Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 12, Desember 2017, hlm. 1850-1857
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Optimasi Menu Makanan Untuk Pemenuhan Gizi Penderita Kanker Dengan Algoritme Genetika Dellia Airyn1, Imam Cholissodin2, Budi Darma Setiawan3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Salah satu penyakit yang paling ditakuti saat ini adalah kanker. Bagi penderita kanker, berbagai macam cara telah dilakukan, salah satunya kegiatan kemoterapi. Namun dalam pelaksanaan kemoterapi ini, penderita akan mengalami gangguan pencernaan dan penyerapan zat gizi, sehingga mempengaruhi status gizi penderita. Oleh karena itu, pengaturan menu untuk perbaikan gizi pada penderita kanker menjadi faktor penting untuk mengurangi efek samping kemoterapi, terutama dalam pemenuhan kebutuhan energi dan protein. Dalam penelitian ini digunakan 111 data menu makanan yang terdiri dari 31 menu makanan sumber karbohidrat, 34 menu makanan sumber protein hewani, dan 46 menu makanan sumber protein nabati. Metode yang digunakan adalah algoritme genetika, yaitu sebuah algoritme optimasi yang secara umum mirip dengan teori evolusi biologis dalam penentuan kromosom atau individunya. Representasi yang digunakan berupa representasi permutasi, dengan reproduksi menggunakan metode One-Cut Point Crossover dan Reciprocal Exchange Mutation. Hasil pengujian dan analisis kombinasi crossover rate dan mutation rate terhadap rata-rata nilai fitness menunjukkan 0,6;0,4 memiliki nilai rata-rata terbesar, yaitu 762,19. Pada pengujian banyak populasi, didapatkan ratarata nilai fitness tertinggi 631,16 pada populasi ke 300. Sedangkan pada pengujian banyak generasi, didapatkan rata-rata nilai fitness tertinggi 666,22 pada generasi ke 200. Kata kunci: optimasi, menu makanan, kanker, algoritme genetika Abstract One of the most feared disease in the world today is cancer. For cancer patients, various ways have been done, one of them is chemotherapy. But in chemoteraphy, patients will experience digestive and absorption of nutrients disorder, thus affecting the nutritional status of patients. So, the menu orders for cancer patients become the most important thing to reduce the side effect of chemoteraphy, especially in term to fulfill the needs of energy and protein. In this study, there are 111 food menu, consist of 31 foods source of carbohydrate, 34 foods source of animal protein, and 46 foods source of plant protein.The method in this study using genetic algorithm, which is an optimization algorithm that similar to evolution theory in case determining the chromosomes or individual.The representation used is a permutation representation, with One-Cut Point Crossover and Reciprocal Exchange Mutation methods. The results and analysis of crossover rate and mutation rate combination against the average fitness value showed 0,6;0,4 has the largest average value, which is 762,19. In population test, the highest average fitness score was 631,16 in the 300th population. While in generation test, the highest average fitness value was 666,22 in the 200th generation. Keywords: optimization, food menu, cancer, genetic algorithm kanker telah menyebabkan lebih dari 8.200.000 jiwa meninggal dunia, yaitu sebesar 13% dari seluruh kasus kematian yang ada di dunia (WHO, 2016). Jenis penyakit kanker sendiri terdapat lebih dari 100 jenis dan merebak di dunia dengan bermacam-macam diagnosa dan pengobatan. Berbagai usaha telah dilakukan untuk mencegah dan bahkan menghilangkan
1. PENDAHULUAN Kanker merupakan salah satu penyakit yang memiliki penderita terbanyak dan paling ditakuti di dunia saat ini. Banyak orang masih beranggapan bahwa kanker merupakan penyakit yang sulit untuk disembuhkan dan memiliki resiko kematian yang tinggi. Kasus penyakit Fakultas Ilmu Komputer Universitas Brawijaya
1850
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
