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

Vol. 2, No. 9, September 2018, hlm. 2892-2901 http://j-ptiik.ub.ac.id

Optimasi Asupan Makanan Harian Ibu Hamil Penderita Hipertensi

Menggunakan Algoritme Genetika
Novirra Dwi Asri1, Imam Cholissodin2, Dian Eka Ratnawati3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1virra.novirra@gmail.com, 2imamcs@ub.ac.id, 3dian_ilkom@ub.ac.id

Abstrak
Hipertensi merupakan penyakit beresiko dan salah satu penyebab kematian ibu hamil. Bagi ibu hamil
penderita Hipertensi pengaturan makanan yang kurang tepat dapat mempengaruhi pertumbuhan dan
perkembangan janin. Pengaturan makanan yang dianjurkan untuk ibu hamil penderita Hipertensi adalah
mengatur porsi makanan pemicu Hipertensi dengan tidak mengurangi kebutuhan gizi untuk janinnya.
Salah satu cara yang dapat digunakan dalam menyusun makanan ibu hamil penderita Hipertensi adalah
dengan menggunakan Algoritme Genetika. Algoritme genetika merupakan metode heuristic yang
menggunakan aturan-aturan untuk mendapatkan solusi terbaik. Proses algoritme genetika pada
penelitian menggunakan representasi kromosom bilangan integer, metode crossover yang digunakan
adalah extended intermediate crossover, metode mutasi yang digunakan adalah random mutation dan
seleksi menggunakan seleksi elitism. Hasil yang diberikan adalah rekomendasi makanan untuk beberapa
hari yang terdiri dari makan pagi, makan siang, dan makan malam. Berdasarkan penelitian yang
dilakukan didapatkan hasil ukuran generasi optimal yaitu pada ukuran generasi 240 dengan rata-rata
nilai fitness sebesar 525,0720, ukuran populasi optimal yaitu pada ukuran populasi 90 dengan rata-rata
nilai fitness sebesar 525,0680 dan kombinasi nilai cr dan mr adalah 0,6 dan 0,5 dengan rata-rata nilai
fitness sebesar 525,0695
Kata kunci: ibu hamil, Hipertensi, makanan, optimasi, Algoritme Genetika
Abstract
Hypertension is a risky disease and one of the main causes of death in pregnant women. For
Hypertension pregnant women, the wrong food arrangement can affect the growth and development of
the fetus. The recommended food arrangements for pregnant women with Hypertension is arrange the
portion of food that can increase hypertension but not reducing the nutrition for fetus. There is one way
that can be used to serve food of pregnant women with Hypertension is use a Genetic Algorithm. Genetic
Algorithm is a heuristic method that uses rules to get the best solution. The process of Genetic Algorithm
in research using representation chromosome integer number, crossover using extended intermediate
crossover, mutation using random mutation and selection using elitism selection. The results provided
are food recommendations for several days consisting of breakfast, lunch, and dinner. Based on the
research results, the optimal generation size is 240 with the average fitness value is 525.0720, the
optimal population size is 90 with the average fitness value is 525.0680 and the combination of cr and
mr is 0.6 and 0.5 with average fitness value is 525. 0695.
Keywords: pregnant women, Hypertensive, food, optimation, Genetic Algorithm

kematian ibu hamil (Kemenkes, 2014). Di

1. PENDAHULUAN
Berdasarkan laporan World Health
Organization(WHO) angka kematian ibu hamil
di dunia akibat Hipertensi pada saat persalinan
mencapai 536.000 wanita pada tahun 2005
(WHO, 2005). Menurut data Kementrian
Kesehatam dari tahun 2010-2013 Hipertensi
menjadi salah satu dari tiga penyebab utama
wilayah Jawa Timur yaitu kabupaten
Tulungagung mayoritas penyebab kematian ibu
melahirkan karena pendarahan akibat
Hipertensi, angka kematian pada daerah tersebut
mencapai lebih dari 50% dari total kejadian
kematian ibu hamil (Tarmizi, 2017). Pola
konsumsi makanan yang salah menjadi
penyebab utama timbulnya penyakit tersebut.
Banyak faktor yang mempengaruhi pola

