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

Vol. 2, No. 10, Oktober 2018, hlm. 4229-4237 http://j-ptiik.ub.ac.id

Optimasi Kandungan Gizi Dan Biaya Bahan Pangan Pada Makanan Sehat
Untuk Penderita Kolesterol Tinggi (Dyslipidemia) Menggunakan Algoritma
Evolution Strategies
Rayindita Siwie Mazayantri1, Randy Cahya Wihandika2, Sutrisno3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1dindasiwie95@gmail.com, 2rendicahya@ub.ac.id, 3trisno@ub.ac.id

Abstrak
Perkembanganayangaterjadi_di_dalam_masyarakat_terutama_perkembangan_teknologi menyebabkan
perubahanigayaihidupimasyarakatiyangimenyebabkanabanyakamasyarakatayangamengalamiamasalah
gizi. Halainiidapatamenyebabkanapenyakitayangadisebutadenganadyslipidemia,iyaituatingginya kadar
lemakidalamidarah, yangidapatimenyebabkanimasalahikesehatanilainnyaiyangilebih berbahaya. Untuk
mengatasiatingginyaakadarakolesterol, adibutuhkanasebuahapengaturanakomposisiamakananadengan
melihatikandunganiyangiadaidiidalamnya. Bagiisebagianaaorangaaawam, tidaklahaamudahaauntuk
mengaturakomposisiamakananasehatayangasemestinyaadikonsumsiakarena kurangnya pengetahuan,
sehinggaauntukamenyelesaikanapermasalahanainiadapatamenggunakanametodeaEvolution Strategies,
yangamemilikiatahapanainisialisasiaawaladenganarepresentasiakromosomabilanganareal-vector, pada
penelitianainiasiklusaESayangadigunakanaadalah (µ+λ) sehinggaahanyaamenggunakanamutasiatanpa
rekombinasi, kemudianadilakukanaperhitunganafitnessadanaevaluasi, laluadilakukanaprosesaseleksi.
Dariihasilipengujianiparameteradidapatkanabahwaasistemadapatamenghasilkananilai paling optimal
padaaukuranapopulasia120, ukuranaoffspring 160, danaukuranagenerasi 40. Solusiayangadihasilkan
olehasistemidibandingkanidengan rekomendasiipakar menunjukkanibahwa solusi yangidihasilkan oleh
sistemilebihioptimal, denganifitness 2.2825, lebihabesaridibandingkanihasil fitnessidariirekomendasi
pakarayangihanyaasebesar 0.4003, sehinggaasistemadapatamemberikanarekomendasiabahan menu
makananidenganihargaiyangimurahidanitetapimempertimbangkanikebutuhanigiziipasien.
Kata kunci: evolution strategies, dyslipidemia, optimasi, bahan makanan, gizi
Abstract
Nowadays there are changes that occurring in our community, especially in technology department,
that causes changes in lifestyle which results in imbalanced nutrition. Something like this could lead the
body to catch symptoms of dyslipidemia, which is a disease wherein the level of blood lipids is high and
hence higher possibilities of causing many more dangerous diseases. To reduce the level of cholesterol,
it is highly recommended to examine the food contents and ingredients. For some people, it may not be
easy to manage what ingredients they should consume due to lack of knowledge in that aspect, so to
solve the problem we could apply Evaluation Strategies method, which has initialization process of
chromosome representation as real-vector. In this study, the ES cycle that we apply is (µ+λ) that only
requires mutation without recombination. The next process is fitness calculation, and evaluation, and
then do the selection process. From the testing of parameters, we can conclude that the system can yield
the most optimized results when the size of population is set to 120, offspring is set to 160, and generation
is set to 40. A solution that the system can come up with compared to the experts' recommendation shows
that the solution this system gave is more optimal, with 2.2825 as a fitness value, higher than the fitness
that we get from experts’ recommendation which only 0.4003, so the system can provide
recommendations for cheap ingredients while reckoning the needs for nutrients intake of the patients.
Keywords: evolution strategies, dyslipidemia, optimization, ingredients, nutrition

Perkembanganuayanguaterjadiuadi dalam
1. PENDAHULUAN masyarakatuterutamauperkembanganuteknologi

