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

Vol. 3, No. 4, April 2019, hlm. 4040-4047 http://j-ptiik.ub.ac.id

Optimasi Kebutuhan Gizi Untuk Ibu Hamil Dengan

Menggunakan Hybrid Algoritma Genetika dan Simulated
Annealing
Binti Robiyatul Musanah1, Wayan Firdaus Mahmudy2, Indriati3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1anameihl@gmail.com, 2wayanfm@ub.ac.id, 3indriati.tif@ub.ac.id

Abstrak
Kebutuhan gizi sangat diperlukan bagiiibu hamil. Gizi yang baik adalah gizi yang seimbang serta
sesuai dengan kebutuhan. Jika kebutuhan ibu hamil tidak sesuai bisa mengalami Kekurangan Energi
Kronis (KEK). Dengan permasalahan tersebut dibutuhkan suatu sistem untuk pemenuhan gizi ibu
hamil yang dapat memberikan solusi berupa komposisi bahan makanan yang sesuai dengan metode
Hybrid Algoritme Genetika dan Simulated Annealing. Dalam proses penyelesaian permasalahan ini
pada Simulated Annealing atau Genetic Algorithm. Proses hybrid ini pada proses crossover
menggunakan one-cut point, insertion mutation untuk proses mutasi dan penggunaan elitsm pada
tahap seleksi serta Simulated Annealing. Hasil pengujian yang dilakukan sebelumnya diperoleh
parameter dengan metode Hybrid GA dan SA didapatkan nilai parameter-parameter terbaik yaitu
sebesar 100 (ukuran populasi) fitness yang didapat rata-rata 0.06268, nilai 105 ( generasi)
memperolehirata-rata fitnessi0.06823, ikombinasiiCᵣidaniMᵣ dengan nilaii0,4 dengani0,6 nilai
fitnessirata-rataiadalah 0.06792, serta temperaturiawal dengan nilai1 sertaialpha yaitu 0,5 didapatkan
fitness terbaik dengan rata-rata sebesar 0.06800 sertai0.08876. Hasil fitness hibridisasi GA dan SA
mencapai 0,08804 lebih tinggi dari pada nilai rata-rata fitness GA sebesar 0,05519 dan fitness SA yaitu
0,04382 dengan waktu yang ditentukan adalah 1 menit dan kebutuhan yang dihasilkan dari sistem
kurang mencukupi kebutuhan giziiibuihamil.
Kata kunci : ioptimasi, iibuihamil, gizi, algoritme genetika, simulated annealing
Abstract
Nutritional needs are very necessary for pregnant women. Good nutrition is balanced nutrition and
according to needs. If the needs of pregnant women are not suitable can experience Chronic Energy
Deficiency with these problems, a system is needed to fulfill the nutrition of pregnant women who can
provide solutions in the form of food ingredients in accordance with the method of Hybrid Genetic
Algorithms and Annealing Simulation. In the process of solving this problem at Simulated Annealing
or Genetic Algorithm. This hybrid process is in a crossover process using a single intersection,
mutation insertion for the mutation process and the use of elits in the selection and simulation of
Annealing. The previous test results obtained parameters with the Hybrid GA and SA method
obtaining the best parameter value which is equal to 100 (population size) fitness which obtained an
average of 0.06268, the value of 105 (generation) obtained by average fitness0. 06823, i 4 with a
fitness value of 0.6, the average is 0.06792, and the average temperature with a value of 1 and apha is
0.5 obtained by the best fitness with an average of 0.06800 along with 0.08876. The hybridization
suitability of GA and SA reached 0.08804 higher than the average GA suitability value of 0.05519 and
SA suitability which was 0.04382 with a specified time of 1 minute and the requirements generated
from the system were insufficient for the nutritional needs of the pregnant women.
Keywords: optimation, pregnant women, nutrition, genetic algorithm, simulated annealing

indonesia sudah pada tahap darurat dikarenakan

1. PENDAHULUAN dibandingkan surveiiyangidilakukaniolehiSurvei
2. AngkaiKematianiIbu (AKI) idaniAngka DemografiidaniKesehatani Indonesia (SKDI)
KematianiBayii (AKB) terutama pada negara AKI dan AKB di tahun 2007 meningkat
sebanyak 57%. Dengan hal itu membuktikan

