o Membandingan nilai yang dibangkitkan dari dalam kasus status gizi kurang dapat dilihat pada
bilangan random dengan treshold parameter Tabel I.
crossover. Keluaran dari Sistem Pakar dapat dilihat pada
o Jika nilai bilangan random kurang dari treshold Gambar 3 berikut ini.
parameter crossover maka proses crossover
dilakukan
Mutasi
o Memilih individu secara acak.
o Membangkitan bilangan random untuk
menentukan apakah individu tersebut melalui
proses mutasi atau tidak.
o Membandingan nilai yang dibangkitkan dari Gambar 3. Hasil Uji Verifikasi
bilangan random dengan treshold parameter
mutasi. Berdasarkan uji verifikasi, dapat disimpulkan bahwa
o Jika nilai bilangan random kurang dari Sistem Pakar ini telah berjalan sesuai rule yang ada. Hal
parameter mutasi maka proses mutasi ini dibuktikan dengan kesesuaian keluaran rule dengan
dilakukan dengan membalikkan / prototipe Sistem Pakar.
menginverskan nilai kromosom dari individu Tahap verifikasi yang digunakan dengan mengubah
tersebut. kombinasi parameter pada Algoritma Genetika dapat
Elitism adalah proses menjaga nilai fitness tertinggi agar dilihat pada Tabel II berikut ini.
tidak hilang.
Ulangi proses seleksi hingga mencapai maksimum TABEL II
generasi. KOMBINASI P ARAMETER
Individu dengan dengan probabilitas terbaik Kombinasi
adalah solusi, dalam hal ini adalah menu makanan Jumlah Pc Pm Hasil
sesuai bahan pangan dan jumlah nutrisi yang Populasi
direkomendasikan. 30 0.75 0.01 0.0063
0.85 0.01 0.0061
IV. PENGUJIAN 0.95 0.01 0.0051
30 0.95 0.006 0.0078
A. Pengujian Verifikasi 0.95 0.008 0.0052
Pengujian verifikasi dilakukan untuk mengetahui Dari tabel terlihat adanya perubahan hasil jika
apakah prototipe yang terbentuk telah berjalan sesuai dilakukan kombinasi parameter yang berbeda sehingga
rancangan. Pengujian verifikasi yang dilakukan adalah dapat disimpulkan Algoritma Genetika telah
verifikasi sistem pakar, dan verifikasi algoritma terverifikasi.
genetika.
Pengujian dilakukan untuk mengetahui apakah desain B. Pengujian Validasi
Sistem Pakar untuk mengidentifikasi status gizi pada Pengujian validasi ini digunakan untuk mengetahui
balita dapat dijalankan sesuai dengan rule yang telah apakah Sistem Pakar yang dibangun memiliki hasil
dirancang. Langkah-langkah tahap pengujian adalah yang sama jika dilakukan secara manual dan telah
sebagai berikut. membantu human expert (pengetahuan pakar). Dapat
disimpulkan bahwa akurasi prototipe berdasarkan 7 data
TABEL I
yang diuji adalah 85.7% yang menunjukkan bahwa
TABEL PENCOCOKAN MASING-MASING R ULE
Sistem Pakar ini dapat berfungsi dengan baik dan
No Pertanyaan Jawaban
C9 Apakah mata cekung? Tidak mewakili pengetahuan pakar.
Apakah seiring bertambahnya Uji validasi Algoritma Genetika dilakukan dengan
C32 umur, bertambah berat badan dan Tidak membandingkan hasil perhitungan yang dilakukan
bertambah tinggi?
C49 Apakah tidak nafsu makan? Ya bernilai sama atau mendekati dengan perhitungan
C48 Apakah sulit berkonsentrasi? Ya manual. Pengujian dilakukan terhadap 50 data pasien..
C50 Apakah sering terserang penyakit Ya Dari pengujian yang dilakukan dapat disimpulkan
seperti diare, demam, anemia?
Apakah berat badan anak tidak
bahwa Algoritma Genetika ini dapat berfungsi dengan
C42 mengalami kenaikan selama 3 Ya baik dan hasilnya 88% telah mendekati hasil
bulan? perhitungan manual.