Fakultas Ilmu Komputer

Universitas Brawijaya 4229
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menyebabkan perubahan gaya hidup
masyarakat. Haluiniudapatudilihatidariiaktivitas
fisikaiyangaiberkurang, polaaimakan yang
sembaranganadanaserbaaiinstanaimenyebabkan
banyakamasyarakatayangamengalami masalah
giziaaberlebihaaberupa obesitas, sehingga
komposisiatubuhamenjadiatidak seimbang. Ada
banyakarisikoagangguanakesehatanayangadapat
terjadiapadaaorangayangaamengalamiaobesitas.
Obesitas dapat menyebabkan masalah
kesehatanaberupaadyslipidemia, yaituitingginya
kadaraalemakaadalamaaadarah, yangaadapat
menyebabkanamasalahadenganasistemaijantung
danapembuluhadarahiyaituahipertensi, bisaijuga
mengalamiigangguanifungsiihati dimanaiterjadi
peningkatanaSGOTadanaSGPTasertaahatiiyang
membesar, terbentuknyaabatuaaempeduaadan
penyakitaakencingaamanisa (diabetes mellitus),
padaasistemapernapasan dapatiterjadiigangguan
fungsiaparu, mengorokaasaatatiduradanasering
mengalamiaaatersumbatnyaaaajalan napas
(Wijayanti, 2013).
Kolesterolaisebenarnyaasangatadibutuhkan
olehatubuhakitaaadalamamenjalankanaaktivitas
vital. Selainasebagaiasumberaaenergi, jumlah
kolesterolayanganormalaakanamembantuatubuh
untukaaprosesaapembentukanaagaramaempedu,
vitamin D, pembentukanadindingisel tubuh, dan
membantuaproduksiabeberapaaajenisaahormon.
Namunaaapabilaaatidakaadijagaaadenganabaik,
kolesterolaaimenumpukaaaakanaamenimbulkan
banyakipermasalahanibagiikesehatan. Penyebab
utamaameningkatnyaakadaraakolesterolaidalam
aliranidarahiadalah adanya faktor keturunan dan
konsumsialemakayangatinggi. Indikasi penyakit
dyslipidemiaaditandaiadenganakadarakolesterol
yangamelebihiabatasanormal. Kadarakolesterol
dapataadikatakanaanormalaaapabilaaterdiriadari
KolesterolaTotal < 200 mg/dl, KolesterolaLDL
< 130 mg/dl, KolesterolaHDL > 45 mg/dl, dan
Trigliserida < 150 mg/dl (Nilawati, et al., 2008).
Padaaapenelitianaasebelumnya, algoritma
evolutionastrategiesadapatamenghasilkanaanilai
optimumauntukaapenentuanaakomposisiapakan
ternakasapiipotongidenganitidak adanya penalty
atauadapatadikatakananutrisiayang dibutuhkan
olehaternakaasapiaapotongaaterpenuhi, dengan
fitnessaterbesarapadaaukuranapopulasia50adan
generasiasebanyaka1200.
Kemudianaterdapatapenelitianaselanjutnya
yangadilakukanaoleh (Yansari, et al., 2016)
untukaamenyelesaikanaapermasalahanaaadalam
optimasiabiayaadanaasupanauntukaipemenuhan
giziipasienidietikhusus. Padaipenelitianitersebut
menggunakaniirepresentasiiireal-code, dengan
Fakultas Ilmu Komputer, Universitas Brawijaya
4230
hasiliiiakhiriiditentukaniibahwaiiihasiliiiterbaik
didapatkaniiipadaiiipopulasiiiii200, offspring
sebanyaki10μ, danigenerasiisebanyaki250. Lalu
padaiiiiipenelitianiiiiiiyangiiiiidilakukan oleh
(Simamora, et al., 2017) padaiipenyelesaian
masalahiioptimasiiibiayaiibahanimenu makanan
bagiipenderitaipenyakit jantung, siklus ESiyang
digunakaniiiadalah (µ/r+λ) dimanaiiiselain
menggunakaniiiimutasiiiiijuga menggunakan
rekombinasiiipadaiiprosesiireproduksinya. Pada
penelitianiitersebutiidapatiimenghasilkaniiinilai
terbaikiipadaiiipopulasi 140, denganioffspring
260, jumlahiirekombinasiiisebanyak 2, dan
generasiisebanyak 170.
Berdasarkaniiiiikeberhasilaniiiiipenerapan
algoritma, ipadaiiiipenelitianiiiiiniiiiipenulis
menggunakaniialgoritmaiiievolution strategies
untukiiimelakukaniiioptimasiiiimakananiiisehat
untukipenderitaikolesterolitinggi (dyslipidemia)
melaluiiiipenelitianiiiyangiiberjudul “Optimasi
Kandungan Gizi dan Biaya Bahan Pangan pada
Makanan Sehat untuk Penderita Kolesterol
Tinggi (Dyslipidemia) Menggunakan Algoritma
Evolution Strategies”. Penelitianiiniibertujuan