Fakultas Ilmu Komputer

Universitas Brawijaya 4040
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
bahwa sebagian besar penduduk di indonesia
khususnya ibu hamil cukup memperhatikan.
Dengan adanya hal tersebut pemerintah sudah
berupaya atau mengambil langkahiuntuk
menekaniangkaikematianiibuidanibayiidengan
adanya Jaminan Persalinan (Jampersal).
Jampersal tersebut berupa bantuan finasial bagi
penduduk miskin atau kurang mampu untuk
biaya persalinan. Akan tetapi jampersal hingga
saat ini masih belum dapat membantu menekan
AKI dan AKB yang meningkat setiap tahunnya
(Ruslan, 2013).
Asupan gizi yang baik adalah seimbang
atau sesuai dengan kebutuhan.
Asupanigiziimenghasilkanienergi, transportasi
dan metabolisme (Supriasa, 2002). Kebutuhan
gizi adalah sumber pokok yang harus tepenuhi.
Karena jika kebutuhan gizi terpenuhi akan
berdampak baik pada kesehatan ibu hamil.
Kebutuhan gizi tersebut berasal dari beberapa
bahan makanan yang beragam misalkan adalah
brokili, kangkung, ayam dll. Didalam tubuh
untuk dapat melakukan aktifitas atau kegiatan
sehari-hari diperlukan energi. Sumber energi
diperoleh dari gizi pada bahan makanan yang
dikonsumsi. Bahan makanan bervariasi masing-
maisng mempunyai harga yang beragam dari
harga mahal hingga murah. Oleh karena itu
tidak semua kebutuhan gizi terpenuhi. Beberapa
hal yang mengakibatkan tidak terpenuhinya
kebutuhan gizi antara lain latar belakang
pendidikan, faktor ekonomi dll (Brown, 2005).
Dengan latar belakang kurang mampu
terkadang ibu hamil mengalami kendala untuk
penenuhan kebutuhan gizi karena harga bahan
makanan dipasar berada pada harga yang tinggi
dan berdampampak kurangnya asupan gizi bagi
ibu hamil. Terdapat perbedaan antara penilaian
status gizi wanita tidak hamil
ibuihamilidenganiwanitaihamil. iOlehikarena
itu perlu adanya sebuahi sistemiuntuk
menentukanikomposisi makanan yangs sesuai
dengan kebutuhaan gizi ibu hamil.
Metode algoritma genetika dari
beberapa penelitan sudah banyak digunakan
khususnya untuk permasalahan optimasi.
Algorima genetika menghasilkan solusi dengan
pencarian pada optimum lokal. Penelitan
tersebut salah satunya dilakukan oleh Sari
(2014) dan diperoleh solusi terbaik atau fitness
tertinggi dengan nilai parameter 1500 untuk
jumlah generasi, 150 untuk nilai populasi serta
crossover dengan nilaii 0,4 sertainilai
probabiltasidanimutasi yaitu pada nilaii0,6.
Fakultas Ilmu Komputer, Universitas Brawijaya
4041
Pada peneliitan ini pada proses crossover
menggunakanisingli pointicrossoverisedangkan
pada tahap mutasiidenganiexchangeimutation
sertaielitism digunakanipada tahap seleksi.
Sifatialgoritmaigenetika yaitu konvergen
dimanaipopulasinyai tidak lagii dapat
menghasilkanipopulasiiyangilebihi baiki dari
sebelumnya, idani memungkinkani terjebak
dalamilokalioptimum. Selain ituiparameter
algoritmaigenetika jukaimempengaruhiihasil
dariioptimasi. Hasiliyang maksimal belumitentu
didaptkan dari nulai parameter yang besaridan
tidakimampuimengeksploitasii solusi secara
mendalam. Dalamikekurangan tersebutimaka
dibutuhkanialgoritmei lain seperti algoritma
Simulatedi Annealingidapatimengeksploitasi
solusiisecaraimendalam (Nikjoo et al, 2010).
Penelitian lain menggunakanisimulated
annealing dilakukan oleh Shiddig (2015)
dengan permasalahan penjadwalan produksi
untuk meminimasi makespan diperoleh hasil
dari penelitian tersebut lebih baik yaitu dengan
didapatkan makespan 370 menit dibandingkan
dengan makespan dari perusahaaan. Algoritma
simulated annealing mempunyai kelebihan
pada solusi yang dihasilkan dengan pencarian
optimum global. Perkembangan dari beberapa
penelitian untuk memaksimalkan hasil solusi
akhir yaitu dengan menggabungkan genetic
algorithm dan simulated annealing (Hamidah,
2016) untuk permasalahan optimasi komposisi
makanan bagi keluarga. Hasil dari penelitian
tersebut diperoleh solusi optimal dengan bahan
makanan yang bervariasi serta kandungan pada
bahan tersebut cukup memenuhi kebutuhan
keluarga dan dapat menghemat biaya konsumsi
makanan dalam satu hari sebesar 42,13%.
Pada penelitian ini menggabungkan antara
algoritma genetika dengan simulated annealing
dengan mengoptimasi kebutuhan gizi yang
diperoleh dariibahanimakananibagiiibuihamil.
Setiap bahan mkanan memilikiikandungan gizi
antara lain energi, lemak, proteinidan
karbohidratt. Hybridisimulatediannealingidan
algoritmaigenetikaimencakupibeberapaiproses
dasar, iyaituigenerateipopulasi, ievaluasi,
seleksiielitism, isertaifitness. iPadai proses
operasiialgoritmai genetika menggunakan
crossoveridanimutasiisedangkanioperasii pada
simulatediannealingimenggunakanimutasiidan
prosesiannealing. iImplementasiimetodeihybrid
simulatediannealingidani algoritmai genetika
padaioptimasiikebutuhanigiziibagii ibui hamil
diharapkani dapati menghasilkanipemenuhan
nutrisiiyangibaikidenganibiayai ataui harga
 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4042

