Optimasi Komposisi Bahan Makanan Bagi Pasien Rawat Jalan Penyakit Jantung Dengan Menggunakan Algoritme Particle Swarm Optimization (PSO)
Optimasi Komposisi Bahan Makanan Bagi Pasien Rawat Jalan Penyakit Jantung Dengan Menggunakan Algoritme Particle Swarm Optimization (PSO)
dimana algoritme ini mempunyai konsep yang pasta, jagung, kentang, ubi, talas,
sederhana dibanding dengan teknik perhitungan havermut, sereal dan juga hidrat arang
lainnya(Tuegeh, Soeprijanto, & P, 2009). yang mengandung banyak serat.
2. DASAR TEORI 2. Sumber protein hewani diantaranya adalah
daging tanpa kulit, ayam tanpa kulit dan
2.1 Penyakit Jantung
ikan.
Jantung merupakan organ yang
3. Sumber protein nabati yaitu tempe, tahu,
memompa darah ke seluruh tubuh. Penyakit
oncom dan kacang–kacangan.
jantung disebabkan oleh penyempitan pembuluh
darah pada jantung. Selain itu, suatu penelitian 4. Sayuran seperti bayam, buncis, labu
menyebutkan bahwa penyakit jantung dapat kuning, labu siam, wortel dan kacang
disebabkan oleh gen yang dapat mempengaruhi panjang.
seseorang menderita penyakit jantung. Gen
5. Buah–buahan atau sari buah seperti jeruk,
tersebut dapat diturunkan dari keluarga dengan
apel, pepaya, melon, jambu dan pisang.
riwayat penderita penyakit jantung (Yahya,
2010). 6. Makanan yang direbus, dikukus,
dipanggang atau dibakar atau makanan
2.2 Diet Penyakit Jantung
yang ditumis memakai minyak seperti
Diet penyakit jantung diberikan kepada minyak kacang, minyak kedelai, minyak
pasien yang menderita penyakit jantung. jagung dan minyak sawit.
Terdapat 4 jenis diet penyakit jantung
Bila kebutuhan gizi tidak dapat dipenuhi
diantaranya Diet Jantung 1 diberikan kepada
melalui makanan, dapat diberikan tambahan
pasien penyakit jantung akut yang sedang dalam
berupa enteral atau pemberian nutrisi melalui
tahap perawatan di rumah sakit, Diet Jantung 2
saluran cerna, parenteral atau pemberian nutrisi
diberikan kepada pasien yang telah dapat
melalui pembuluh darah atau suplemen gizi
mengatasi fase akut, Diet Jantung 3 merupakan
(Almatsier, 2004).
perpindahan dari Diet Jantung 2 dimana kondisi
pasien tidak terlalu berat, dan Diet Jantung 4 2.2.3 Bahan Makanan yang Dihindari
merupakan pemberian makan kepada pasien 1. Sumber protein hewani seperti daging
dengan keadaan ringan atau dapat dibilang berlemak, sosis, otak dan jeroan.
bahwa pasien yang sedang menjalani Diet 2. Asam lemak jenuh seperti minyak hewan
Jantung 4 adalah pasien rawat jalan. Pada dan mayones.
penelitian ini, optimasi komposisi bahan
makanan diberikan kepada pasien dengan Diet 3. Minuman yang mengandung soda dan
Jantung 4 atau pasien rawat jalan. Pasien rawat alkohol seperti arak, bir dan brem.
jalan dapat menerima asupan makanan dalam
bentuk makanan biasa, berbeda dengan Diet 2.3 Perhitungan Kebutuhan Gizi
Jantung 1 sampai dengan Diet Jantung 3 dimana Kebutuhan gizi energi, karbohidrat, protein
pemberian makan masih dalam bentuk lunak dan lemak didapat dari perhitungan Berat Badan
atau cairan (Almatsier, 2004). Ideal (BBI), perhitungan kebutuhan energi,
2.2.1 Tujuan Diet Penyakit Jantung perhitungan basal atau energi yang diperlukan
Tujuan diet penyakit jantung adalah tubuh dalam keadaan istirahat.Parameter yang
(Almatsier, 2004): digunakan untuk perhitungan kebutuhan gizi
1. Memberikan makanan yang cukup tanpa adalah berat badan, tinggi badan, usia, dan jenis
memberatkan kerja jantung. kelamin pasien.Perhitungan Berat Badan Ideal:
2. Menurunkan berat badan bila berat badan 𝐵𝐵𝐼 = (𝑡𝑏 − 100) (1)
orang tersebut terlalu gemuk. ×90%
Keterangan:
3. Mencegah atau menghilangkan
BBI : Berat Badan Ideal
penumpukan garam atau air.