Fakultas Ilmu Komputer

Universitas Brawijaya 2892
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
konsumsi masyarakat saat ini yaitu
perkembangan informasi era modern membuat
masyarakat cenderung mengkonsumsi junk food
atau makanan instan yang berbahaya bagi
kesehatan, selain itu padatnya aktivitas membuat
kurang terawasinya makanan yang dikonsumsi.
Hipertensi adalah keadaan dimana naiknya
tekanan darah melebihi batas normal yaitu
≥140/90 mmHg (Putri, et al., 2018). Hipertensi
merupakan salah satu penyakit berbahaya yang
sebagian besar disebabkan karena pola makan
yang kurang tepat. Saat ini masyarakat setiap
harinya banyak mengkonsumsi makanan yang
beresiko seperti makanan tinggi gula, tinggi
lemak, serta mengandung garam berlebih.
Peningkatan kadar garam dan kadar lemak
dalam makanan dapat memicu naiknya tekanan
darah. Porsi konsumsi yang kurang tepat dapat
memicu resiko naiknya tekanan darah. Apabila
dibiarkan bagi ibu hamil hal ini akan
membahayakan dirinya dan janin dalam
kandungannya.
Berdasarkan permasalahan di atas
diperlukan penyusunan menu makanan yang
sesuai bagi ibu hamil dengan memperhatikan
kondisi tekanan darah dan janin dalam
kandungannya. Dalam penyusunan menu
makanan tersebut harus memenuhi kebutuhan
gizi yang diperlukan ibu hamil agar
pertumbuhan dan perkembangan janin dalam
kandungannya tidak terhambat, hal ini
merupakan hal yang sulit bagi orang awam yang
kurang pengetahuan mengenai komposisi menu
makanan yang sesuai kebutuhan gizi dan
penyusunan menu makanan yang manual
membutuhkan waktu cukup lama. Selain
memenuhi kebutuhan gizi, biaya juga menjadi
pertimbangan dalam penyusunan menu
makanan. Oleh karena itu diperlukan sistem
untuk menyelesaikan masalah tersebut dengan
makanan yang bervariasi dalam beberapa hari.
Algoritme genetika dapat dijadikan solusi
dalam membangun sistem ini. Algoritme
Genetika dapat menyelesaikan masalah dengan
model matematika kompleks atau sulit dibangun
(Mahmudy, 2015). Pada penelitian sebelumnya
mengenai optimasi komposisi makanan
penderita diabetes dan komplikasinya yang
dilakukan oleh Maryamah tahun 2017
menghasilkan komposisi makanan dalam satu
hari yang terdiri dari makan pagi, makan siang
dan makan malam. Komposisi makanan yang
dihasilkan tersebut memenuhi kebutuhan gizi
serta dengan harga yang terjangkau. Penelitian
lain dilakukan oleh Ayu Puspo Sari yang
Fakultas Ilmu Komputer, Universitas Brawijaya
2893
melakukan optimasi asupan gizi pada ibu hamil
dengan hasil yang diberikan yaitu makan pagi,
makan siang dan makan malam, namun saat ini
banyak ibu hamil yang menderita penyakit
seperti Hipertensi sehingga sistem tersebut
kurang cocok digunakan oleh ibu hamil dengan
Hipertensi, maka dari itu sangat penting untuk
dilakukan penelitian optimasi asupan makanan
bagi ibu hamil penderita Hipertensi.
Berdasarkan penelitian yang sudah ada
sebelumnya maka Algoritme Genetika dapat
digunakan untuk menyelesaikan masalah yang
berkaitan dengan menu makanan. Maka dari itu
dalam membangun sistem optimasi asupan
makanan harian ibu hamil penderita Hipertensi
digunakan Algoritme Genetika dalam
menyelesaikan masalah. Diharapkan dengan
sistem ini dapat membantu memberikan
rekomendasi menu makanan harian yang sesuai
kebutuhan gizi dengan harga yang terjangkau
untuk ibu hamil penderita Hipertensi.
2. TINJAUAN PUSTAKA
2.1. Ibu Hamil Hipertensi
Hipertensi merupakan keadaan naiknya
tekanan darah yang melebihi batas normal yaitu
≥140/90 mmHg (Putri, et al., 2018). Seorang
wanita mengalami Hipertensi pada kehamilan
apabila melebihi batas normal tersebut .
Kondisi Hipertensi pada ibu hamil sangat
membahayakan ibu hamil dan janin dalam
kandungannya. Apabila dibiarkan ibu hamil
akan menerima resiko yang tinggi dalam
persalinannya. Berikut beberapa dampak
Hipertensi bagi ibu hamil antara lain:
1. Aliran darah ke plasenta berkurang
2. Perkembangan dan pertumbuhan janin
terhambat
3. Menyebabkan kelahiran bayi berat badan
rendah dan premature
4. Dapat menyebabkan kematian janin
2.2. Perhitungan Energi
Menghitung Berat Badan Ideal (BBI) ibu
hamil menggunakan rumus broca untuk
mengetahui status gizi ditunjukkan pada
Persamaan (1).
𝐵𝐵𝐼 = 90% × (𝑇𝐵 − 100) × 1 kg (1)
Kemudian menghitung Angka Metabolisme
Basal (AMB) menggunakan Persamaan (2).
𝐴𝑀𝐵 = 𝐵𝐵𝐼 × 25 𝑘𝑎𝑙𝑜𝑟𝑖 (2)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2894

Berdasarkan hasil perhitungan BBI dapat Penentuan nilai kalori kehamilan

diklasifikasikan status gizi ibu hamil berdasarkan usia kehamilan ditunjukkan
berdasarkan Tabel 1. pada Tabel 4.