yangi minimumi darii bahan makanan SDi=i9%ixi (AMBi–iKTi+iAF) (4)

sehinggaidapatimemenuhii kebutuhani gizi Sedangkan persamaan 5 untuk
yangiseimbang. perhitunganitotalikebutuhanienergiiatauiTotali
EnergyiEcxpenditurei (TEE) :
3. LANDASAN KEPUSTAKAAN
3.1 Kehamilan (TEE) = AMB – KT + AF + SDA (5)
Kehamilan adalah proses pembuahan dari
sel sperma ke ovum wanita dan hasil Sedangkan untuk kebutuhanilemak,karbohidrat
pembuahan tersebut akan berkembang didalam dan protein dapatidiperolehidengan
kandungan. Proses dimana janin akan mulai menggunakan persamaan 6-8.
berkembang hingga normalnya dalam jangka
waktu 280 hari atau dalam hitungan bulan 40 Karbohidrat = 60% * Energi (6)
minggu. Proses persalinan dikatakan cukup jika Protein = 15% * Energi (7)
masa kandungan adalah 40.Trisemester adalah Lemak = 25% * Energi(8)
tahapan saat kehamilan yang terbagi dalam tiga
periode, setiap trisemester tersebut tersebut13 Dimana :
minggu lamanya. Pada masa kehamilan TEEi=iTotaliEnergyiExpenditure
kebutuhan gizi mengalami peningkatan BBIi=iBeratiBadaniIdeal
sebanyak 15% pada ibu hamil dibandingkan BBIHi=iBeratiBadaniIbuiHamil
dengan wanita normal. Menurut Angka AMBi=iAngkaiMetabolismeiBasal
Kecukupan Gizi (AKG) 2013 pada trisemester KTi=iKoreksiiTidur
1 terjadi penambahan kalori sebesar 180, AFi=iAktivitasiFisik
trisemester 2 sebanyak 300, dn trisemester 3 SDAi=iSpesificiDinamiciAction
dengan nilai 300 Kkal. Penambahan berat
badan pada proses kehamilan sejumlah 7-12 Kg Tabel 1 menunjukkan aktifitas fisik ibu hamil
atau rata-rata 0,35 kg per minggunya. terbagi menjadi 5 kelompok :
3.2 Gizi Tabel 1 Aktifitas Fisik Ibu Hamil
Beberapa macam zat gizi yang dibutuhkan No Kategori Nilai Aktifitas
ibu hamil antara lain adalah lemak, karbohidrat, 1 Istirahat (10%) Tidur
protein dan energi. Kebutuhan gizi tersebut Masak,
dapat diperoleh dari berbagai bahan makanan. Menjahit,
Bahan makanan yang dikonsumsi akan Mencuci
menghasilkan energi bagi tubuh dan akan 2 Sangat Ringan (30%) baju,
Menyetrika
bekerja secara maksimal. Bahan makana yang pakaian
mengandung lemak antara lain adalah daging
ayam, ikan dll. Sedangkan karbohidrat Beres-Beres
diperoleh dari beras, singkong dll serta protein Rumah,
berasal dari bahan makanan antara lain tempe, Berjalani4-
tahu dll. Energi dari bahan tersebut akan 4,5ikm/jam
3 Ringan (50%)
berdampak baik bagi kesehatan tubuh yang Mengasuh
Anak,
akan digunakan untuk aktifitas sehari-hari serta
baik untuk perkembangan tubuh. Berjalani5-
6,5ikm/jam,
Sedang (75%i) Bersepeda
4
3.3 PerhitunganiKebutuhaniGiziiIbuiHamil
Untukikebutuhanibagii ibui hamil seperti Bermain
protein, ilemak, idani karbohidrati dapat 5 Berat (100% i) pingpong,
Renang
diperolehi nilainyai dengani menggunakan
persamaani Cooper (Poedyasmoro 2005). 4. HYBRID GA-SA UNTUK OPTIMASI
KEBUTUHAN GIZI IBU HAMIL
AMBi=iBBIHixi1ixi24ijam (1)
Salah satu algorithm yaitu genetic
KTi=iBBIHixi0,1ixijamitiduri (7 jam) (2) algorithm melakukan pencarian solusi dengan
AFi=i%iAktifitasixi (AMBi–iKT) (3) mengoptimasi permasalahan yang panjang dan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4043