kanker, dengan operasi, kemoterapi, dan berbagai macam cara lainnya. Kegiatan kemoterapi yang dilakukan oleh penderita kanker menimbulkan beberapa efek samping seperti mual, muntah, sariawan, radang tenggorokan, dan gangguan pencernaan. Selain itu, efek samping dari kemoterapi yang dilakukan oleh penderita kanker mempengaruhi pencernaan dan penyerapan zat gizi sehingga mempengaruhi status gizi penderita tersebut (Sartono, dkk). Kondisi ini sering disebut sebagai malnutrisi. Terjadinya malnutrisi biasanya disebabkan karena kurangnya asupan makanan dan malabsorpsi akibat tumor atau kanker yang diderita dan perubahan proses metabolisme dalam tubuh penderita. Dari kondisi ini, penderita kanker memerlukan nutrisi atau gizi yang baik sebagai terapi nutrisi penderita kanker (Kusuma, 2014). Oleh karena itu perbaikan gizi pada penderita kanker menjadi faktor penting dalam proses penyembuhan penyakit, dapat meningkatkan daya tahan tubuh terhadap infeksi dan mengurangi gejala akibat efek samping pengobatan atau kemoterapi yang dijalankan. Pengaturan menu bagi penderita kanker sangat penting sesuai dengan kebutuhan gizi penderita tersebut, terutama dalam pemenuhan energi dan protein (Uripi, 2002). Tidak hanya energi dan protein yang diperhitungkan, namun faktor gizi seperti karbohidrat dan lemak juga harus diperhatikan agar tetap seimbang. Pada penelitian yang dilakukan oleh Sartono, dkk. menyebutkan pula bahwa penderita kanker yang menjalani kemoterapi diberikan makanan dengan kandungan utama berupa protein, glukosa, vitamin A dan C. Oleh karena itu digunakan kombinasi zat gizi berupa karbohidrat, protein, dan lemak dalam penelitian ini. Pada penelitian yang dilakukan oleh Wahid (2015), algoritme genetika digunakan sebagai metode untuk mengoptimasikan komposisi makanan untuk penderita kolesterol, yang menghasilkan rekomendasi bahan makanan yang sesuai dengan kebutuhan gizi dari penderita kolesterol tersebut beserta dengan detail kandungan gizinya. Penelitian lain yang dilakukan oleh Suci (2015) membuktikan bahwa algoritme genetika dapat mengoptimasi biaya pemenuhan gizi dan nutrisi pada manusia lanjut usia, menghasilkan menu seimbang selama satu hari dengan total biaya yang minimum. Oleh karena itu, algoritme genetika dinilai sebagai metode yang paling tepat dan akan digunakan Fakultas Ilmu Komputer, Universitas Brawijaya
1851
sebagai metode optimasi dalam penelitian ini. Penelitian ini menggunakan data primer dan data sekunder. Data tersebut berupa 111 menu makanan untuk penderita kanker di Rumah Sakit Cipto Mangunkusumo Jakarta dan data pasien kanker aktual untuk melakukan pengujian. Tujuan dari penelitian ini adalah untuk merancang dan suatu sistem optimasi yang dapat membatu penderita kanker untuk mengetahui komposisi menu makanan yang dapat dikonsumsi sesuai dengan kebutuhan gizinya. Selain itu, diharapkan dengan adanya optimasi menu makanan ini dapat membantu penderita kanker menentukan menu makanan yang sesuai dan bervariasi. 2. KANKER Kanker adalah suatu penyakit karena adanya sel yang berkembang dan penyebarannya tak terkontrol, menyerang berbagai bagian tubuh manusia, seperti di sel otak, sel darah, sel kulit, sel hati, dan sel lainnya. Kanker dapat diawali dari tumor yang berkembang di bagian tubuh yang terus berkembang dan menyebar dengan cepat. Menurut Harmanto (2005), ada beberapa faktor yang menjadi penyebab tumbuhnya kanker seperti faktor keturunan dari orang tua atau dari nenek moyang, sinar UV dan radioaktif dari matahari, makanan yang dibakar, infeksi menahun, diet tidak sesuai panduan dokter, konsumsi obat-obatan, konsumsi alkohol, merokok, makan makanan berlemak tinggi, memiliki daya tahan tubuh buruk, dan selalu berganti pasangan dalam hal seks. Bagi penderita kanker, terapi nutrisi menjadi salah satu hal yang paling penting untuk mencegah defisiensi nutrien, mempertahankan berat badan tubuh, dan mengurangi efek samping dari radioterapi atau kemoterapi yang dijalani. Untuk kebutuhan nutrisi harus memenuhi kebutuhan nutrien dengan mengkonsumsi sumber protein, karobhidrat, lemak, mineral, vitamin, dan cairan (Hariani, 2007). Menurut pakar, penderita kanker secara normal membutuhkan 45%-65% karbohidrat, 10%-20% protein, dan 25%-35% lemak dari kalori yang dihitung. Kalori tersebut dapat ditentukan dengan menghitung indeks massa tubuh seperti pada persamaan (1).
