pengujian Berdasarkan
Iterasi
Uji coba berdasarkan banyaknya iterasi
dilakukan guna mengetahui hubungan
Fakultas Ilmu Komputer, Universitas Brawijaya
Banyak Iterasi
Gambar 5. Grafik Hasil Pengujian Uji Coba
Berdasarkan Banyaknya Iterasi
Hasil dari pengujian uji coba
berdasarkan banyaknya iterasi menghasilkan
kesimpulan bahwa semakin banyak iterasi maka
semakin bagus hasil rata-rata fitness tersebut.
Banyaknya iterasi dapat mempengaruhi dalam
pencarian solusi pada program ini sehingga
dapat mencari solusi secara menyeluruh.
Semakin banyaknya iterasi yang dilakukan maka
pencarian solusi menjadi optimal dikarenakan
posisi partikel tidak banyak berubah dengan nilai
solusi yang terbaik. Nilai fitness terbaik yang
didapatkan pada iterasi ke-100 dapat menjadi
nilai yang optimal seperti yang diharapkan pada
penelitian. Karena pada nilai fitness, nilai yang
paling berpengaruh adalah nilai variasi dimana
jika nilai variasi semakin besar maka nilai fitness
semakin baik dan hasil yang diharapkan oleh
penelitian ini adalah agar bervariasinya bahan
makanan dalam 11 hari.
Hasil optimasi dari pengujian ini juga
dipengaruhi oleh inisialisasi awal yang di
inisialisasikan secara acak, sehingga pada saat
Banyaknya proses inisialisasi awal posisi partikel sudah
baik, maka proses pencarian menjadi kurang
optimal dan memungkinkan mencapai nilai yang
sama untuk iterasi selanjutnya. Pada pengujian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
ini, diambil iterasi sebanyak 80 dikarenakan nilai
fitness pada iterasi ke-80 tidak terlalu jauh
berbeda dengan iterasi ke-90 sampai dengan 100
dimana rata–rata fitness dimulai dari iterasi ke-
80 sudah baik yaitu sudah mencapai nilai 100.
Selain itu, iterasi ke-80 tidak membutuhkan
waktu yang lama pada saat menjalanakan
program tidak selama seperti iterasi ke-90 dan
ke-100.
Rata - Rata Waktu Uji Coba
Berdasarkan Banyak Iterasi
Rata - Rata Waktu (detik)
600
500
400
300
200
100
0 permutasi yang digunakan, tidak menjamin
0 50 100
Banyak Iterasi
Gambar 6. Grafik Hasil Rata – Rata Waktu
Pengujian Uji Coba Berdasarkan Banyaknya Iterasi
Gambar 6 merupakan rata–rata waktu
yang diperlukan pada saat melakukan pengujian
berdasarkan banyaknya iterasi. Dapat dilihat
bahwa semakin banyak iterasi yang dilakukan
bahwa semakin lama waktu saat menjalankan
program. Rata–rata waktu yang dibutuhkan pada
saat mencapai jumlah iterasi sebanyak 100
adalah sekitar lebih dari 500 detik atau lebih dari
8 menit.
4.4 Pengujian Berdasarkan Nilai Batas Atas
Angka Permutasi
Uji coba berdasarkan nilai batas atas angka
permutasi dilakukan guna melihat hubungan
nilai batas atas angka permutasi dengan nilai
fitness dimana nilai batas atas angka permutasi
yang digunakan dalam uji coba ini dimulai dari
56 sampai dengan 146 dengan berkelipatan 10.
Uji coba setiap nilai batas atas angka permutasi
dilakukan sebanyak 10 kali dengan parameter
yang ditentukan yaitu jumlah partikel sebanyak
40, nilai ωmax sebesar 0,75, nilai ωmin sebesar
0,25, nilai C1 dan C2 sebesar 2, jumlah hari
sebanyak 11 hari dan jumlah iterasi sebanyak 80.
Pada Gambar 7 dipaparkan grafik hasil
pengujian berdasarkan banyaknya partikel.
Fakultas Ilmu Komputer, Universitas Brawijaya
1392
Hasil Pengujian Berdasarkan Nilai
Batas Atas Angka Permutasi
120
Rata - Rata Fitness
100
80
60
40
20
0
56 66 76 86 96 106116126136146
Nilai Batas Atas Angka Permutasi
Gambar 7. Grafik Hasil Pengujian Uji Coba
Berdasarkan Nilai Batas Atas Angka Permutasi
Hasil dari pengujian uji coba berdasarkan
nilai batas atas angka permutasi dapat diambil
kesimpulan bahwa semakin besar nilai angka
150 mendapatkan rata–rata fitnessterbaik. Hal ini
disebabkan karena semakin besar angka yang
digunakan dapat memiliki nilai yang lebih besar
dari nilai jumlah bahan makanan terbesar yang
ada pada daftar bahan makanan penukar yang
ada. Ketika nilai batas atas angka permutasi
menjadi lebih besar, pencarian nilai indeks
bahan makanan akan menghasilkan nilai yang
sama dalam rentang nilai batas atas yang
berbeda. Rentang nilai yang dihasilkan oleh
angka permutasi yang besar akan mengakibatkan
hasil pada saat pencarian indeks bahan makanan
menghasilkan bahan makanan yang sama
sehingga bahan makanan menjadi tidak
bervariasi. Pada hasil pengujian ini, didapatkan
batas angka permutasi yang sesuai dengan
penelitian ini dan memiliki nilai fitness terbaik
pada angka sebesar 96.