kompleks serta efektif dalam memberikan 0, TotalLemak  KebLemak  (12)

PenaltiLemak   
solusi berdasarkan seleksi alam (Zhang et al, TotalLemak  KebLemak , TotalLemak  KebLemak 
2010). Pada penelitian ini akan mengoptimasi
kebutuhan gizi ibu hamil dengan solusi 0, TotalKarbo  KebKarbo  (13)
PenaltiKarbo   
merekomendasikan komposisi bahan makanan TotalKarbo  KebKarbo, TotalKarbo  KebKarbo
yang dikonsumsi ibu hamil per harinya serta
komponan gizi yang terdapat dalam bahan 4.3 Inisialisasi Populasi Awal
makanan tersebut. Tahapan ini ada proses awal dalam
4.1 Representasi Kromosom algoritma genetika. Dalam hal ini sebagai
Pada proses ini untuk merepresentasikan sample diambil popsize sebanyak tiga individu.
sebuah gen dengan menggunakan bilangan Untuk menetukan kromosom hal diambil secara
integer dari nilai 1 hingga 15. Gen tersebut random dengan nilai integer dan setiap 1
merepresentasikan bahan makanan. Dalam 1 kromosom panjangnya adalah 15 gen.
kromosom terdiri dari 15 gen yang per harinya
yaitu pagi, siang serta malam menyusun bahan
makanan berupa solusi bagi kebutuhan untuk
ibu hamil . Gambar 1 menunjukkan representasi
kromosom. Gambar 2 Populasi Awal
4.4 Crossover
Salah satu metode pada crossover yang
digunakan adalah one-cut point crossover
(Mahmudy, 2015). Untuk menghasilkan anak
atau offspring yaitu dengan perkalian antara
Gambar 1 Representasi Kromosom
crossover rate dengan jumlah popSize.
4.2 Fitness
Perhitungan nilai fitness dilakukan setelah
mendapatkan hasil perhitungan dari kromosom
yang sudah dibentuk . Rumus yang digunakan
adalah :
Fitness  C   H arg a  Penalti (8)
Gambar 3 Proses Crossover
Kromosom pada C1 adalah child yang
Dimana : diperoleh berdasarkan proses crossover antara
Penalti  pinalti1  penalti2  parent p1 dengan gen 1 hingga dan p2 gen
dengan nilai 6 hingga 15. Sedangkan C2
penalti3  penalti4 (9)
merupakan offspring dari proses persilangan
antara parent pada p2 gen satu hingga 5 dan p1
Keterangan :
gen enam sampai 15.
C = Konstanta (1000)
 H arg a =iTotalihargaidariitiapikromosom 4.5 Mutasi
yangidibentuk Insertion mutation adalah metode yang
Pinalti =iNilaiihasilipembobotan digunakan pada penelitian ini dan dalam
Penalti1 =iPenaltiiEnergi mementukan segmen akan dilakukan secara
Penalti2 =iPenaltiiprotein acak pada kromosom. dipilih satu gen secara
Penalti3 =iPenaltiilemak random. Dengan proses tersebut gen akan
Penalti4 =iPenaltiikarbohidrat disisipkan pada posisi secara random terpilih.
Gambar 4 dan 5 menunjukkan proses
Fungsi untuk perhitungan penalti tiap pergeseran gen yang terpilih.
kandungan gizi menggunakan persamaan (10)
sampai persamaan (13)
0, TotalEnergi  KebEnergi  (10)
PenaltiΕnergi   
TotalEnergi  KebEnergi, TotalEnergi  KebEnergi
Gambar 4 Proses mutasi P2
0, Total Pr otein  Keb Pr otein  (11)
Penalti Pr otein   
Total Pr otein  Keb Pr otein, Total Pr otein  Keb Pr otein