IMT Keterangan:
BB (TBxTB )
(1)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
IMT = Indeks Massa Tubuh BB = Berat Badan TB = Tinggi Badan 3. ALGORITME GENETIKA Algoritme Genetika pertama kali dikenalkan oleh John Holland untuk menyelesaikan masalah optimasi. Proses yang terjadi dalam algoritme genetika secara umum mirip dengan teori evolusi biologis penentukan kromosom atau individu dengan kualitas tinggi dlam suatu kawasan yang dikenal sebagai populasi (Saputro & Mahmudy, 2015). Menurut Hannawati, dkk (2002), secara umum algoritme genetika memiliki beberapa tahapan sebagai berikut: 1. Penentukan nilai awal. 2. Populasi awal. 3. Proses reproduksi. 4. Proses kawin silang. 5. Mutasi. 6. Proses seleksi. Perancangan sistem pada penelitian ini dibuat berdasarkan tahapan pada algoritme genetika. Alur penyelesaian masalah optimasi menu makanan untuk penderita kanker ditunjukkan pada Gambar 1. Mulai
1852
pada penelitian ini berupa representasi permutasi dengan jangkauan 1-55. Pada satu kromosom terdiri dari beberapa gen yang terbentuk dari hasil 12 gen dikali banyaknya hari. Setiap gen pada kromosom merepresentasikan 1 sumber makanan, namun khusus untuk protein hewani direpresentasikan dengan 2 gen. Contoh representasi kromosom untuk 2 hari ditunjukkan pada Gambar 2. Hari-1 Pagi
Siang
KH
PH
PH
PN
KH
PH
PH
PN
5
14
11
2
7
9
17
55
Malam KH
PH
PH
PN
52
43
47
27 Hari-2
Pagi
Siang
KH
PH
PH
PN
KH
PH
PH
PN
38
33
31
21
22
44
20
8
Malam KH
PH
PH
PN
1
10
39
53
Gambar 2. Representasi Kromosom berat badan(bb), tingg badan(tb), pop, cr, mr, jumlah generasi
Perhitungan Kebutuhan Kalori Penderita Inisialisasi Populasi Awal
int i = 0; i to generasi-1
One-Cut Point Crossover Reciprocal Exchange Mutation Populasi Gabungan
Evaluasi
Seleksi Elitism Poppulasi Baru
i
Selesai
Gambar 1. Alur Perancangan Sistem
3.1. Representasi Kromosom Representasi kromosom yang digunakan Fakultas Ilmu Komputer, Universitas Brawijaya
Keterangan: KH = Karbohidrat PH = Protein Hewani PN = Protein Nabati Dalam 1 hari, 1 kromosom terdiri dari pagi, siang, dan malam. Masing-masing waktu memiliki 4 gen, yang terdiri dari 1 sumber karbohidrat, 2 sumber protein hewani, dan 1 sumber protein nabati. Sehingga apabila terdiri dari 2 hari, panjang kromosom adalah 24 gen. 3.2. Proses Crossover Proses crossover dilakukan pada masingmasing hari. Dalam penelitian ini, metode yang digunakan berupa one-cut point crossover. Contoh proses crossover dapat dilihat pada Gambar 3. Hari-1 P1
2
16
13
3
1
45
52
...