Tabel 1. Klasifikasi Berat Badan Ideal Tabel 4. Nilai Kalori Kehamilan

Nilai Berat Nilai Kalori Kehamilan
BBI Status Gizi Usia Kehamilan
(NB) (NK)
BB < 90%BBI Kurus 20% 0-12 minggu 180 kalori
BB 90 – 110% BBI Normal 0% 13-27 minggu 300 kalori
BB 110-120% Overweight -10% 28-40 minggu 300 kalori
BB > 120% BBI Obesitas -20%
Selanjutnya dapat dihitung total kalori harian
Kemudian menghitung kalori berdasarkan yang dibutuhkan ibu hamil menggunakan
beberapa faktor antara lain: Persamaan (6).
1. Berat Badan 𝐾𝑎𝑙𝑜𝑟𝑖 = 𝐴𝑀𝐵 + 𝐾𝑎𝑙𝑜𝑟𝑖 𝑢𝑚𝑢𝑟 +
Berdasarkan klasifikasi BBI dapat dihitung 𝐾𝑎𝑙𝑜𝑟𝑖 𝑎𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 + 𝐾𝑎𝑙𝑜𝑟𝑖 𝑏𝑒𝑟𝑎𝑡 + 𝑁𝐾 (6)
kalori berat badan menggunakan
Persamaan (3). Setelah mendapatkan nilai kalori harian dapat
𝐾𝑎𝑙𝑜𝑟𝑖 𝑏𝑒𝑟𝑎𝑡 = 𝑁𝐵 × 𝐴𝑀𝐵 (3) dihitung kebutuhan gizi ibu hamil menggunakan
2. Usia Persamaan (7), (8), dan (9).
Terdapat klasifikasi usia ibu hamil untuk
mendapatkan nilai umur ditunjukkan pada 1
𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 (𝑔𝑟) = × (65% × 𝑘𝑎𝑙𝑜𝑟𝑖)(7)
4
Tabel 2. 1
𝑃𝑟𝑜𝑡𝑒𝑖𝑛 (𝑔𝑟) = 4 × (15% × 𝑘𝑎𝑙𝑜𝑟𝑖) (8)
Tabel 2. Nilai Usia 1
Usia Nilai Usia (NU)
𝐿𝑒𝑚𝑎𝑘 (𝑔𝑟) = × (20% × 𝑘𝑎𝑙𝑜𝑟𝑖)
9
(9)
40-59 tahun -5%
60-69 tahun -10% Pada ibu hamil penderita hipertensi
≥70 tahun -20% mengikuti diet rendah garam 3 dengan
Menghitung kalori usia menggunakan kebutuhan natrium sebesar 1000-1200 mg/hari.
Persamaan (4). Terdapat tambahan kebutuhan karbohidrat,
𝐾𝑎𝑙𝑜𝑟𝑖 𝑢𝑠𝑖𝑎 = 𝑁𝑈 × 𝐴𝑀𝐵 (4) protein, dan lemak pada ibu hamil berdasarkan
3. Aktivitas Tabel 5.
Kalori aktivitas dihitung menggunakan
Tabel 5. Tambahan Kebutuhan Gizi Ibu Hamil
Persamaan (5). Usia Karbohidrat Protein Lemak
𝐾𝑎𝑙𝑜𝑟𝑖 𝑎𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 = 𝑁𝐴 × 𝐴𝑀𝐵 (5) Kehamilan (gr) (gr) (gr)
NA adalah nilai aktivitas berdasarkan jenis 0-12 minggu +25 +20 +6
pekerjaan yang ditunjukkan pada Tabel 3. 13-27
+40 +20 +10
minggu
Tabel 3. Nilai Aktivitas Fisik 28-40
+40 +20 +10
Nilai minggu
Aktivitas Kategori Pekerjaan
(NA) 2.1. Algoritme Genetika
0.1 Istirahat -
Pegawai kantor, Algoritme genetika merupakan algoritme
0.2 Ringan
pegawai toko, ahli yang menerapkan evolusi alamiah, banyak
hukum, ibu rumah dimanfaatkan dalam menyelesaikan
tangga.
permasalahan kompleks bermacam-macam
Pegawai di industri
ringan, mahasiswa, variabel. Algoritme genetika diawali dengan
0.3 Sedang sejumlah solusi disebut populasi dan disusun
militer yang sedang
tidak perang. menjadi individu. Populasi tersebut
Petani, buruh, militer mengandung solusi-solusi yang diambil untuk
0.4 Berat dalam keadaan
latihan, penari, atlit.
membentuk populasi baru yang diharapkan lebih
Tukang becak, baik dari sebelumnya (Sari, et al., 2014).
Sangat Individu terbaik ditunjukkan oleh nilai
0.5 tukang gali, pandai
Berat
besi. fitness yang besar. Nilai fitness pada algoritme
4. Usia Kehamilan genetika mencerminkan solusi terbaik dari