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4044

Gambar 5 Proses mutasi P2
4.6 Seleksi
Proses akhir algoritma genetika dalam
menentukan solusi terbaik adalah dengan
melakukan proses seleksi pada setiap
kromosom dalam populas serta akan terplih
induk yang nantinya akan di proses pada tahap
selanjutnya. Seleksi dilakukan untuk memilah
individu-individu terbaik yang sebelumnya
individu tersebut sudah dilakukan proses
perhitungan nilai fitness. Elitis adalah metode
yang dipilih pada proses seleksi ini untuk
menyeleksi individu mana yang akan lolos
tahapan berikutnya berdasaarkan hasil fitness
yang diperoleh dari pemilihan nili fitness
tertinggi ke terendah sebanyak popsize yang
awalnya sudah ditentukan.
Keti: i∆fi=iSelisihinilaiicost
Ti=iTemperaturiSekarang
δi=iBilanganiRandomiantarai0-1
Jikainilaiirandomimempunyaiinilaiilebihibesar
dibandingkaniprobabilitasiBoltzman, makaiakan
terjadiipenurunanitemperatur. Berikutiadalah
persamaanipenurunanitemperatur.
Ti₀+n = iαi xiTs (15)
Keti: Ti₀+n i=iTempearturiiterasiiberikutnya
αi=iAlpha
Tsi=iTemperaturiSekarang
Temperaturiakaniberhentiijikaitemperature akhir
sudahimencapaiiakhir. Detailitahapan tersebut
seperti Gambar 7 :

Gambar 6 Proses Seleksi

4.7 Algoritme Simulated Annealing(SA)
Tahapan ini dilakukan setelah proses
seleksi selesai pada proses algoritme genetika.
Pada proses seleksi sebelumnya telah diperoleh
kromosom dengan nilai fitness terbesar yang
selanjutnya akan digunakan untuk inisialisasi
populasi awal pada proses SA. Selanjutnya
dilakukan proses neighborhood. Neighborhood
melakukan modifikasi pada individu awal
sebelumnya untuk menjadikan sebuah individu
baru. Caranya yaituidenganimodifikasiidengan
menukarkaninilaiipadaisalahisatuigenikei gen
lainipadaikromosomiyangisama. Kemudian
akanimelaluiiprosesievalusi terhadap kedua
individu. Dariiindividuiawalidaniindividuibaru
nantinyainilaiicost-nyaiakanidiperbandingkan.
Jikaiselisihi (∆F) iberadaidiantarainilaiicost
individuibaruidenganiindividuiawal ≥ 0, imaka
individuibaruiakani terpilihi menggantikannya
padaiindividu awal. Sebaliknya, ijikaiselisih Gambar 7 Siklus Simulated Annealing
darii (∆F) < 0, imakaibilanganirandomiantarai0
hingga 1 akanidibangkitkan. Jikaidari 5. PEMBAHASAN DAN HASIL
probabilitasiBoltzmanilebih dari bilangan 5.1 Pengujian Parameter GA
tersebut, imakaiindividuibaruiakanidiiterima Pada isubi babi inii dilakukani pengujian
(Orkcu, i2013). iBerikutiadalahirumusidari padaialgoritmeigenetikaipadaiparameteriukuran
probabilitasiBoltzmanimenggunakanibilangan populasi, iibanyakigenerasi, idanikombinasiicr
acak. danimr. Pengujian parameter algoritme genetika
∆𝐹
Exp(( )) ≥ δ (14) dilakukaniuntukimencarii nilaiii parameter
𝑇