untukiiimemperolehiisolusiiiterbaikiimendekati
optimaliiberupaiimenuiimakananiisehatidengan
memperhatikaniiikandunganiiigiziiiidaniiibiaya
minimal.
2. SIKLUS ALGORITMA
Penelitian yang dilakukan ini bertujuan
untuk mengoptimasi gizi dan harga untuk
mendapatkan nilai gizi dan harga paling optimal
dari menu yang akan dikonsumsi oleh penderita
penyakit kolesterol tinggi (dyslipidemia). Proses
perancangan algoritma untuk mendapatkan
solusi terbaik dimulai dengan melakukan proses
perhitungan jumlah Angka Metabolisme Basal
dan tingkat aktivitas yang akan menentukan
jumlah energi/kalori yang dibutuhkan oleh
penderita. Selanjutnya menentukan kebutuhan
karbohidrat, protein, dan lemak, dan setelah itu
dilanjutkan dengan proses metode Evolution
Strategies. Berikut proses alir algoritma yang
digunakan untuk implementasi:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 1 Flowchart Optimasi Kandungan Gizi dan
Biaya Bahan Pangan
2.1 Perhitungan Gizi
Melakukan perhitungan gizi yang
dibutuhkan oleh penderita yang meliputi
energi/kalori, karbohidrat, protein, dan lemak,
dengan memasukkan beberapa data berupa:
Jenis Kelamin: Perempuan
Berat Badan: 60 kg
Tinggi Badan: 165 cm
Usia: 55 Tahun
Tingkat Aktivitas: Sedang (Karyawan Kantor)
Anggaran Bahan Makanan: Rp 50000,00
Perhitungan kebutuhan energi/kalori yang
dibutuhkan oleh penderita, dapat dihitung
menggunakan rumus Haris Benedict, yang
didapatkan hasil sebagai berikut:
AMB = 655 + (9,6 * 60) + (1,8 * 165) – (4,7 *
55) = 1269,5
Kebutuhan Energi = 1269,5 * 1,7 = 2158,15 kkal
Untuk jumlah karbohidrat, protein, dan lemak
yang dibutuhkan oleh penderita kolesterol tinggi,
dapat dihitung sebagai berikut:
Karbohidrat = Keb. Energi * 60% = 2158,15 *
0,6 = 1294,89 kkal = 323,7225 gr
Fakultas Ilmu Komputer, Universitas Brawijaya
4231
Protein = Keb. Energi * 15% = 2158,15 * 0,15 =
323,72 kkal = 80,9306 gr
Lemak = Keb. Energi * 25% = 2158,15 * 0,25 =
539,54 kkal = 59,9486 gr
2.2 Algoritma Evolution Strategies
Algoritma evolution strategies
dikembangkan pertama kali oleh Rechenberg
dan Schwefel pada tahun 1973. Proses mutasi
dan rekombinasi memiliki nilai kepentingan
yang sama dalam evolution strategies, pada
umumnya kedua proses ini dilakukan pada saat
reproduksi. Namun pada beberapa penelitian,
proses rekombinasi tidak digunakan sama sekali
(Beyer, 2001).
 Proses pertama adalah inisialisasi parameter.
Parameter evolution strategies yang
digunakan diinisialisasi oleh pengguna
sistem. Beberapa parameter yang
diinisialisasi adalah ukuran populasi dan
jumlah generasi, sedangkan untuk jumlah
offspring adalah sama dengan ukuran
populasi. Setelah itu parameter yang sudah
diinisialisasi akan digunakan untuk proses
algoritma evolution strategies. Pada
perhitungan manualisasi ini, parameter yang
digunakan adalah sebagai berikut:
Ukuran populasi = 2
Jumlah offspring = 1
Jumlah generasi = 1
 Proses kedua adalah pembangkitan
kromosom. Proses pembangkitan kromosom
dilakukan sebanyak ukuran populasi yang
telah ditentukan sebelumnya, yaitu 2. Jumlah
gen dari setiap kromosom adalah sama, yaitu
12, yang meliputi 4 gen untuk makan pagi, 4
gen untuk makan siang, dan 4 gen untuk
makan malam. Setiap waktu makan terdapat
bahan makanan jenis karbohidrat, protein
hewani, protein nabati, dan lemak. Nilai gen
merupakan hasil pembangkitan bilangan
random antara 0 sampai 1, dimana setiap gen
dapat dikonversi menjadi index bahan
makanan sekaligus berat dari bahan makanan
tersebut. Hasil pembangkitan kromosom
dapat dilihat pada Tabel 1.
Tabel 1 Individu Populasi Awal
Parent Kromosom Fitness
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4232