tb : Tinggi Badan
2.2.2 Bahan Makanan yang Dianjurkan
1. Sumber hidrat arang diantara lain nasi, Perhitungan Kebutuhan Energi:
nasi tim, bubur, roti gandum, makaroni,
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1388
dengan 4 skenario pengujian, yaitu pengujian juga mempengaruhi hasil optimasi. Lalu perlu
berdasarkan banyaknya partikel, pengujian dipertimbangkan juga karena waktu untuk
berdasarkan nilai ωmax dan nilai ωmin, pengujian menjalankan program semakin lama jika partikel
berdasarkan banyakya iterasi dan pengujian yang digunakan semakin banyak. Banyaknya
berdasarkan nilai batas atas angka permutasi. partikel yang digunakan berbeda–beda sesuai
dengan permasalahan yang dihadapi. Dari hasil
4.1Pengujian Berdasarkan Banyaknya
pengujian ini, dapat diambil nilai jumlah partikel
Partikel
sebanyak 40 dikarenakan rata–rata fitness pada
Uji coba berdasarkan banyaknya 40 partikel tidak jauh berbeda dengan 45
partikel dilakukan guna mengetahui hubungan partikel. Lalu waktu saat menjalankan program
banyaknya jumlah partikel dengan nilai fitness pada jumlah partikel sebanyak 40 tidak terlalu
dimana jumlah partikel yang digunakan dalam lama seperti menjalankan program dengan
uji coba ini dimulai dari 5 sampai dengan 50 banyaknya partikel sebanyak 50 sehingga
dengan berkelipatan 5. Uji coba setiap jumlah penggunaan partikel sebanyak 40 dirasa cukup
partikel dilakukan sebanyak 10 kali dengan baik.
parameter yang ditentukan yaitu nilai ωmax
sebesar 0,9, nilai ωmin sebesar 0,4, nilai C1 dan C2 Rata - Rata Waktu Uji Coba
sebesar 2, jumlah hari sebanyak 11 hari, jumlah Berdasarkan Banyaknya Jumlah
iterasi sebanyak 50 dan batas atas angka Partikel
Rata - Rata Waktu (detik)
permutasi yaitu 56. Pada Gambar 2 dipaparkan 600
grafik hasil pengujian berdasarkan banyaknya 500
partikel. 400
300
Hasil Pengujian Berdasarkan 200
Banyak Partikel 100
0
120 0 20 40 60
Rata - Rata Fitness
100
80 Jumlah Partikel
60
Gambar 3. Grafik Hasil Rata – Rata Waktu
40 Pengujian Uji Coba Berdasarkan Banyaknya Partikel
20
0 Gambar 3 merupakan rata–rata waktu
5 10 15 20 25 30 35 40 45 50 yang diperlukan pada saat melakukan pengujian
berdasarkan banyaknya partikel. Dapat dilihat
Banyak Partikel bahwa semakin banyak partikel yang digunakan
Gambar 2. Grafik Hasil Pengujian Uji Coba semakin lama waktu saat menjalankan program.
Berdasarkan Banyaknya Partikel Rata–rata waktu yang dibutuhkan pada saat
mencapai jumlah partikel sebanyak 50 adalah
Hasil dari pengujian uji coba sekitar 500 detik atau 8 menit.