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2895

permasalahan. Permasalahan optimasi bersifat
kompleks atau sulit dibangun dapat diselesaikan
dengan algoritme genetika (Mahmudy, 2015).
3. PERANCANGAN DAN
IMPLEMENTASI
Tahapan pada algoritme genetika dimulai
dengan inisialisasi parameter input yang terdiri
dari data ibu hamil dan operator algoritme
genetika, kemudian inisialisasi populasi awal,
reproduksi, evaluasi dan seleksi. Diagram alir
proses algoritme genetika dapat dilihat pada
Gambar 1.
2. Perhitungan gizi ibu hamil oleh sistem
berdasarkan parameter input. Hasil berupa
banyaknya kebutuhan kalori, karbohidrat,
protein, lemak, dan natrium harian.
3. Inisialisasi populasi awal secara acak
sebagai calon solusi dari permasalahan
sebanyak popsize yang ditentukan.
4. Proses reproduksi crossover untuk
menghasilkan offspring menggunakan
metode extended intermediate crossover.
5. Proses reproduksi mutasi pada induk
terpilih berdasarkan nilai mr untuk
menghasilkan offspring dengan
menggunakan metode random mutation.
6. Proses evaluasi yaitu menghitung nilai
fitness masing-masing individu.
7. Melakukan seleksi menggunakan metode
elitism. Diambil individu dengan nilai
fitness tertinggi sejumlah popsize untuk
digunakan pada generasi selanjutnya.

3.1. Data Penelitian

Data yang digunakan pada penelitian antara
lain:
1. Data ibu hamil penderita hipertesi berasal
dari Bidan Praktek Swasta Mojokerto.
2. Data makanan yang dioptimasi disusun
bersama ahli gizi RS. Saiful Anwar Malang
bernama Nawangsari L. menggunakan
program nutrisurvey.

3.2. Inisialisasi Parameter

Terdapat dua proses insialisasi parameter
awal yang dilakukan yaitu parameter data ibu
hamil dan parameter algoritme genetika.
Parameter data ibu hamil terdiri dari nama, usia
ibu hamil, usia kehamilan, tinggi badan, berat
badan, dan aktivitas. Parameter algoritme
genetika terdiri dari generasi, popsize, crossover
rate (cr) dan mutation rate (mr). Kemudian
dihitung kebutuhan energi harian dan kebutuhan
gizi ibu hamil. Contoh permasalahan dengan
parameter input ibu hamil hipertensi sebagai
berikut:
 Nama :Y
Gambar 1. Diagram Alir Algoritme Genetika  Usia : 28 tahun
Berdasarkan Gambar 1 langkah-langkah  Usia kehamilan : 8 minggu
algoritme genetika pada penelitian ini adalah  Tinggi badan : 156 cm
sebagai berikut:  Berat badan : 50 kg
1. Memasukkan parameter input data ibu  Aktivitas : Ringan
hamil, dan parameter algoritme genetika.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2896

Contoh parameter algoritme genetika yang 20% × 1692

digunakan adalah sebagai berikut: 𝐿𝑒𝑚𝑎𝑘 = ( ) + 6 = 43.6 𝑔𝑟
9
 Generasi :2
 Popsize :3 Pada ibu hamil dengan hipertensi kebutuhan
 Crossover rate : 0.6 natrium harian mengikuti diet rendah garam 3
 Mutation rate : 0.3 yaitu sebesar 1000-1200 mg/hari

Kemudian menghitung kalori harian ibu 3.3. Representasi Kromosom

hamil yang diawali dengan menghitung BBI Penelitian ini menggunakan representasi
menggunakan Persamaan (1). kromosom bilangan integer berisi id makanan
yang akan dikonsumsi. Satu kromosom tersusun
𝐵𝐵𝐼 = 90% × (156 − 100) × 1 = 50.4 𝑘𝑔 atas 105 gen yang terbagi dalam 7 hari makan.
Terdapat 15 gen penyusun kromosom dalam satu
Selanjutnya menghitung AMB hari makan, yang dibagi dalam 3 kali waktu
menggunakan Persamaan (2). makan yaitu makan pagi, makan siang dan
makan malam. Masing-masing 5 gen penyusun
𝐴𝑀𝐵 = 50.4 × 25 = 1260 𝑘𝑘𝑎𝑙 dalam satu kali makan terdiri dari sumber
karbohidrat, protein hewani, protein nabati,
Setelah mendapatkan nilai AMB sayuran dan buah-buahan. Contoh representasi
selanjutnya menghitung kalori berat, kalori usia, kromosom dapat dilihat pada Tabel 6.
dan kalori aktivitas menggunakan Persamaan (3)
sampai (5). Tabel 6. Representasi Kromosom
P
𝐾𝑎𝑙𝑜𝑟𝑖 𝑏𝑒𝑟𝑎𝑡 = 0% × 1260 = 0 𝑘𝑘𝑎𝑙 Pagi
K Ph Pn S B
𝐾𝑎𝑙𝑜𝑟𝑖 𝑢𝑠𝑖𝑎 = 0 × 1260 = 0 𝑘𝑘𝑎𝑙 5 21 7 9 5
Siang
𝐾𝑎𝑙𝑜𝑟𝑖 𝑎𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 = 20% × 1260 Hari ke-1 K Ph Pn S B
= 252 𝑘𝑘𝑎𝑙 17 15 12 18 7
Malam
Kemudian menentukan nilai kalori K Ph Pn S B
kehamilan, berdasarkan Tabel 4 dan usia 6 14 16 2 15
kehamilan yang ditentukan. Pagi
K Ph Pn S B
4 18 12 2 17
𝑁𝐾 = 180 𝑘𝑘𝑎𝑙 Siang
Hari ke-2 K Ph Pn S B
Total kalori harian yang dibutuhkan dapat 18 16 15 3 7
dihitung menggunakan Persamaan (6). Malam
K Ph Pn S B
1 13 1 1 20
𝐾𝑎𝑙𝑜𝑟𝑖 = 1260 + 0 + 0 + 252 + 0 + 180
= 1692 𝑘𝑘𝑎𝑙
Keterangan:
Setelah mendapatkan nilai kalori K= sumber karbohidrat
selanjutnya menghitung kebutuhan gizi Ph = protein hewani
karbohidrat, protein, dan lemak, menggunakan Pn = protein nabati
Persamaan (7) sampai (9). S = sayuran
B = buah-buahan
65% × 1692
𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 = ( ) + 25 3.4. Perhitungan Nilai Fitness
4
= 299.95 𝑔𝑟 Perhitungan nilai fitness dilakukan dengan
menjumlahkan hasil bagi konstanta dengan
15% × 1692 penalti masing-masing gizi kemudian ditambah
𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = ( ) + 20
4 dengan konstanta dibagi jumlah harga dan
= 83.45 𝑔𝑟 ditambah dengan hasil kali konstanta dan variasi.
Penalti yang digunakan terdiri dari penalti kalori,
penalti, karbohidrat, penalti protein, penalti