P1 [0.22, 0.37, 0.57, 0.00817182 PH 0,19 7 Daging

0.85, 0.36, 0.64, Kambing
0.47, 0.24, 0.19, PN 0,76 6 Tahu
0.19, 0.76, 0.69] PN 0,69 11 Santan

σ1 [0.6236, 0.0214,  Proses ketiga adalah reproduksi. Setelah

0.6352, 0.335, proses pembangkitan kromosom menjadi
0.4802, 0.4026, populasi awal, tahap selanjutnya adalah
0.5519, 0.2101, melakukan proses reproduksi. Pada
0.6601, 0.6280, penelitian ini menggunakan tipe proses
0.4992, 0.4803] (μ+λ), maka pada proses reproduksi hanya
P2 [0.68, 0.24, 0.07, 0.010122814 menggunakan mutasi tanpa rekombinasi.
0.15, 0.02, 0.11, Setiap gen pada kromosom memiliki level
0.05, 0.61, 0.54, mutasi (σ) yang dibangkitkan dengan
0.31, 0.51, 0.87] bilangan acak antara 0 sampai 1. Offspring
yang akan dibuat sama dengan jumlah
σ2 [0.2193, 0.513, populasi, yaitu 2. Proses mutasi pada individu
0.5877, 0.7191, dari Tabel 1 akan dijelaskan sebagai berikut:
0.1224, 0.0826, P1 = [0,22, 0,37, 0,57, 0,85, 0,36, 0,64, 0,47,
0.8022, 0.9061, 0,24, 0,19, 0,19, 0,76, 0,69]
0.0870, 0.7892, dan nilai sigma mutasinya adalah σ1 =
0.7229, 0.3632] [0,6236, 0,0214, 0,6352, 0,335, 0,4802,
0,4026, 0,5519, 0,2101, 0,6601, 0,6280,
Sehingga dapat dijelaskan bahwa konversi gen 0,4992, 0,4803].
dari setiap gen dalam kromosom adalah sebagai Dari induk akan dihasilkan offspring C1 =
berikut: [x1’, x2’, x3’,…, x12’] dan sigma mutasinya
Index Bahan = (0,22-0,01) / ((0,85+0,1) - 0,01) σ’ = [σ1’, σ2’, σ3’,…, σ12’].
* (33-1) + 1 Proses mutasi melibatkan setiap gen dan
= 0,21 / 0,94 * 33 + 1 sigma. Untuk mendapatkan nilai mutasi dari
= 8,372 ≈ 8 setiap individu, rumus yang digunakan
adalah:
Konversi dilakukan sebanyak gen dalam satu x’ = x + σ N(0,1)
kromosom. Dari perhitungan konversi gen Nilai N(0,1) bisa didapatkan dengan
tersebut, didapatkan index bahan makanan yang membangkitkaan dua bilangan r1 dan r2 pada
terpilih akan ditunjukkan pada Tabel 2. interval [0,1]. Rumus yang digunakan adalah:
𝑁(0,1) = √−2 ln 𝑟1 ∗ (sin 2𝜋 𝑟2 )
Tabel 2 Konversi Index Bahan Makanan Misalkan r1 = 0.065 dan r2 = 0.721, maka:
Waktu Jenis Gen Index Bahan 𝑁(0,1) = √−2 ∗ ln(0,065)
Makan Bahan Makanan ∗ (sin(2 ∗ 3,14 ∗ 0,721)
PAGI K 0,22 8 Biskuit = −2,296960855
PH 0,37 13 Ikan Asin Sehingga didapatkan nilai mutasinya sebagai
Kering berikut:
PN 0,57 5 Petai x’ = 0,22 + 0,6236 * (-2,296960855) = -1,21
Segar ≈ 1,21
L 0,85 14 Telur Jadi dari 2 induk pada Tabel 1 dihasilkan
Bebek offspring yang ditunjukkan pada Tabel 3.
SIANG K 0,36 13 Kacang
Hijau Tabel 3 Individu Hasil Mutasi
PH 0,64 21 Ikan
Tenggiri Parent Kromosom Fitness
PN 0,47 4 Oncom C1 [1,21, 0,35, 0,017089691
L 0,24 4 Kelapa 0,20, 0,72,
Parut 0,50, 0,60,
MALAM K 0,19 7 Bihun 0,86, 0,52,