berdasarkan banyaknya partikel menghasilkan
4.2 Pengujian Berdasarkan Nilai ωmax dan
kesimpulan bahwa semakin banyak jumlah
Nilai ωmin
partikel maka semakin bagus hasil rata-rata
fitnesstersebut. Banyaknya partikel dapat Uji coba berdasarkan nilai ωmax dan nilai
mempengaruhi dalam pencarian solusi pada ωmin dilakukan guna mendapatkan nilai ωmax dan
program ini sehingga semakin banyak partikel ωmin yang terbaik agar mendapatkan solusi yang
semakin banyak pula solusi yang didapatkan dan paling optimal dimana nilai ωmax dan nilai ωmin
juga semakin bervariasi solusi–solusi tersebut. yang digunakan dalam uji coba ini adalah
Nilai fitness cenderung meningkat dengan kombinasi nilai dari 0,2 sampai dengan 1,15. Uji
banyaknya jumlah partikel. Tetapi tidak coba setiap jumlah partikel dilakukan sebanyak
memungkinkan bahwa nilai fitness dengan 10 kali dengan parameter yang ditentukan yaitu
menggunakan banyak partikel akan selalu lebih jumlah partikel sebanyak 40, nilai C1 dan C2
baik dikarenakan pada proses inisialisasi awal, sebesar 2, jumlah hari sebanyak 11 hari, jumlah
partikel diinisialisasi secara acak. Jumlah iterasi iterasi sebanyak 50 dan batas atas angka
Fakultas Ilmu Komputer, Universitas Brawijaya
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
dan nilai ωmin dengan nilai fitness terbaik didapat Banyak Iterasi
ketika nilai ωmax sebesar 0,75 dan nilai ωmin
sebesar 0,25. Nilai bobot inersia yang besar Gambar 5. Grafik Hasil Pengujian Uji Coba
Berdasarkan Banyaknya Iterasi
berguna untuk memperluas pencarian global
atau eksplorasi. Sedangkan nilai bobot inersia Hasil dari pengujian uji coba
yang kecil berguna untuk melakukan pencarian berdasarkan banyaknya iterasi menghasilkan
lokal. Pencarian lokal akan melakukan pencarian kesimpulan bahwa semakin banyak iterasi maka
dalam satu area sebelum melakukan pencarian semakin bagus hasil rata-rata fitness tersebut.
global ke area yang lain. Jika nilai bobot inersia Banyaknya iterasi dapat mempengaruhi dalam
besar, kecepatan partikel akan bertambah pencarian solusi pada program ini sehingga
sehingga menyebabkan peluang pencarian lokal dapat mencari solusi secara menyeluruh.
menjadi kecil. Partikel akan cenderung Semakin banyaknya iterasi yang dilakukan maka
melakukan pencarian global ke area lain pencarian solusi menjadi optimal dikarenakan
sehingga solusi yang optimal pada suatu area posisi partikel tidak banyak berubah dengan nilai
akan terlewati. Jika bobot inersia terlalu kecil solusi yang terbaik. Nilai fitness terbaik yang
maka kecepatan partikel akan berkurang dan didapatkan pada iterasi ke-100 dapat menjadi
mengurangi peluang untuk melakukan pencarian nilai yang optimal seperti yang diharapkan pada
global. Agar dapat mengimbangi pencarian penelitian. Karena pada nilai fitness, nilai yang
global dan pencarian lokal, maka dibutuhkan paling berpengaruh adalah nilai variasi dimana
nilai bobot inersia yang seimbang. Pada jika nilai variasi semakin besar maka nilai fitness
penelitian ini, nilai ωmax dan nilai ωminyang semakin baik dan hasil yang diharapkan oleh
seimbang adalah dengan nilai ωmax sebesar 0,75 penelitian ini adalah agar bervariasinya bahan
dan nilai ωmin sebesar 0,25. Nilai bobot inersia makanan dalam 11 hari.
yang seimbang berbeda–beda sesuai dengan Hasil optimasi dari pengujian ini juga
permasalahan yang dibahas. Perhitungan nilai ω dipengaruhi oleh inisialisasi awal yang di
dapat dilihat pada Persamaan 11. inisialisasikan secara acak, sehingga pada saat
4.3 Pengujian Berdasarkan Banyaknya proses inisialisasi awal posisi partikel sudah
Iterasi baik, maka proses pencarian menjadi kurang
optimal dan memungkinkan mencapai nilai yang
Uji coba berdasarkan banyaknya iterasi sama untuk iterasi selanjutnya. Pada pengujian
dilakukan guna mengetahui hubungan
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1392
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.,