P2
40
1
3
6
7
23
45
...
C1
2
16
13
3
1
23
45
...
C2
40
1
3
6
7
45
52
...
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Hari-2 P1
30
21
12
8
36
...
41
P2
36
38
31
28
22
...
26
C1
30
21
31
28
22
...
26
C2
36
38
12
8
36
...
41
Gambar 3. Proses Crossover
3.3. Proses Mutasi Proses mutasi dilakukan pada masingmasing hari dalam satu kromosom. Dalam penelitian ini, metode yang digunakan berupa reciprocal exchange mutation. Contoh proses mutasi dapat dilihat pada Gambar 4. Hari-1 P3
10
11
42
...
8
16
20
21
55
C3
10
16
42
...
8
11
20
21
55
Hari-2 P3
51
28
25
45
44
...
31
40
50
7
C3
51
28
25
45
31
...
44
40
50
7
Gambar 4. Proses Mutasi
1853
grKh = kebutuhan karbohidrat penderita grPr = kebutuhan protein penderita grKh = kebutuhan karbohidrat penderita kh(i) = total karbohidrat yang didapatkan dari menu hari ke-i pr(i) = total protein yang didapatkan dari menu hari ke-i lm(i) = total lemak yang didapatkan dari menu hari ke-i totalPenalti(i) = total penalti individu-j yang terdiri dari total penalti Sedangkan untuk melakukan perhitungan nilaiVariasi masing-masing kromosom, dilakukan dengan melihat menu yang dibuat untuk hari yang berbeda. Apabila terdapat kesamaan, maka nilai variasinya 0. Apabila tidak ada kesamaan dengan hari lainnya, maka nilai variasinya 1. 4. IMPLEMENTASI Implementasi antarmuka pada penelitan ini terdiri dari 3 tab utama, yaitu halaman Home, halaman Algoritme Genetika, dan halaman Data Menu Makanan. Implementasi antarmuka halaman Home ditunjukkan pada Gambar 5.
3.4. Perhiungan Fitness Perhitungan fitness dilakukan pada masingmasing kromosom dengan menghitung penalti gizi dan variasi. Menghitung penalti gizi dapat menggunakan rumus pada Persamaan (2). fitness(i ) (
1000 ) nilaiVariasi(i ) totalPenalti(i )
(2) fitness(i) = nilai fitness individu ke-i totalPenalti(i) = total penalti gizi individu ke-i nilaiVariasi(i) = nilai variasi individu ke-i Perhitungan totalPenalti masing-masing kromosom dilakukan dengan menggunakan Persamaan (3) dan Persamaan (4). penalti(i)= α1*|(grKh-kh(i))| + α2*|(grPr-pr(i))| + α3*|(grLm-lm(i))| (3) totalPenalti(j)= penalti(i) + penalti(i+1) +...+ penalti(n) (4) Keterangan: penalti(i) = penalti hari ke-i pada satu kromosom α1 = bilangan konstanta karbohidrat α2 = bilangan konstanta protein α3 = bilangan konstanta lemak Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 5. Antarmuka Halaman Home Halaman Home berisi tampilan form yang dapat diisi oleh user untuk memasukkan parameter penderita dan parameter algoritme genetika yang dibutuhkan. Sedangkan untuk implementasi halaman Algoritme Genetika terdiri dari 4 tab yang berisi detail dari perhitungan, yaitu tab Kromosom Awal, tab Reproduksi, tab Gabungan dan Seleksi, dan tab Individu Terbaik. Selain itu, terdapat pula implementasi halaman Daftar Menu Makanan yang berisi data makanan dalam database. Contoh tab Kromosom Awal ditunjukkan pada Gambar 6. Sedangkan untuk contoh tab Reproduksi ditunjukkan pada Gambar 7.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1854
pengujian terhadap parameter banyak generasi. 5.1. Hasil dan Analisis Pengujian Kombinasi Cr dan MR
Gambar 6. Antarmuka tab Kromosom Awal
Pengujian kombinasi cr dan mr dilakukan dengan menggunakan 11 jenis kombinasi yaitu 0;1, 0,1;0,9, 02;0,8, 0,3;0,7, 0,4;0,6, 0,5;0,5, 0,6;0,4, 0,7;0,3, 0,8;0,2, 0,9;0,1; 1;0. Dalam pengujian parameter ini, digunakan data pasien dengan berat badan 56 kg, tinggi badan 169 cm, dan banyak hari untuk susunan menu sebanyak 2 hari. Sedangkan parameter algoritme genetika yang digunakan berupa 400 populasi dan 200 generasi. Dari data hasil pengujian dapat dibuat grafik untuk mengetahui pengaruh kombinasi cr dan mr terhadap nilai fitness seperti pada Gambar 9.