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
0,62, 0,16,
0,80, 0,85]
C2 [0,65, 0,03, 0,020833341
0,58, 0,66,
0,05, 0,23,
1,48, 0,28,
0,60, 0,05,
0,09, 1,05]
Dari Tabel 3 dapat diketahui bahwa nilai
fitness dari C1 adalah 0,017089691
sedangkan C2 adalah 0,020833341. Dari nilai
tersebut dapat dikatakan bahwa nilai fitness
dari offspring lebih baik disbanding nilai
fitness dari parent, ketika nilai fitness
offspring lebih baik dari induk, maka nilai σ
dinaikkan dengan rumus σ’ = σ * 1,1, dan jika
sebaliknya maka nilai σ diturunkan dengan
rumus σ’ = σ * 0,9.
 Proses keempat adalah perhitungan fitness.
Pada proses perhitungan fitness sebelumnya
perlu dilakukan proses perhitungan penalty
gizi dan penalty harga terlebih dahulu. Dan
nilai gizi dari bahan biskuit adalah sebagai
berikut:
𝑛𝑖𝑙𝑎𝑖𝐾𝑎𝑟𝑏𝑜 = 0,22 ∗ 75,1 = 16,818𝑔
𝑛𝑖𝑙𝑎𝑖𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = 0,22 ∗ 6,9 = 1,545𝑔
𝑛𝑖𝑙𝑎𝑖𝐿𝑒𝑚𝑎𝑘 = 0,22 ∗ 14,4 = 3,225𝑔
𝑛𝑖𝑙𝑎𝑖𝐸𝑛𝑒𝑟𝑔𝑖 = 0,22 ∗ 458 = 102,565𝑔
Proses perhitungan nilai gizi dilakukan untuk
seluruh gen, yang meliputi menu makan pagi,
makan siang, dan makan malam. Setelah
menghitung nilai gizi dari masing-masing
gen dalam satu kromosom, selanjutnya
dihitung total nilai gizi dari setiap komponen
gizi.
Total nilai gizi dari P1 adalah sebagai
berikut:
Total Karbohidrat = 29,329 + 36,583 +
20,259 = 86,171g
Total Protein = 33,548 + 28,764 + 15,266 =
77,578g
Total Lemak = 18,781 + 13,242 + 29,133 =
61,156g
Total Energi = 425,408 + 368,165 + 383,970
= 1177,544kkal
Setelah didapatkan total nilai gizi, maka
selanjutnya dapat dihitung nilai penalty gizi
dari P1 adalah:
Kebutuhan Energi = 2158,15 kkal
Kebutuhan Karbohidrat = 323,7225 gr
Kebutuhan Protein = 80,9306 gr
Fakultas Ilmu Komputer, Universitas Brawijaya
4233
Kebutuhan Lemak = 59,9486 gr
𝑃𝑒𝑛𝑎𝑙𝑡𝑦 𝐺𝑖𝑧𝑖 = |323,7225 − 86,171| +
|80,9306 − 77,578| + |59,9486 −
61,156| + |2158,15 − 1177,544|
𝑃𝑒𝑛𝑎𝑙𝑡𝑦 𝐺𝑖𝑧𝑖 = |237,552| + |3,353|
+ |−1,207| + |980,606|
𝑃𝑒𝑛𝑎𝑙𝑡𝑦 𝐺𝑖𝑧𝑖 = 1222,718
Proses perhitungan penalty gizi dilakukan
untuk seluruh individu, dengan cara yang
sama, maka nilai penalty gizi dari masing-
masing individu adalah seperti pada Tabel 4.
Tabel 4 Nilai Penalty Gizi Setiap Individu
Individu Penalty Gizi
P1 1222,718
P2 986,868
C1 584,148
C2 479,000
Kemudian untuk mendapatkan nilai fitness
juga perlu dilakukan proses perhitungan nilai
penalty harga terlebih dahulu. Untuk
mendapatkan nilai penalty harga, dilakukan
proses perhitungan harga dari setiap gen
terlebih dahulu untuk mendapatkan total
harga. Setalah mendapatkan total harga,
hasilnya akan dibandingkan dengan jumlah
anggaran yang sebelumnya telah dimasukkan
(Rp 50000,00), apabila total harga lebih kecil
dibandingkan jumlah anggaran maka penalty
harga sama dengan 0, namun apabila
sebaliknya maka penalty harga sama dengan
total harga dikurang jumlah anggaran lalu
dibagi 100. Selanjutnya maka dapat dihitung
total harga dari P1 adalah sebagai berikut:
𝑡𝑜𝑡𝑎𝑙𝐻𝑎𝑟𝑔𝑎 = 2194,619 + 3030,341
+ 2957,200 + 2282,507
+ 1578,911 + 6120,301
+ 2358,592 + 598,401
+ 1228,860 + 2454,154
+ 763,009 + 2774,492
𝑡𝑜𝑡𝑎𝑙𝐻𝑎𝑟𝑔𝑎 = 28341,388
Dari total harga, didapatkan bahwa total
harga kurang dari anggaran, maka nilai
penalty harga dari P1 sama dengan 0.
Perhitungan penalty harga dilakukan untuk
seluruh individu, nilai penalty harga dari
masing-masing individu ditunjukkan pada
Tabel 5.
Tabel 1 Nilai Penalty Harga Setiap Individu
Individu Penalty Harga
P1 0
P2 0
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4234