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
mendekatiioptimaliyangidapati menghasilkan
nilaii fitnessitertinggi. Pengujiani parameter
algoritme genetika yang pertama adalah ukuran
populasi dan didapatkan rata–rata ifitness
terbaikiyaitui0,057725idihasilkanidariigenerasi
sebanyaki100isedangkanipadai generasii 10
menghasilkanirata-rataifitnessi terkecili yaitu
0,054813idengan inputan Ibuihamil dengan
beratibadani55 kg, itinggiibadani160icm, iusia
kehamilani10imingguidaniaktivitasifisikisangat
ringani (Sari, 2016). Kemudiani pengujian
parameter generasi dengan rata–rataifitness
terkecilidenganinilai0,056838 sedangkaniuntuk
fitnessiterbesarididapatkanidariijumlah generasi
sebanyaki105dengan irata–rataifitnessi0,06205.
Selanjutnya adalah parameter kombinasi Cᵣ dan
Mᵣ didapatkan rata–rata nilai fitnesss terbesar
terdapat ipada kombinasi Cᵣ 0,4 dan Mᵣ 0,6
yaitu 0,055938. Dengan hal itu diperoleh
parameterimendekatii optimali yaitui dengan
menggunakani parameteri awal ibanyak
generasiisebesari100, icri dani mri sebesari0.5
dengan imelakukanipercobaanisebanyak 6 kali
dengani rata–rata ifitnessi terbaiki yaitu
0,057725idihasilkan idarii generasii sebanyak
100isedangkani padaigenerasii10imenghasilkan
rata-rataifitnessi terkeciliyaitui0,054813.
5.2 Pengujian Parameter SA
Pengujian parameter awal yaitu temperatur
awal (T0) idilakukanisebanyaki8ikaliidaniakan
dihitungirata–ratainilaiifitnessiyangidihasilkan.
Parameteriujiiantarailainitemperaturiakhiri 0,5
danialphaisebesari 0,4i danidalamipengujian
diketahuiibahwainilaii fitnessi yangi diperoleh
dariipegujianitemperaturi awali yangi paling
besari adalahi 6i dengani nilaii fitnessi rata-rata
adalahi0,371625i sedangkani yangi terendah
dengani rata-rataifitnessi0,0354125idengani
nilaiitemperatur awali 0,9 (Hamidah, 2016).
selanjutnya adalah alpha (α) ipengujianiini
menggunakaninilaiitemperaturi awali (T₀)i0,3
karenainilaiitersebuti yangi memperolehinilai
fitnessi yangi mendekatii optimali sedangkan
temperaturiakhiriadalahi 0,5 dan didapatkan
fitness terbesar adalah dengan nilai 0,5. iRata-
rataifitness yangidihasilkaniadalahi0,046713
Dataiibuihamiliyangidigunakani adalahi berat
badani 55i kg, itinggiibadani160i cm, iusia
kehamilani10 imingguidaniaktivitasifisikisangat
ringan.
5.3 Pengujian Parameter Hybrid GA-SA
Data iibui hamili yangi digunakaniadalah
beratibadani55ikg, itinggiibadani160icm, iusia
Fakultas Ilmu Komputer, Universitas Brawijaya
4045
kehamilani10imingguidaniaktivitasi fisikiyang
dilakukanisangatiringan. Pengujianiiniiakan
memperolehirata-rataifitnessiuntukisetiapinilai
dariipopsizeidenganipengujianiyangidilakukan
sebanyaki8ikali. iParameteriuntukipengujian
awaliantarailainidenganinilaiigenerasiisebanyak
100idenganicrossoverirrateidanimutationi rate
adalahi0,4idani0,6. iSertaitemperaturiawalidan
akhiriadalahi6idani0,5ikemudianinilaiialphai0,5
denganirata–rataifitnessiterbaikiyaitui0.06807.
Pengujianiparameter lainnya adalahigenerasi
didapatkanirata-rataifitnessiterkecilidengai nilai
0.06366iyangidihasilkanidariijumlahi generasi
sebanyaki15, iSedangkaniuntukifitnessiterbesar
didapatkanidariijumlahigenerasiisebanyaki105
denganirata–rataifitnessi 0.06823. iKemudian
dilanjutkan pengujian Cᵣ dan Mᵣidiperolah
fitnessiterbesariterdapatipadaikombinasiiCᵣi0,4
daniMᵣi0,6iyaitui0.06792. selanjutnyaiadalah
temperatur awal dengan nilai parameter 1
menghasilkan nilaii rata–rataifitnessiterbesar
yaitui0,06800. Dan pengujian terakhir adalah
pengujian pada parameter alpha (α) dari hasil
pengujian diperoleh dengan inputan awal
menggunakan popsize sebesar 100ijumlah
generasiisebanyaki105idengan nilai temperature
awali6isedangkanitemperaturiakhiri adalahi 1
menghasilkani nilaii parameteri terbesar pada
nilaii 0,5i yaitui dengani fitnessi rata-rata
0.088763.
5.4 Pengujian Perbandingan Algoritme
Pengujiani perbandingani algoritma
dilakukanidenganimembandingkanihasilirata-
ratai fitnessi tertinggii darii masing-masing
pengujiani algoritmei genetika, i algoritme
simulatediannealingidanihybridiGA-SAidengan
waktuikomputasiiditetapkaniselamai 1i menit
padaimasing-masingirunningialgoritme. iHasil
tersebutidiperolehi darii rata-ratai waktu
komputasii terlamai darii ketigai algoritme
tersebuti yaituiwaktuikomputasiipadaialgoritme
GA-SA. Parameteri yangi digunakanipada
pengujianipebandinganialgoritmeidiperolehidari
hasilipengujianiparameterialgoritmai genetika,
hasilipengujianiparameterialgoritmaisimulated
annealing, idani hasili pengujianiparameter
hybridi GA-Sai sebelumnya. iPengujian
dilakukanisebanyaki5ikaliipadaimasing-masing
algoritme. Hasili pengujiani perbandingan
algoritmeidapatidilihatipadaiTabel 2.
Tabel 2 Perbandingan Algoritma
Algoritme
Pengujian
 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4046