800,00 700,00 600,00 500,00 400,00
0;1 0,1;0,9 0,2;0,8 0,3;0,7 0,4;0,6 0,5;0,5 0,6;0,4 0,7;0,3 0,8;0,2 0,9;0,1 1;0
Nilai Fitness
Hasil Pengujian Kombinasi Cr dan Mr
Cr;Mr Gambar 7. Antarmuka tab Reproduksi
Gambar 8. Antarmuka tab Individu Terbaik
Pada Gambar 8 ditunjukkan hasil individu terbaik yang ditampilkan dalam bentuk text. 5. PENGUJIAN DAN ANALISIS Pada penelitian ini terdapat 3 jenis pengujian, yaitu pengujian kombinasi crossover rate (Cr) dan mutation rate (Mr), pengujian terhadap parameter banyak populasi, dan Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 9. Hasil Pengujian Kombinasi Cr dan Mr
Hasil pengujian kombinasi Cr dan Mr pada Gambar 9 menunjukkan hasil rata-rata fitness tertinggi berada pada kombinasi Cr dan Mr 0,6;0,4 dengan nilai 762,19. Sedangkan untuk rata-rata fitness terendah berada pada kombinasi 0;1 dengan rata-rata fitness 508,74. Grafik tersebut membuktikan bahwa nilai crossover rate yang rendah dengan nilai mutation rate yang tinggi akan menghasilkan generasi yang tidak dapat belajar dari generasi sebelumnya, sehingga dalam ruang pencarian tingkat eksploitasinya rendah. Sedangkan nilai crossover rate tinggi dan mutation rate rendah, tidak dapat membuat beragam populasi, karena proses algoritme genetika hanya bergantung pada salah satu proses reproduksi saja dan menghasilkan populasi baru yang mirip dengan induknya (Mahmudy, 2015). 5.2. Hasil dan Analisis Pengujian Terhadap Parameter Banyak Populasi Pengujian terhadap parameter banyak populasi dilakukan dengan menggunakan 14
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
data dengan interval 50, 100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 650, dan 700. Dalam pengujian parameter ini, digunakan data pasien dengan berat badan 56 kg, tinggi badan 169 cm, dan banyak hari untuk susunan menu sebanyak 2 hari. Sedangkan parameter algoritme genetika yang digunakan berupa crossover rate 0,6, mutation rate 0,4, dan 200 generasi. Dari data hasil pengujian dapat dibuat grafik untuk mengetahui pengaruh banyak populasi terhadap nilai fitness seperti pada Gambar 10. Hasil Pengujian Terhadap Parameter Banyak Populasi 700,00
1855
5.3. Hasil dan Analisis Pengujian Terhadap Parameter Banyak Generasi Pengujian terhadap parameter banyak generasi dilakukan dengan menggunakan 14 data dengan interval 50, 100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 650, dan 700. Dalam pengujian parameter ini, digunakan data pasien dengan berat badan 56 kg, tinggi badan 169 cm, dan banyak hari untuk susunan menu sebanyak 2 hari. Sedangkan parameter algoritme genetika yang digunakan berupa crossover rate 0,6, mutation rate 0,4, dan 300 populasi. Dari data hasil pengujian dapat dibuat grafik untuk mengetahui pengaruh banyak generasi terhadap nilai fitness seperti pada Gambar 11. Hasil Pengujian Terhadap Parameter Banyak Generasi
500,00 400,00 300,00
700,00
200,00
600,00
100,00
500,00
Banyak Populasi