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2897

lemak, dan penalti natrium. Perhitungan fitness 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑘𝑎𝑙𝑜𝑟𝑖 = |1692 − 2039.5|
menggunakan Persamaan (10) dengan C1 adalah = 347.5 𝑔𝑟
konstanta untuk kalori, C2 adalah konstanta 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡
untuk karbohidrat, C3 adalah konstanta untuk = |299.95 − 311.5|
protein, C4 adalah konstanta untuk lemak, C5 = 11.55 𝑔𝑟
adalah konstanta untuk natrium, C6 adalah 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = |83.45 − 72.5|
konstanta untuk harga dan C adalah konstanta = 10.95 𝑔𝑟
untuk variasi. 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐿𝑒𝑚𝑎𝑘 = |43.6 − 59.7|
= 16.1 𝑔𝑟
𝐶1 𝐶2 𝐶3 𝐶4
𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = + + +
1 + ∑ 𝑃𝐾 1 + ∑ 𝑃𝐾𝑏 1 + ∑ 𝑃𝑃 1 + ∑ 𝑃𝐿
+ 𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑁𝑎𝑡𝑟𝑖𝑢𝑚 = |1000 − 269.6|
= 730.4 𝑚𝑔
𝐶5 𝐶6
+∑ + 𝐶. 𝑉 (10)
1+∑ 𝑃𝑁 ℎ𝑎𝑟𝑔𝑎 Selanjutnya menghitung variasi makanan
yang ditunjukkan pada Tabel 7.
Keterangan:
PK = Penalti kalori Tabel 7. Variasi Makanan
PKb = penalti karbohidrat P
PP = penalti protein Pagi
PL = penalti lemak K Ph Pn S B
PN = penalti natrium 1 1 1 1 1
Siang
V = total variasi Hari ke-1 K Ph Pn S B
1 1 1 1 1
Berdasarkan representasi kromosom pada Malam
Tabel 6 didapatkan total kandungan gizi sebagai K Ph Pn S B
berikut: 1 1 1 1 1
 Hari ke-1 Pagi
K Ph Pn S B
Total kalori = 1978.2 kkal 1 1 1 1 17
Total karbohidrat = 268.6 gr Siang
Hari ke-2 K Ph Pn S B
Total protein = 77.8 gr
1 1 1 1 1
Total lemak = 64.6 gr Malam
Total natrium = 285.1 mg K Ph Pn S B
1 1 1 1 1
 Hari ke-2
Total kalori = 2039.5 kkal Berdasarkan Tabel 7 dapat dilihat total
Total karbohidrat = 311.5 gr variasi adalah 30 sehingga dapat dihitung nilai
Total protein = 72.5 gr fitness menggunakan Persamaan (10).
Total lemak = 59.7 gr
1 1 50 10
Total natrium = 269.6 mg 𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = 1+633.7
+ 1+42.9 + 1+16.6 + 1+37.1

Kemudian menghitung penalti masing- 50 100

masing gizi sebagai berikut: + 1+1445 + 82950 + (5 × 30)

 Hari ke-1 = 153.426

𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑘𝑎𝑙𝑜𝑟𝑖 = |1692 − 1978.2|
= 286.2 𝑔𝑟 3.5. Crossover
𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐾𝑎𝑟𝑏𝑜ℎ𝑖𝑑𝑟𝑎𝑡 Metode crossover yang digunakan adalah
= |299.95 − 268.6| extended intermediate crossover dengan
= 31.35 𝑔𝑟 langkah-langkah sebagai berikut:
𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑃𝑟𝑜𝑡𝑒𝑖𝑛 = |83.45 − 77.8| 1. Menentukan jumlah offspring yang
= 5.65 𝑔𝑟 dihasilkan
𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝐿𝑒𝑚𝑎𝑘 = |43.6 − 64.6| = 21 𝑔𝑟 2. Memilih dua buah induk secara acak
𝑃𝑒𝑛𝑎𝑙𝑡𝑖 𝑁𝑎𝑡𝑟𝑖𝑢𝑚 = |1000 − 285.1| 3. Membangkitkan nilai 𝛼 sebanyak panjang
= 714.9 𝑚𝑔 kromosom secara acak
 Hari ke-2