C1 0 0,64, 0,47,
C2 0 0,24, 0,19,
Setelah didapatkan nilai penalty gizi dan 0,19, 0,76,
0,69]
penalty harga maka dapat dihitung fitness
dari masing-masing individu, didapatkan
nilai fitness dari P1 adalah: Setelah seluruh individu diurutkan dari nilai
10 fitness terbesar, selanjutnya akan diambil
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = = 0,010013114 beberapa individu yang akan bertahan dan
997,690 + 0 + 1
Perhitungan fitness dilakukan sebanyak melakukan proses reproduksi di generasi
jumlah individu yang dibuat. Dengan cara selanjutnya. Jumlah individu yang dipilih adalah
yang sama, nilai fitness dari setiap individu sebanyak jumlah induk yang telah ditentukan di
yang ditunjukkan pada Tabel 6. awal. Individu yang lolos ke generasi
selanjutnya dan menjadi populasi baru
Tabel 2 Nilai Fitness Setiap Individu ditunjukkan pada Tabel 8.
Individu Fitness
P1 0,008171820 Tabel 8 Individu yang Bertahan ke Generasi
P2 0,010122814 Selanjutnya dan Menjadi Populasi Baru
Individu Kromosom Fitness
C1 0,017089691
C2 [0,65, 0,03, 0,58, 0,66, 0,020833341
C2 0,020833341 0,05, 0,23, 1,48, 0,28,
0,60, 0,05, 0,09, 1,05]
 Proses kelima adalah seleksi. Setelah C1 [1,21, 0,35, 0,20, 0,72, 0,017089691
melakukan proses reproduksi dan 0,50, 0,60, 0,86, 0,52,
perhitungan fitness, selanjutnya melakukan 0,62, 0,16, 0,80, 0,85]
proses seleksi. Pada proses seleksi
melibatkan baik induk maupun offspring
untuk diurutkan dari nilai fitness terbesar ke 3. PENGUJIAN DAN ANALISIS
terkecil. Individu dengan nilai fitness terbaik Dalam pengujian ini terdapat beberapa
akan bertahan dan digunakan pada proses metode seperti pengujian pengaruh ukuran
reproduksi generasi selanjutnya. Hasil nilai jumlah populasi, ukuran jumlah offspring, dan
fitness ditunjukkan pada Tabel 7. ukuran jumlah generasi terhadap nilai fitness.
Setiap parameter pengujian dilakukan sebanyak
Tabel 3 Hasil Pengurutan Nilai Fitness
5 kali dan kemudian diambil rata-rata nilai
Individu Kromosom Fitness
C2 [0,65, 0,020833341
fitness nya.
0,03, 0,58,
0,66, 0,05, 3.1 Pengujian Ukuran Populasi
0,23, 1,48, Adapun ukuran populasi yang diuji adalah
0,28, 0,60, ukuran populasi 10, 20, 30, 40, 50, 60, 70, 80,
0,05, 0,09, 90, 100, 110, 120, 130, 140, 150, 160, 170, 180,
1,05]
190, dan 200. Setiap parameter pengujian
C1 [1,21, 0,017089691
0,35, 0,20,
dilakukan sebanyak 5 kali dan akan dihitung
0,72, 0,50, rata-rata nilai fitness tersebut. Jumlah offspring
0,60, 0,86, yang digunakan adalah 5 dan jumlah generasi
0,52, 0,62, sebesar 10 kali generasi. Hasil pengujian dari
0,16, 0,80, pengujian ukuran populasi dapat dilihat pada
0,85] Gambar 2.
P2 [0,68, 0,010122814
0,24, 0,07,
0,15, 0,02,
0,11, 0,05,
0,61, 0,54,
0,31, 0,51,
0,87]
P1 [0,22, 0,008171820
0,37, 0,57,
0,85, 0,36,