Gambar 10. Hasil Pengujian Terhadap Parameter Banyak Populasi
Hasil pengujian terhadap parameter banyak populasi pada Gambar 10 menunjukkan hasil rata-rata fitness tertinggi berada pada populasi ke 300 dengan nilai 631,16. Sedangkan untuk ratarata fitness terendah berada pada populasi ke 50 dengan nilai 384,15. Setelah populasi ke 300 mengalami penurunan dan kenaikan yang tidak terlalu signifikan. Penurunan nilai rata-rata fitness terjadi karena kromosom yang disusun pada setiap pengujian terdiri dari gen-gen yang acak, sehingga susunan pada satu kromosom belum tentu memiliki nilai yang baik. Gen acak tersebut tidak hanya didapat dari inisialisasi awal, melainkan pada proses crossover dan proses mutasi juga. Pada pengujian populasi ke600 telah mencapai nilai konvergen karena tidak terjadi perubahan rata-rata nilai fitness yang signifikan. Pada pengujian populasi ke-600 ratarata nilai fitness yang dihasilkan lebih kecil dari populasi sebelumnya. Hal ini menunjukkan bahwa semakin besar populasi belum tentu menghasilkan nilai yang optimal karena susunan kromosom acak untuk setiap pengujian bisa saja mirip satu dengan yang lainnya, sehingga tidak didapatkan populasi yang terlalu beragam. Fakultas Ilmu Komputer, Universitas Brawijaya
400,00 300,00 200,00 100,00 0,00
50 100 150 200 250 300 350 400 450 500 550 600 650 700
50 100 150 200 250 300 350 400 450 500 550 600 650 700
0,00
Nilai Fitness
Nilai Fitness
600,00
Banyak Generasi Gambar 11. Hasil Pengujian Terhadap Parameter Banyak Generasi
Hasil pengujian terhadap parameter banyak generasi pada Gambar 11 menunjukkan hasil rata-rata fitness tertinggi berada pada generasi ke 200 dengan nilai 666,22. Sedangkan untuk ratarata fitness terendah berada pada generasi ke-50 dengan nilai 282,96. Pada pengujian generasi ke50 hingga ke generasi ke-150 mengalami kenaikan yang signifikan. Hal ini terjadi karena pada generasi tersebut terjadi proses perbaikan turunan dari proses reproduksi secara optimal. Sedangkan, pada generasi ke-200, nilai fitness sudah mulai stabil menuju konvergen, karena pada generasi tersebut proses untuk memperbaiki turunan sudah tidak dilakukan secara optimal. Pada pengujian generasi ke-400 telah mencapai nilai konvergen karena tidak ada perubahan rata-rata nilai fitness yang signifikan. Pada pengujian generasi ke-400 rata-rata nilai fitness yang dihasilkan lebih kecil dari generasi sebelumnya, hal ini menunjukkan bahwa
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
semakin besar generasi belum menghasilkan nilai yang optimal.
tentu
5.4. Analisis Global Hasil Pengujian Berdasarkan hasil pengujian parameter agoritma genetika, maka didapatkan nilai parameter optimal dengan jumlah populasi sebanyak 300, jumlah generasi sebanyak 200, dan kombinasi Cr;Mr adalah 0,6;04. Tabel 1 akan menjabarkan contoh penderita yang digunakan untuk proses pengujian Tabel 1. Data Aktual Pasien Nama Karbohidrat Protein (gram) (gram)
No.
Lemak (gram)
1.