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2898

4. Menentukan nilai setiap gen offspring hasil 3. Menentukan nilai maksimum dan
crossover menggunakan Persamaan (11) minimum induk terpilih
dan (12) dengan C1 dan C2 merupakan 4. Membangkitkan nilai 𝑟 secara acak
offspring yang dihasilkan, P1 dan P2 5. Menentukan nilai setiap gen offspring
merupakan dua induk crossover. hasil crossover menggunakan Persamaan
(13) dengan C merupakan individu
𝐶1 = 𝑃1 + 𝛼 (𝑃2 − 𝑃1) (11) offspring yang dihasikan dan P
𝐶2 = 𝑃2 + 𝛼 (𝑃1 − 𝑃2) (12) merupakan induk mutasi.
Pada contoh permasalahan dapat dihitung 𝐶 = 𝑃 + 𝑟 × (𝑚𝑎𝑥 − 𝑚𝑖𝑛) (13)
jumlah offspring yang dihasilkan yaitu 0.6 ×
3 = 1.8 (𝑑𝑖𝑏𝑢𝑙𝑎𝑡𝑘𝑎𝑛 𝑚𝑒𝑛𝑗𝑎𝑑𝑖 2). Kemudian Pada contoh permasalahan dapat dihitung
memilih dua induk secara acak ditunjukkan pada jumlah offspring yang dihasilkan yaitu 0.3 ×
Tabel 8. 3 = 0.9 (𝑑𝑖𝑏𝑢𝑙𝑎𝑡𝑘𝑎𝑛 𝑚𝑒𝑛𝑗𝑎𝑑𝑖 1). Kemudian
memilih satu induk secara acak ditunjukkan
Tabel 8. Induk Crossover pada Tabel 11.
Individu Kromosom
5 21 7 9 5 Tabel 11. Induk Mutasi
P1 17 15 12 18 7 Individu Kromosom
6 14 16 2 15 4 2 4 4 15
9 1 9 15 9 P 17 11 3 7 17
P2 9 9 12 9 2 5 23 5 17 16
15 1 3 1 4
Dengan menggunakan nilai r = 0.2 dapat
Selanjutnya membangkitkan nilai 𝛼 secara dihitung nilai setiap gen offspring menggunakan
acak seperti pada Tabel 9. Persamaan (13). Offspring hasil mutasi
ditunjukkan pada Tabel 12.
Tabel 9. Nilai Alpha
0.3 0.5 0.6 0.9 0.1
𝐺𝑒𝑛 𝑘𝑒 − 1 = 4 + 0.2(23 − 2)
𝛼 0.3 0.6 0.3 0.6 0.7
0.6 0.5 0.1 0.2 0.1 = 8.4 (dibulatkan menjadi 8)

Tabel 12. Offspring Hasil Mutasi

Dengan menggunakan Persamaan (11) dan Individu Kromosom
(12) didapatkan offspring hasil crossover yang 8 6 8 8 19
ditunjukkan pada Tabel 10. C 21 15 7 11 21
9 27 9 21 20
𝐶1 𝑔𝑒𝑛 𝑘𝑒 − 1 = 5 + 0.3 × (9 − 5)
= 6.2 (dibulatkan menjadi 6) 3.7. Seleksi
𝐶2 𝑔𝑒𝑛 𝑘𝑒 − 1 = 9 + 0.3 × (5 − 9) Metode seleksi yang digunakan adalah
= 7.8 (dibulatkan menjadi 8) seleksi elitisim. Seluruh individu pada populasi
awal dan individu hasil crossover dan mutasi
Tabel 10. Offspring Hasil Crossover digabungkan menjadi satu populasi. Populasi
Individu Kromosom gabungan tersebut diurutkan berdasarkan nilai
6 11 8 14 5 fitness terbesar hingga terkecil. Kemudian
C1 15 11 12 13 4
11 8 15 2 14
diambil individu sebanyak popsize dengan nilai
8 11 8 10 9 fitness tertinggi
C2 11 13 12 14 6
10 8 4 1 5 4. PENGUJIAN DAN ANALISIS