C43 Apakah berat badan anak berada di Ya
bawah garis merah atau BGM? C. Uji Prototipe
C44 Apakah tinggi badan anak tidak Ya
mengalami penambahan? Pengujian dilakukan untuk memastikan Sistem Pakar
C47 Apakah mudah lelah, lesu? Ya yang dibuat telah berfungsi sesuai dengan yang
diharapkan.Dalam aplikasi Sistem Pakar ini disediakan
Menjalankan program
fasilitas untuk menambah, mengedit, dan menghapus
Menjawab pertanyaan dari sistem. Contoh hasil gejala maupun jenis status gizi. Fasilitas ini disediakan
pencocokan jawaban untuk masing-masing rule untuk keperluan apabila sewaktu-waktu ada gejala atau
jenis status gizi yang dirasa perlu dirubah atau
ditambah.
Pengujian Tambah Jenis Status Gizi Gambar 4.Grafik fungsi rata-rata fitness-generasi pada kondisi
Pm=0.006
TABEL V Dari Gambar 4 dapat dilihat rata-rata fungsi fitness
PENGUJIAN TAMBAH JENIS STATUS GIZI
Masukan Yang Pengamatan Kesim-
mencapai konvergen mulai generasi ke-9 sampai ke-50,
Diharapkan pulan dengan nilai rata-rata fitness-nya adalah 0.0322.
Status gizi Kemudian dilakukan perubahan nilai dari probabilitas
dimasukkan mutasi 0.008. Hasil pengujian terdapat pada Gambar 5.
dan menekan Menampilka
tombol
n daftar
Status simpan
status gizi Diterima
Gizi Menampil-
yang telah
kan daftar
ditambah
status gizi
yang telah
ditambah
Definisi ciri
dimasukkan
dan menekan Menampil-
tombol
kan daftar
Definisi simpan
denisi ciri Diterima
ciri Menampilkan
yang telah
daftar denisi
ditambah Gambar 5.Grafik fungsi rata-rata fitness-generasi pada kondisi
ciri yang
telah Pm=0.008
ditambah
Dari Gambar 5 dapat dilihat rata-rata fungsi fitness
Pengujian Ubah Gejala mencapai konvergen mulai generasi ke-9 sampai ke-50,
dengan nilai rata-rata fitnessnya adalah 0.045.
TABEL VI Kemudian dilakukan perubahan nilai probabilitas mutasi
PENGUJIAN UBAH JENIS STATUS G IZI menjadi 0.01. Hasil pengujian terdapat pada Gambar 6.
Masukan Yang Diharapkan Pengamatan Kesim-
pulan
Pada Gambar 6 rata-rata fungsi fitness mencapai
Menampilkan Menampilkan
tombol simpan, tombol simpan, konvergen mulai generasi ke-12 sampai ke-50, dengan
Status Gizi box isian jenis box isian jenis Diterima nilai rata-rata fitnessnya adalah 0.0649. Dari ketiga
status gizi yang status gizi. gambar di atas terlihat bahwa Gambar 6 yang memiliki
akan diubah
Menampilkan Menampilkan nilai fitness yang paling baik dengan parameter
tombol simpan, tombol simpan, probabilitas mutasinya 0.01. Nilai parameter
Definisi ciri box isian definisi box isian Diterima probabilitas mutasi yang cenderung besar menyebabkan
ciri yang akan definisi ciri
diubah
jumlah kromosom baru hasil mutasi lebih banyak untuk
generasi berikutnya sehingga nilai fitness terbaik akan
Pengujian dilakukan untuk mengetahui hasil optimasi mudah dicapai.