Ke- SA GA GA-SA reproduksi. Seleksi yang digunakan adalah

elitism selection dengan mengambil fitness
1 0,0442 0,06021 0,0819 tertinggi yang nantinya fitness tersebut akan
diproses ke tahapan pencarian neighborhood
2 0,0435 0,05082 0,0922 pada simulated annealing hingga mencapai
iterasi maksimum dan solusi yang optimum.
3 0,0441 0,06054 0,0921 Parameter hybrid algoritma genetika dan
simulated annealing diuji dan di dapatkan nilai
4 0,0433 0,05246 0,0818
fitness terbaik yang mendekati optimal dengan
5 0,044 0,05193 0,0922 jumlah populasi sebesar 100 dengan rata-rata
Rata-rata fitness sebesar 0.06268, generasi sejumlah 105
Fitness 0,04382 0,05519 0,08804 dengan rata-rata fitness 0.06823, kombinasi Cᵣ
dan Mᵣ adalah 0,4 dan 0,6 dengan diperoleh
rata-rata fitness 0.06792, Temperatur awal 1
BerdasarkaniTabeli2ipenggunaan dari
dan alpha 0,5 dengan rata-rata fitness terbaik
hibridisasiiGA-SAipadaioptimasiikebutuhanigizi
adalah 0.06800 dan 0.08876. Hasil lain
padaiibuihamilidapatimenghasilkaninilaiirata-rata berdasarkan Efektifitas hibridisasi GA dan SA
fitnessiyangilebihibaikidariipadaipenggunaaniGA setelah melakukan pengujian didapatkan bahwa
atauialgoritmeiSAisecaraiterpisahidengani hasil hasil rata-rata lebih baik dibadingkan dengan
yangididapatkaniadalahinilaiirata-ratai fitness penggunaaan GA dan SA secara terpisah. Hasil
algoritmeiSAisebesari0,04382idaninilaiirata-rata fitness hibridisasi GA dan SA mencapai
fitnessiGA sebesar 0,055192isedangkaniGA-SA 0,08804 lebih tinggi dari pada nilai rata-rata
mencapaii0,08804. Namuniwaktuikomputasi fitness GA sebesar 0,05519 dan nilai rata-rata
yangidibutuhkanidalamiprosesihybridiGAidaniSA fitness SA adalah 0,04382 dengan waktu yang
membutuhkaniwaktuilebihibanyakidibandingkan ditentukan adalah 1 menit.
hanyaimenggunakanialgoritmeialgeniatau SA
secaraiterpisah. 7. DAFTAR PUSTAKA