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 2. Grafik Hasil Pengujian Ukuran
Populasi
Dari pengujian tersebut dapat dilihat bahwa
nilai fitness pada awalnya naik turun secara tidak
stabil, nilai fitness terkecil dihasilkan dari
populasi sebanyak 10 dengan nilai fitness rata-
rata sebesar 0,1447, dan nilai rata-rata fitness
terbesar dihasilkan oleh populasi sebanyak 190
sebesar 0,5236. Nilai fitness yang tidak stabil ini
dihasilkan karena konsep dasar evolution
strategies yang menggunakan nilai acak pada
setiap proses perhitungannya pada awal
pembentukan nilai kromosom dan nilai sigma
sebagai populasi awal, dan nilai r1 dan r2 untuk
penentuan nilai N(0,1) pada proses mutasi. Pada
Gambar 2 terlihat bahwa meskipun nilai fitness
terbesar berada pada populasi 190, namun pada
populasi 120 perubahan nilai fitness tidak lagi
signifikan. Hal ini menunjukkan bahwa fitness
sudah menghasilkan solusi optimal secara stabil
pada jumlah populasi 120. Maka dari pengujian
ini dapat disimpulkan bahwa populasi terbaik
yang akan digunakan adalah populasi sebesar
120.
3.2 Pengujian Ukuran Offspring
Pengujian ukuran offspring dilakukan
mulai dari ukuran offspring 10, 20, 30, 40, 50,
60, 70, 80, 90, 100, 110, 120, 130, 140, 150, 160,
170, 180, 190, dan 200, yang dilakukan
sebanyak 5 kali yang akan dihitung nilai rata-rata
fitness dari setiap parameter yang diujikan.
Jumlah populasi yang digunakan adalah 120,
yang merupakan jumlah populasi dengan nilai
fitness terbaik pada pengujian sebelumnya, dan
jumlah generasi 10. Gambar 3 menunjukkan
hasil dari pengujian ukuran offspring yang telah
dilakukan.
Fakultas Ilmu Komputer, Universitas Brawijaya
4235
Gambar 3. Grafik Hasil Pengujian Ukuran
Offspring
Dari pengujian ukuran offspring yang telah
dilakukan, terlihat bahwa nilai fitness yang
dihasilkan cenderung meningkat seiring jumlah
offspring yang diujikan semakin besar. Namun
pada beberapa titik terjadi penurunan nilai
fitness yang dipengaruhi oleh sifat nilai acak
yang dimiliki evolution strategies yang tidak
menjamin bahwa ukuran parameter yang
semakin besar akan menghasilkan solusi yang
semakin meningkat. Namun ukuran parameter
yang besar akan menghasilkan variasi solusi
yang lebih beragam sehingga akan
memunculkan pilihan solusi terbaik yang lebih
banyak. Pada Gambar 3. terlihat bahwa nilai
fitness terkecil berada pada offspring 10 dengan
nilai fitness sebesar 0,2578, dan nilai fitness
terbesar ada pada offspring ukuran 190 dengan
nilai fitness 1,8867. Namun juga terlihat bahwa
dari ukuran offspring 160, nilai fitness yang
dihasilkan tidak berubah secara signifikan. Hal
itu dapat dikatakan bahwa mulai dari ukuran
offspring 160 sudah dihasilkan nilai fitness yang
optimal. Sehingga dari pengujian ini dapat
disimpulkan bahwa nilai offspring terbaik adalah
ukuran offspring sebesar 160.
3.3 Pengujian Ukuran Generasi
Pada pengujian ini ukuran populasi yang
digunakan adalah sebesar 120 dan ukuran
offspring sebesar 160 yang merupakan
parameter terbaik yang telah diuji sebelumnya.
Pengujian dilakukan sebanyak 5 kali untuk
setiap parameter dan dihitung nilai rata-rata
fitness dari 5 kali pengujian. Ukuran generasi
yang akan diuji adalah sebesar 10, 20, 30, 40, 50,
60, 70, 80, 90, dan 100. Pada Gambar 4. adalah
hasil dari pengujian ukuran generasi.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 4. Grafik Hasil Pengujian Ukuran Generasi
Berdasarkan pengujian ukuran generasi,
terlihat bahwa nilai fitness yang dihasilkan
meningkat seiring semakin besarnya ukuran
generasi yang diujikan. Hal ini disebabkan
karena semakin besarnya generasi maka
kemungkinan untuk mendapatkan variasi solusi
juga semakin besar. Berdasarkan hasil pengujian
ukuran generasi, terlihat bahwa pada Gambar 4.
menunjukkan bahwa rata-rata fitness terbaik
dihasilkan pada generasi ukuran 80, dengan rata-
rata fitness sebesar 1,7254, dan nilai rata-rata
fitness terburuk dihasilkan pada generasi ukuran
10, dengan rata-rata fitness sebesar 0,6817.
Namun pada Gambar 4. dapat dilihat bahwa
mulai dari generasi 40 dengan nilai fitness
1,7135, nilai fitness yang dihasilkan dapat
dikatakan tidak lagi berubah secara siginifikan,
hal ini menunjukkan bahwa pada generasi 40
adalah titik awal terlihatnya nilai fitness yang
stabil. Sehingga dari pengujian ini dapat
disimpulkan bahwa ukuran generasi terbaik
adalah ukuran generasi sebesar 40.
4. KESIMPULAN
Berdasarkan seluruh pengujian yang telah
dilakukan dalam penelitian optimasi kandungan
gizi dan biaya bahan pangan pada makanan sehat
untuk penderita kolesterol tinggi (dyslipidemia)
menggunakan algoritma evolution strategies,
maka kesimpulan yang diambil adalah sebagai
berikut:
1. Pada penelitian optimasi kandungan gizi dan
biaya bahan pangan pada makanan sehat
untuk penderita kolesterol tinggi
(dyslipidemia) dapat diselesaikan
menggunakan algoritma evolution strategies.
Proses yang dilakukan pada awalnya adalah
menentukan nilai acak yang dijadikan
sebagai kromosom berbentuk real-vector
dalam rentang nilai 0 sampai dengan 1. Pada
penelitian ini menggunakan siklus evolution
strategies (µ+λ), sehingga pada proses
reproduksi tidak menggunakan tahap
Fakultas Ilmu Komputer, Universitas Brawijaya
4236
rekombinasi dan lebih mengutamakan tahap
mutasi untuk mendapatkan nilai offspring.
Setelah mendapatkan nilai offspring, maka
dilakukan proses perhitungan nilai fitness
bagi seluruh kromosom, baik kromosom
induk ataupun offspring. Nilai fitness yang
didapatkan selanjutnya akan dibandingkan
untuk dilakukan pengurutan nilai dari
terbesar ke terkecil, dan dilakukan proses
seleksi, yang dilakukan dengan seleksi
elitism dimana kromosom dengan nilai
fitness terbaik akan dipilih menjadi individu
baru pada generasi selanjutnya.
2. Penentuan nilai parameter pada algoritma
evolution strategies yang dilakukan sangat
berpengaruh pada hasil optimasi kandungan
gizi dan biaya bahan makanan bagi penderita
penyakit kolesterol tinggi. Semakin besar
ukuran populasi, ukuran offspring, dan
ukuran generasi maka akan didapatkan pula
nilai kromosom yang lebih bervariasi, namun
tetap tidak menjamin bahwa nilai fitness yang
dihasilkan selalu optimal. Berdasarkan
pengujian yang telah dilakukan, dengan
ukuran populasi sebanyak 120, ukuran
offspring sebanyak 160, dan dilakukan
sampai generasi 40, dapat menghasilkan nilai
fitness terbaik sebesar 2,2825.
3. Setelah dilakukan pengujian dari sistem yang
telah dibuat, kemudian hasil yang didapatkan
dari sistem dibandingkan dengan
rekomendasi pakar pada contoh kasus yang
telah ditentukan pada bab sebelumnya. Dari
perbandingan yang dilakukan dapat
dikatakan bahwa hasil rekomendasi dari
sistem lebih optimal dibandingkan dengan
rekomendasi pakar, hasil rekomendasi menu
yang dibuat oleh sistem terbukti memiliki
nilai fitness yang lebih besar dibandingkan
hasil rekomendasi dari pakar dimana nilai
asupan gizi dan harga yang dihasilkan dari
rekomendasi sistem lebih memenuhi
kebutuhan penderita, sehingga dapat
dikatakan rekomendasi sistem lebih optimal
dibandingkan rekomendasi ahli gizi.
5. DAFTAR PUSTAKA
Almatsier, S., 2006. Penuntun Diet Edisi Baru.
Jakarta: Gramedia Pustaka Utama.
Beyer, H.-G., 2001. The Theory of Evolution
Strategies. Natural Computing Series
ed. Heidelberg: Springer.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4237