menu makanan dengan penerapan Algoritma Genetika. Selain parameter probabilitas mutasi, akan diuji pula
Proses pengujian dilakukan dengan mengkombinasikan pengaruh probabilitas crossover. Pengujian pertama
menggunakan parameter jumlah populasi = 30, generasi crossover. Hal ini akan menyebabkan semakin banyak
maksimum= 50, probabilitas crossove r= 0.80, dan individu-individu baru yang terbentuk sehingga nilai
probabilitas mutasi 0.01. Hasil pengujian terdapat pada fitness yang dihasilkan semakin bervariasi , sehingga
Gambar 7. peluang untuk mendapatkan inividu baru dengan nilai
fitness besar semakin besar. Kesimpulan
Dari penerapan Integrasi Sistem Pakar dan Algoritma
Genetika Untuk Mengidentifikasi Status Gizi Pada
Balita yang telah dipaparkan sebelumnya, dapat
disimpulkan bahwa:
Sistem Pakar untuk mengidentifikasi status gizi
pada balita dapat dibangun dengan karakterisitik
sebagai berikut:
o akuisisi pengetahuan diperoleh dari text book,
katalog, jurnal dan artikel dan juga
pengetahuan pakar ahli gizi
Gambar 6.Grafik fungsi rata-rata fitness-generasi pada kondisi o repesentasi pengetahuan dengan menggunakan
Pm=0.01 rule based knowledge
o mesin inferensi yang digunakan adalah forward
chaining
o menggunakan bahasa pemrograman Personal
Home Page (PHP) dengan database MySQL
Algoritma genetika untuk optimasi menu makanan
pada penderita gizi dapat dibangun dengan
karakterisitik sebagai berikut:
o 1 kromosom terdiri dari 3 gen. Gen
merepresentasikan menu makanan untuk
makan pagi, siang, dan malam
o terdiri dari 30 populasi, setiap individu
merepresentasikan solusi menu makanan
Gambar 7.Grafik fungsi rata-rata fitness-generasi pada kondisi dalam 1 hari
Pc=0.80
o fungsi fitness dimaksudkan untuk mencari nilai
Dari Gambar 7 dapat dilihat rata-rata fungsi fitness optimum terhadap kandungan nutrisi dalam
mencapai konvergen mulai generasi ke-11 sampai ke- sehari
50, dengan nilai rata-rata fitnessnya adalah 0.057. o seleksi individu menggunakan seleksi Roulette
Kemudian dilakukan perubahan nilai dari probabilitas Wheel
crossover 0.70. Hasil pengujian terdapat pada Gambar o model crossover yang digunakan adalah one
8. point crossover
o mutasi dan elitism
Integrasi Sistem Pakar dan Algoritma Genetika
yang dapat dimanfaatkan sebagai sarana
pendukung untuk mengidentifikasi status gizi
balita selanjutnya menentukan menu makanan
yang direkomendasi sesuai kebutuhan nutrisi.
Pengujian prototipe Sistem Pakar dengan tingkat
keberhasilan 85.7% dan Algoritma Genetika
dengan tingkat keberhasilan 88%.
DAFTAR PUSTAKA
Gambar 8.Grafik fungsi rata-rata fitness-generasi pada kondisi [1] Liebowitz, Jay. (Ed). (1997) The Handbook of Applied Sistem
Pc=0.70 Pakars. CRC Press LLC.
[2] Holland, John. (1975) Algoritma
Dari Gambar 8 dapat dilihat rata-rata fungsi fitness Genetikas.(http://www2.econ.iastate.edu/tesfatsi/holland.gaintr
mencapai konvergen mulai generasi ke-9 sampai ke-50, o.htm. diakses 21 Juli 2013 pukul 11.05 WIB).
dengan nilai rata-rata fitnessnya adalah 0.038. Pada hasil [3] Almatsier, Sunita. (2004) Prinsip Dasar Ilmu Gizi. PT.
Gramedia Pustaka Umum: Jakarta.
pengujian ini menunjukkan nilai probabilitas crossover [4] Turban, Effraim. (2007) Decision Support Systems and
yang dapat menghasilkan fungsi fitness terbaik terletak Intelligent Systems 7th Edition. Prentice-Hall of India Private
pada nilai 0.90. Semakin besar nilai probabilitas Limited: New Delhi.
crossover maka akan semakin banyak individu yang [5] Leonberg, L. Beth, (2008) ADA Pocket Guide to Pediatric
Nutrition Assessment. American Dietetic Association: United
terpilih untuk masuk dalam proses States of America.