4.5 Analisis Global Hasil Pengujian
Berdasarkan hasil dari pengujian– pengujian
yang telah dilakukan sebelumnya, didapatkan
parameter yang sudah dianggap optimal.
Parameter yang telah dianggap optimal ini akan
diuji kepada data pasien rawat jalan penyakit
jantung. Parameter–parameter yang digunakan
adalah jumlah partikel sebanyak 40, nilai ωmax
sebesar 0,75, nilai ωmin sebesar 0,25, nilai C1 dan
C2 sebesar 2, jumlah hari sebanyak 11 hari,
jumlah iterasi sebanyak 80 dan nilai batas atas
angka permutasi adalah 96.
Parameter yang telah dianggap optimal
tersebut akan digunakan untuk pengujian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
analisis global yaitu menguji dengan
membandingkan hasil dari program
menggunakan parameter tersebut dan data aktual
pasien. Data aktual seorang pasien didapatkan
dari wawancara dengan pasien penyakit jantung
rawat jalan. Analisis global dari pengujian ini
berguna untuk melihat apakah kebutuhan dari
program dapat memenuhi kebutuhan pasien.
Data yang digunakan adalah jumlah makanan
yang dikonsumsi diantara lain jumlah makanan
sumber karbohidrat, sumber protein hewani,
sumber protein nabati, jumlah sayuran, jumlah
buah–buahan, minyak/lemak, susu dan biaya
pengeluaran dalam sehari. Hasil wawancara
menghasilkan bahwa pasien mengkonsumsi
sumber karbohidrat sebanyak 3 kali dalam
sehari, sumber protein hewani sebanyak 3 kali,
sumber protein nabati sebanyak 2 kali, jumlah
sayuran sebanyak 3 kali, jumlah buah–buahan
sebanyak 3 kali, minyak/lemak yang dikonsumsi
sebanyak 2 kali, dan mengkonsumsi susu 1 kali
sehari. Biaya pengeluaran sekitar Rp.50,000.
Data kebutuhan gizi aktual pasien dengan hasil
data rekomendasi dari program dapat dilihat
pada Tabel 1.
Tabel 1. Kebutuhan Gizi Pasien dan Hasil
Kebutuhan Gizi dari Program
Kalori Karbo- Protein Lemak
(kkal) hidrat (gr) (gr) (gr)
Data
Aktual 2230,8 371,4 61,96 46,8
Pasien
Hasil
Prog- 2236,1 347.2 71,9 56,6
ram
Selisih
5,3 -24,3 25,1 -5,36
Hasil
Berdasarkan Tabel 1 diatas, didapatkan
selisih kalori dari data pasien dengan hasil dari
program sebesar 5,3 atau 0,24%. Selisih
karbohidrat sebesar -24,3 atau -7,0%. Selisih
protein sebesar 25,1 atau 34,9%. Selisih lemak
sebesar -5,36 atau -9,48%. Lalu selisih biaya
makan sebesar Rp.6.401 atau sekitar -14,68%
dari pengeluaran aktual pasien sebesar kurang
lebih Rp.50,000. Rata-rata selisih kebutuhan gizi
pasien dengan hasil rekomendasi dari program
sebesar 0,1833 atau 4,67%. Hasil program masih
dapat memenuhi kebutuhan gizi yang
dibutuhkan.