Penderita A
168
56
33
2.
Penderita B
165
41
31
3.
Penderita C
250
67
47
Kemudian nilai parameter tersebut diuji dengan data aktual pasien untuk diketahui persentase kecukupan kandungan gizi antara data aktual pasien dengan hasil sistem seperti pada Tabel 2. Nama
Tabel 2. Hasil Pengujian Sistem Hari Karbohidrat Protein ke(gram) (gram)
Penderita A
1
124,1
52,4
35,1
2
125,4
50,7
32,7
124,75 (26%)
51,55 (-8%)
33,9 (3%)
1
141,5
57,5
39
2
142,7
57,8
38,2
142,1 (14%)
57,65 (29%)
38,6 (20%)
1
175,9
69,2
47,2
2
174,7
69
47
175,3 (30%)
69,1 (3%)
47,1 (0%)
Rata-Rata Penderita B Rata-Rata Penderita C Rata-Rata
Lemak (gram)
Dilihat dari hasil pengujian terhadap tiga orang penderita kanker tersebut, Penderita A, sistem memenuhi kebutuhan karbohidrat sebanyak 124,75 gram, kebutuhan protein sebanyak 51,55 gram, dan kebutuhan lemak Fakultas Ilmu Komputer, Universitas Brawijaya
1856
sebanyak 33,9 gram. Hasil pengujian sistem terhadap Penderita B menunjukkan bahwa sistem memenuhi 142,1 gram kebutuhan karbohidrat, 57,65 gram kebutuhan protein, dan 38,6 gram kebutuhan lemak. Sedangkan hasil pengujian sistem terhadap Penderita C menunjukkan bahwa sistem memenuhi 175,3 gram kebutuhan karbohidrat, 69,1 gram kebutuhan protein, dan 47,1 gram kebutuhan lemak. Kemudian masing-masing kandungan gizi tersebut dihitung persentase toleransinya, masing-masing kandungan gizi ±10%. Dilihat dari hasil pengujian terhadap tiga orang penderita kanker tersebut, Penderita A memiliki selisih karbohidrat -26%, Penderita B memiliki selisih karbohidrat sebanyak -14%, dan Penderita C memiliki selisih karbohidrat sebanyak -30%. Selisih negatif yang dihasilkan sistem menunjukkan bahwa kandungan gizi yang diberikan dari hasil rancangan sistem tidak memenuhi kebutuhan penderita tersebut. Sedangkan pada penderita B, kandungan gizi protein dan lemak memiliki persentase toleransi yang melebihi batas yang disarankan yaitu sebesar 29% dan 20%. Pada pengujian terjadi selisih negatif yang kurang dari batas toleransi dan selisih positif yang melebihi batas toleransi karena susunan kromosom dibuat secara acak pada inisialisasi awal dan proses reproduksinya, sehingga kromosom yang terbentuk tidak selalu memiliki nilai yang baik. Selain itu, kombinasi crossover rate dan mutation rate juga berpengaruh dalam pengujian. Hasil optimal yang didapatkan pada crossover rate menunjukkan nilai yang lebih tinggi. Hal ini menyebabkan kromosom yang terbentuk pada pengujian tidak terlalu bervariasi dan berdampak pada solusi yang diberikan menjadi tidak optimal. Hal lain yang menyebabkan hasil tidak sesuai dengan data aktual adalah kromosom yang digunakan dalam pengujian dengan pasien tidak mengoptimasi dari segi porsi. Porsi menu makanan yang digunakan pada sistem ini seluruhnya berjumlah 1 porsi, sehingga hasil rekomendasi menu makanan yang dihasilkan oleh sistem belum tentu mencukupi kebutuhan gizi dari masingmasing penderita. 6. KESIMPULAN Berdasarkan penelitian mengenai optimasi menu makanan untuk pemenuhan gizi penderita kanker dengan algoritme genetika, didapatkan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
beberapa kesimpulan yang dijabarkan sebagai berikut: 1.
2.
3.