3.6. Mutasi 4.1. Hasil dan Analisis Pengujian Ukuran

Metode mutasi yang digunakan adalah
random mutation dengan langkah-langkah
sebagai berikut:
1. Menentukan jumlah offspring yang
dihasilkan
2. Memilih satu buah induk secara acak
Generasi
Ukuran generasi yang diuji yaitu ukuran
generasi 30, 60, 90, 120, 150, 180, 210, 240, 170,
dan 300 dengan 10 kali uji coba pada setiap
ukuran generasi. Ukuran populasi yang
digunakan adalah 70 dengan nilai cr = 0.6 dan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
mr = 0.4. Berdasarkan pengujian yang dilakukan
didapatkan grafik perbandingan hasil rata-rata
nilai fitness yang ditunjukkan pada Gambar 2.
Gambar 2. Grafik Hasil Pengujian Ukuran Generasi
Pada Gambar 2 dapat dilihat rata-rata nilai
fitness tertinggi yang dihasilkan yaitu pada
ukuran generasi 240 dan rata-rata nilai fitness
terendah yaitu pada ukuran generasi 30 hal ini
disebabkan ukuran generasi yang kecil
membatasi eksplorasi ruang pencarian
sebaliknya ukuran generasi yang besar memberi
peluang untuk melakukan eksplorasi ruang
pencarian yang lebih besar. Rata-rata nilai fitness
mengalami kenaikan pada generasi 30 hingga
generasi 240 dan setelah generasi 240 rata-rata
nilai fitness tidak mengalami perubahan yang
signifikan, hal ini menunjukkan bahwa nilai
fitness pada generasi tersebut telah mengalami
konvergensi. Apabila pengujian ukuran generasi
dilanjutkan dengan ukuran generasi lebih tinggi
maka nilai fitness tidak memiliki selisih yang
besar dan individu yang dihasilkan tidak berbeda
jauh dengan induknya (Shafaat, et al., 2018).
Berdasarkan hasil tersebut maka ukuran generasi
240 dapat dianggap optimal untuk digunakan
dalam optimasi asupan makanan harian ibu
hamil penderita Hipertensi.
4.2. Hasil dan Analisis Pengujian Ukuran
Populasi
Ukuran populasi yang diuji yaitu ukuran
populasi 10, 20, 30, 40, 50, 60, 70, 80, 90, 100,
dan 110 dengan 10 kali uji coba pada setiap
ukuran populasi. Kemudian hasil rata-rata nilai
fitness dibandingkan untuk menentukan ukuran
populasi yang optimal. Grafik hasil pengujian
ukuran populasi ditunjukkan pada Gambar 3.
Fakultas Ilmu Komputer, Universitas Brawijaya
2899
Gambar 3. Grafik Hasil Pengujian Ukuran Populasi
Gambar 3 hasil pengujian ukuran populasi
menunjukkan rata-rata nilai fitness tertinggi
yang dihasilkan yaitu pada ukuran populasi 90
dan rata-rata nilai fitness terendah yaitu pada
ukuran populasi 10, hal ini disebabkan ukuran
populasi yang besar akan menghasilkan individu
yang semakin beragam melalui proses crossover
dan mutasi, dan berdampak pada nilai variasi
yang dihasilkan, namun ukuran populasi yang
besar juga tidak menjamin akan menghasilkan
nilai fitness yang tinggi dikarenakan
pembangkitan populasi yang dilakukan secara
acak (Kusumaningsih, 2016). Ukuran populasi
yang terlalu kecil akan memperkecil peluang
untuk memperoleh solusi terbaik. Rata-rata nilai
fitness mengalami kenaikan pada ukuran
populasi 10 hingga 90. Pada ukuran populasi 100
rata-rata nilai fitness tidak menunjukkan
perubahan yang signifikan hal ini menunjukkan
bahwa telah mengalami konvergensi. Ukuran
populasi 90 dapat dianggap sebagai ukuran
populasi yang optimal.
4.3. Hasil dan Analisis Pengujian Kombinasi
Cr dan Mr
Kombinasi nilai cr dan mr yang diuji yaitu
nilai cr dan mr antara 0,1 dan 1. Setiap
kombinasi nilai cr dan mr diuji sebanyak 10 kali
uji coba pada setiap ukuran populasi. Kemudian
hasil rata-rata nilai fitness dibandingkan untuk
menentukan kombinasi nilai cr dan mr yang
optimal. Grafik hasil pengujian kombinasi nilai
cr dan mr ditunjukkan pada Gambar 4.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2900