Faridah, A., Yuliana & Holinesti, R., 2013. Ilmu Wijayakusuma, H., 2008. Ramuan Herbal
Bahan Makanan Bersumber dari Penurun Kolesterol. Jakarta: Pustaka
Nabati. Jakarta: Gifari Prasetama. Bunda.
Gloger, B., 2004. Self-adaptive Evolutionary Wijayanti, D. N., 2013. Analisis Faktor
Algorithms. Paderborn: Universität Penyebab Obesitas dan Cara Mengatasi
Paderborn. Obesitas pada Remaja Putri, Semarang:
Mahmudy, W. F., 2013. Algoritma Evolusi. Fakultas Ilmu Keolahragaan Universitas
Malang: Program Teknologi Informasi Negeri Semarang.
dan Ilmu Komputer Universitas Yansari, M., Ratnawati, D. E. & Marji, 2016.
Brawijaya. Optimasi Biaya dan Asupan Gizi Pasien
Mahmudy, W. F., Marian, R. M. & Luong, L. H. Diet Khusus dengan Menggunakan
S., 2013. Real Coded Genetic Algoritma Evolution Strategies.
Algorithms for Solving Flexible Job- Malang: Fakultas Ilmu Komputer
Shop Scheduling Problem - Part I: Universitas Brawijaya.
Modelling. Advanced Materials
Research, Volume 701, pp. 359-363.
Meyer-Nieberg, S. & Beyer, H.-G., 2006. Self-
Adaptation in Evolutionary Algorithms.
Heidelberg: Springer.
Milah, H. & Mahmudy, W. F., 2015.
Implementasi Algoritma Evolution
Strategies Untuk Optimasi Komposisi
Pakan Ternak Sapi Potong, Malang:
Program Teknologi Informasi dan Ilmu
Komputer Universitas Brawijaya.
Nilawati, S., Krisnatuti, D., Mahendra, B. &
Djing, O. G., 2008. Care Yourself,
Kolesterol. Jakarta: Penebar Plus.
Simamora, V. K. B. R., Cholissodin, I. & Fauzi,
M. A., 2017. Optimasi Biaya Bahan
Menu Makanan bagi Penderita
Penyakit Jantung dengan Menggunakan
Metode Evolution Strategies. Malang:
Fakultas Ilmu Komputer Universitas
Brawijaya.
Suhardjo & Kusharto, C. M., 1992. Prinsip-
prinsip Ilmu Gizi. Yogyakarta:
Kanisius.
Sulistiowati, F., Chollisodin, I. & Marji, 2016.
Optimasi Susunan Bahan Makanan
Sehat Untuk Pemenuhan Gizi Keluarga
dengan Algoritma Evolution Strategies,
Malang: Program Teknologi Informasi
dan Ilmu Komputer Universitas
Brawijaya.
Tapan, E., 2005. Kesehatan Keluarga Penyakit
Degeneratif. Jakarta: Elex Media
Komputindo.
Wahid, N. & Mahmudy, W. F., 2015. Optimasi
Komposisi Makanan Untuk Penderita
Kolesterol Menggunakan Algoritma
Genetika, Malang: Program Teknologi
Informasi dan Ilmu Komputer
Universitas Brawijaya.

Fakultas Ilmu Komputer, Universitas Brawijaya