5.5 Analisis Hasil Pengujian
Berdasarkan Gambar 7 menunjukkan
perbandingan antara kebutuhan gizi rekomendasi
dari sistem masih kurang mencukupi dari
kebutuhan gizi ibu hamil semestinya dalam 1
hariSebelumnya telah dilakukan pengujian dari
parameter terbaik pada proses hybrid dengan
jumlah populasi sebanyak 100, Cr sebesar 0,4,
dan nilai Mr terbaik yaitu 0,6, sedangkan untuk
T0 didapatkan terbaik pada nilai 1 dan alpha
sebesar 0,5 serta jumlah generasi sejumlah 1500
dengan inputan data ibu hamil yang digunakan
adalah berat badan sebanyak 55 kg, tinggi badan
160 cm, dan usia kehamilan yang menginjak usia
10 minggu dan aktivitas fisik sangat ringan.
Gambar 8 Hasil
6. KESIMPULAN
Hybridialgoritmai genetikai dani simulated
annealingi yangiditerapkanipadaipenelitianiini
dimulaiipadaitahap algoritma genetika yaitu
inisialisasi kromosom serta menggunakan
crossover dan mutasi untuk melakukan
Brown, J.e., 2005. Subdit Gizi Klinis,
Departemen Kesehatan Indonesia.
Jakarta
Hamidah, C.P., Cholissodin, I., & Nurwansito,
H., 2016. Optimasi Susunan Bahan
Makanan Untuk Pemenuhan Gizi
Keluarga Menggunakan Hybrid
Algoritma Genetika Dan Simulated
Annealing. DORO : Repository Jurnal
Mahasiswa PTIIK Universitas
Brawijaya, vol.8, no.26
Mahmudy, W.F., 2013. Algoritma Evolusi.
PTIIK. Universitas Brawijaya
Mahmudy, W.F., 2014. Improved simulated
annealing for optimization of vehicle
routing problem with time windows
(VRPTW). Kursor, Vol. 7, No. 3, Pp.
109-116.
Nikjoo, R. S., Sadeghi, S. H. H., & Moini, R.
2010. “A Hybrid Genetic- Simulated
Annealing Algorithm for Optimal
Design of Grounding Grids with Rods”.
Asia-Pasific Power and Enegry
Engineering Conference, pp. 1-4.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4047

Orkcu, H.H., 2013. Subset Selection in

Multiple Linier Regresion Models
:A Hybrid of Genetic and Simulated
Annealing Algorithm. Applied
Mathematics and Computation, vol.
129, no. 23, pp. 11018–11028
Poedyasmoro, SKM, 2005. Buku Praktis Ahli
Gizi, Buku Kuliah Politeknik Kesehatan
Malang. Malang.
Sari, A.P., Mahmudy, W.F., & Dewi, C., 2014.
Optimasi Asupan Gizi Pada Ibu Hamil
Dengan Menggunakan Algoritma
Genetika. DORO : Repository Jurnal
Mahasiswa PTIIK Universitas
Brawijaya, vol.4, no.
Simanjutak, D.H., & Sudaryati, E., 2005. Gizi
Pada Ibu Hamil dan Menyusui. FKM
USU
Sofianti, T.D., 2004. Penjadwalan
Multipurpose Batch Chemical Plant
Dengan Metode Optimasi Gabungan :
Algoritma Genetika - Simulated
Annealing Proceedingsa Komputer dan
Sistem Intelejen, (pp297-308). Jakarta
Suci, W.W., Mahmudy W.F., & Putri, R.R.M.,
2015.Optimasi Biaya Pemenuhan Gizi
Dan Nutrisi Pada Manusia Lanjut Usia
Menggunakan Algoritma Genetika.
DORO : Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol.4,
no.5
Supariasa, I.D.N., Bakri, B. & Fajar, I.,
2002.Penilaian Status Gizi.Jakarta :
Kodekteran EGC
World Health Organisation (WHO), 1990.Diet,
Nuttrion and the prevention of Cronic
disease.Report of a WHO Study
Group.World Health
Organisation.Geneva : Switzerland

Fakultas Ilmu Komputer, Universitas Brawijaya