Algoritme genetika dapat diterapkan untuk melakukan optimasi menu makanan untuk pemenuhan gizi penderita kanker dengan memberikan rekomendasi menu makanan yang lebih beragam dan dapat memenuhi kebutuhan gizi penderita tersebut. Pada penelitian ini, kebutuhan gizi yang terpenuhi berupa karbohidrat, protein, dan lemak yang dikonversi ke dalam gram. Selain itu, data yang dimasukkan di dalam algoritme genetika untuk optimasi menu makanan berupa 111 data menu yang terdiri dari karbohidrat, protein hewani, dan protein nabati. Menu makanan tersebut diambil dari data menu makanan Rumah Sakit Cipto Mangunkusumo Jakarta. Representasi kromosom yang digunakan untuk melakukan optimasi menu makanan untuk pemenuhan gizi penderita kanker ini berupa representasi permutasi. Setiap gen pada kromosom menggambarkan 1 jenis sumber makanan, khusus untuk protein hewani terdiri dari 2 gen. Pada bagian reproduksi, dilakukan dua tahap yaitu crossover dan mutasi. Metode yang digunakan untuk crossover adalah One-Cut Point, sedangkan untuk mutasi menggunakan metode Reciprocal Exchange. Tahapan seleksi yang digunakan adalah seleksi elitism. Solusi yang dihasilkan pada tahap pengujian menunjukkan hasil optimal dari sistem berada pada populasi sebanyak 300 dengan rata-rata fitness 631,16, generasi sebanyak 200 dengan rata-rata fitness 666,22, nilai crossover rate sebesar 0,6, dan nilai mutation rate sebesar 0,4.
Rumah Sakit Roemani Muhammadiyah Semarang. Jurnal Gizi Universitas Muhammadiyah Semarang vo.l 3 no. 2. Mahmudy, W.F. 2015. Modul Algoritma Evolusi. Program Teknologi Informasi dan Ilmu Komputer. Universitas Brawijaya. Malang. Sartono, SKM, M.Kes, Terati, SKM, M.Si dan Yunita Nazarena, S.Gz. Analisis Asupan Zat Gizi (Energi, Protein), Asupan Antioksidan (Vitamin A dan C) dengan Status Gizi Pasien Kanker Leher Rahim yang Menjalani Kemoterapi di RSUP Dr. Mohammad Hoesin Palembang. Palembang. Saputro, H.A., Wayan F.M. dan Candra D. 2015. Implementasi Algoritma Genetika untuk Optimasi Penggunaan Lahan Pertanian. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol 5 no. 12. Suci, W.W., Wayan F.M. dan Rekyan R.M.P. 2015. Optimasi Biaya Pemenuhan Gizi dan Nutrisi Pada Manusia Lanjut Usia Menggunakan Algoritma Genetika. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya vol. 15 no. 17. Uripi, Vera, S. Ked. 2002. Menu untuk Penderita Kanker. Jakarta: Puspa Swara. Wahid, N., Wayan F.M. 2015. Optimasi Komposisi Makanan untuk Penderita Kolesterol Menggunakan Algoritma Genetika. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol 5 no. 15. World
7. DAFTAR PUSTAKA Hariani, R. 2007. Kecukupan Nutrisi pada Pasien Kanker. Indonesian Journal of Cancer 4, hal. 140-143. Harmanto, N. 2005. Menu Aman & Sehat Bagi Penderita Kanker. Depok: PT Agromedia Pustaka. Hannawati, A., Thiang dan Eleazar. 2002. Pencarian Rute Optimum Menggunakan Algoritma Genetika. Jurnal Teknik Elektro vol. 2 no. 2. Kusuma, H.S., Maghfiroh dan Sufiati Bintanah. 2014. Hubungan Asupan Protein dan Kadar Albumin Pada Pasien Kanker di Fakultas Ilmu Komputer, Universitas Brawijaya
1857
Health Organization. Cancer. http://www.who.int/cancer/en/ (diakses: 27 Maret 2016).