a. Melakukan perhitungan kebutuhan

gizi berdasarkan parameter data ibu
hamil.
b. Melakukan proses inisialisasi
populasi awal berdasarkan parameter
algoritme genetika yang ditentukan.
c. Melakukan proses crossover
menggunakan metode extended
intermediate crossover.
Gambar 4. Grafik Hasil Pengujian Kombinasi Cr d. Melakukan proses mutasi
dan Mr menggunakan metode random
mutation.
Gambar 4 menunjukkan grafik peningkatan
rata-rata nilai fitness pada kombinasi nilai e. Melakukan perhitungan nilai fitness
cr=0.1 dan mr=1 sampai dengan kombinasi nilai masing-masing individu untuk
cr=0.6 dan mr=0.5. Hasil tersebut menunjukkan menentukan kualitas individu.
apabila nilai cr yang terlalu rendah dan mr yang f. Melakukan proses seleksi untuk
terlalu tinggi menyebabkan Algoritme genetika menentukan populasi pada generasi
memiliki kemampuan eksplorasi yang lebih berikutnya dan solusi terbaik.
besar sehingga individu yang dihasilkan lebih
beragam, dan sebaliknya nilai cr yang terlalu 2. Kualitas hasil rekomendasi makanan
tinggi dan mr yang terlalu rendah menyebabkan sistem dapat diukur dengan menggunakan
algoritme genetika memiliki tingkat eksploitasi parameter algoritme genetika berdasarkan
yang besar sehingga individu yang terbentuk hasil pengujian antara lain ukuran
cenderung mirip dengan induknya dengan nilai generasi sebesar 240, ukuran populasi
fitness yang cenderung menurun serta sebesar 90 dan kombinasi nilai cr dan mr
membatasi eksplorasi terhadap individu yang adalah 0,6 dan 0,5.
lainnya (Siahaan, et al., 2017). Berdasarkan hasil
pengujian kombinasi nilai cr dan mr optimal 6. DAFTAR PUSTAKA
yang dapat digunakan adalah cr=0,6 dan mr=0,5. Ariani, A. P., 2017. Ilmu Gizi. Yogyakarta: Nuha
Medika.
5. KESIMPULAN Indriati, M. T. & Sukaca, B. E., 2015. Nutrisi
Berdasarkan penelitian yang telah dilakukan Janin & Bayi. Yogyakarta: Parama Ilmu.
didapatkan kesimpulan sebagai berikut Kaiser Lucia L. PhD, R., Davis & Christina G.
Campbell, P. R., 2014. Nutrition and
1. Algoritme genetika dapat Lifestyle for a Healthy Pregnancy
diimplementasikan dalam optimasi Outcome. Journal of the Academy of
asupan makanan harian ibu hamil Nutrition and Dietetics.
penderita hipertensi dengan memberikan Kemenkes, 2014. Info Datin, Jakarta:
rekomendasi makanan untuk beberapa Kementrian Kesehatan RI.
hari yang terdiri dari makan pagi, makan Kusumaningsih, F. D., 2016. Penerapan
siang, dan makan malam. Representasi Algoritma Genetika Pada Optimasi
kromosom menggunakan representasi Susunan Bahan Makanan Untuk
bilangan integer yang merepresentasikan Pemenuhan Kebutuhan Gizi Keluarga.
id makanan, metode crossover yang Malang: Fakultas Ilmu Komputer
digunakan adalah extended intermediate Universitas Brawijaya.
crossover, metode mutasi yang digunakan Mahmudy, W. F., 2013. Algoritma Evolusi.
adalah random mutation, dan proses Malang: Program Teknologi Informasi dan
seleksi menggunakan seleksi elitism. Ilmu Komputer.
Langkah-langkah dalam melakukan Mahmudy, W. F., 2015. Dasar-Dasar Algoritma
optimasi adalah sebagai berikut: Evolusi. Malang: Program Teknologi
Informasi dan Ilmu Komputer.
Maryamah, Putri, R. R. M. & Wicaksono, S. A.,
2017. Optimasi Komposisi Makanan Pada

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Penderita Diabetes Melitus dan
Komplikasinya Menggunakan Algoritma
Genetika. Jurnal Pengembangan Teknologi
Inormasi dan Ilmu Komputer, pp. 270-281.
Moehji, S., 2017. Dasar-Dasar Ilmu Gizi 2.
Jakarta: Pustaka Kemang.
Pregnancy, A. C. o. O. a. G. T. F. o. H. i., 2013.
Hypertention in Pregnancy. s.l.:s.n.
Putri, R. R. A., Furqon, M. T. & Wihandika, R.
C., 2018. Optimasi Komposisi Menu
Makanan Bagi Penderita Tekanan Darah
Tinggi Menggunakan Algoritme Genetika
Adaptif. Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, pp. 515-522.
Sari, A. P., Mahmudy, W. F. & Dewi, C., 2014.
Optimasi Asupan Gizi Ibu Hamil Dengan
Menggunakan Algoritma Genetika.
DORO:Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya.
Shafaat, M., Cholissodin, I. & Santoso, E., 2018.
Optimasi Komposisi Makanan Diet Bagi
Penderita Hipertensi menggunakan
Algoritme Genetika. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer,
pp. 226-236.
Fakultas Ilmu Komputer, Universitas Brawijaya
2901
Siahaan, E. J. I., Cholissodin, I. & Fauzi, M. A.,
2017. Sistem Rekomendasi Bahan
Makanan Bagi Penderita Penyakit Jantung
Menggunakan Algoritma Genetika. Jurnal
Pengembangan Teknologi Informasi dan
Ilmu Komputer, Volume I, pp. 1406-1415.
Tarmizi, T., 2017. Antara News. [Online]
Available at:
https://www.antaranews.com/berita/65085
5/hipertensi-penyebab-dominan-kematian-
ibu-melahirkan
[Diakses 17 September 2017].
Wahid, N. & Mahmudy, W. F., 2015. Optimasi
Komposisi Makanan Untuk Penderita
Kolesterol Menggunakan Algoritma
Genetika. DORO:Repository Jurnal
Mahasiswa PTIIK Universitas Brawijaya.
WHO, 2005. The World Health Report 2005
Make every mother and child count,
Geneva: WHO Press.