5. KESIMPULAN
Kesimpulan yang dapat ditarik dari
penelitian yang telah dilakukan adalah sebagai
Fakultas Ilmu Komputer, Universitas Brawijaya
1393
berikut :
1. Pada pengimplementasian algoritme
particle swarm optimization (PSO)
dengan permasalahan optimasi
komposisi bahan makanan bagi pasien
rawat jalan penyakit jantung ini
dilakukan sesuai dengan cara kerja
algoritme tersebut. Pada proses
inisialisasi awal dari algoritmeparticle
swarm optimization, penelitian ini
menggunakan angka acak dimulai dari 1
sampai dengan 56. Selanjutnya angka
acak tersebut akan dilakukan
perhitungan pencarian nilai indeks
bahan makanan sehingga nilainya sesuai
dengan masing-masing bahan makanan
yang digunakan. Pada proses
perhitungan nilai fitness, dibutuhkan
nilai selisih kandungan gizi dengan
penalti, harga bahan makanan dan
jumlah variasi. Setelah melakukan
tahapan pengujian, maka dapat
disimpulkan bahwa parameter particle
swarm optimization yang sesuai untuk
penelitian ini adalah jumlah partikel
sebanyak 40, nilai ωmax sebesar 0,75,
nilai ωmin sebesar 0,25, nilai C1 sebesar
2, nilai C2 sebesar 2 dan jumlah iterasi
Biaya
Makan maksimum sebanyak 80.
2. Hasil dari optimasi komposisi bahan
Rp.
50.000
makanan bagi pasien rawat jalan
penyakit jantung dengan menggunakan
algoritmeparticle swarm optimization
Rp.43.5
99 dimana parameter yang digunakan
adalah jumlah partikel sebanyak 40,
-6401
nilai ωmax sebesar 0,75, nilai ωmin sebesar
0,25, nilai C1 sebesar 2, nilai C2 sebesar
2 dan jumlah iterasi maksimum
sebanyak 80. Solusi yang dihasilkan
berdasarkan nilai penalti, harga dan
variasi. Semakin kecil nilai penalti dan
harga lalu semakin besar variasi bahan
makanan dalam 11 hari, maka solusi
yang dihasilkan semakin baik dan
memenuhi standar pakar untuk
pemberian makan bagi pasien rawat
jalan penyakit jantung. Hasil data aktual
pasien berdasarkan wawancara
mendapatkan rata–rata selisih sebesar
4,67% dimana hasil tersebut masih
memenuhi kebutuhan gizi. Selain itu
hasil dari program yang telah dibuat
dapat mengurangi biaya pengeluaran
sebanyak Rp.6.401.Hasil rekomendasi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1394

dari program didapat dari pembagian Wang, J., et al. (2010). A Simple and
makan dengan frekuensi makan Fast Particle.
sebanyak 3 kali dalam sehari. World Health Organization. 2017. World Health
Statistics 2017: Monitoring Health for
6. DAFTAR PUSTAKA the Sdgs, Sustainable Development
Goals. Geneva: World Health
Abdul, Majid. 2007. Penyakit Jantung Koroner, Organization.
Pencegahan Dan Pengobatan Terkini. Yahya, A. Fauzi. 2010. Menaklukkan Pembunuh
Medan. No.1:Mencegah Dan Mengatasi
Almatsier, Sunita. 2004. Penuntun Diet Edisi Penyakit Jantung Koroner Secara Tepat
Baru. Jakarta: Gramedia Pustaka Dan Cepat. Bandung: Pt Mizan Pustaka.
Utama.
Constantines, Zoran. 2011. Advances In Grid
Computing. Intech.
Eliantara, F., Cholissodin, I., & Indriati. 2016.
Implementasi Algoritma Particle Swarm
Optimization Untuk Optimasi
Pemenuhan Kebutuhan Gizi Keluarga.
Doro Jurnal, 26(8).
Nedjah, Nadia Dkk. 2007. Systems Engineering
Using Swarm Particle Optimisation.
New York: Nova Science Publishers.
Inc.
Pratiwi, M. I., Mahmudy, W. F., & Dewi, C.
2014. Implementasi Algoritma Genetika
Pada Optimasi Biaya Pemenuhan
Kebutuhan Gizi. Doro Jurnal, 6(4).
Shi, Y., & Eberhart, R. C. 1999. Empirical Study
of Particle Swarm Optimization.IEEE
International Conference on
Computational Intelligence and
Cybernetics.6-9 Juli, Washington D.C,
Amerika Serikat.1945-1950.
Soeharto, Iman. 2004. Penyakit Jantung
Koroner Dan Serangan Jantung.
Jakarta: Gramedia Pustaka Utama.
Suci, W. W., Mahmudy, W. F., & Putri, R. R.
(2015). Optimasi Biaya Pemenuhan Gizi
dan Nutrisi pada Manusia Lanjut Usia
Menggunakan Algoritma Genetika. S1.
Universitas Brawijaya.
Sun, Jun Dkk. 2012. Particle Swarm
Optimisation: Classical And Quantum
Perspectives. Crc Press.
Tuegeh, Maickel Dkk. 2009. Optimal Generator
Scheduling Based On Particle Swarm
Optimization. Yogyakarta: Upn Veteran
Yogyakarta.Seminar Nasional
Informatika,1(1).
Wang, H., Wu, Z., Zeng, S., Jiang, D., Liu, Y.,

Fakultas Ilmu Komputer, Universitas Brawijaya