optimasi pengaturan menu dan takaran energi untuk
TRANSCRIPT
Prosiding SENTIA 2016 – Politeknik Negeri Malang Volume 8 – ISSN: 2085-2347
A-7
OPTIMASI PENGATURAN MENU DAN TAKARAN ENERGI UNTUK
PENDERITA JANTUNG MENGGUNAKAN ALGORITMA KOLONI
LEBAH BUATAN Oktriza Melfazen
Jurusan Teknik Elektro, Fakultas Teknik Universitas Islam Malang
ABSTRAK
Takaran makan yang tepat, merupakan salahsatu faktor penting yang sangat berpengaruh untuk menjaga
kestabilan kerja jantung. Hal terpenting dalam perencanaan makan penderita jantung adalah mengatur proporsi
energi dan nutrisi makro sesuai kondisi fisik. Energi basal adalah salah satu faktor penentu proporsi energi dan
nutrisi makro yang perlu diasup oleh penderita jantung. Untuk merealisasikan takaran menu dan energi optimal
yang perlu diasup, dilakukan penelitian dengan menerapkan algoritma koloni lebah buatan. Desain dan realisasi
sistem menggunakan program Borland Delphi 7, dijalankan pada sistem operasi Windows. Data uji didapatkan
dari konsultan gizi. Penilaian unjuk kerja sistem dalam menghasilkan nilai optimal takaran menu dan energi
dilakukan dengan uji verifikasi bersama ahli gizi. Dalam pengujian, masukan berupa data fisik dan menu makanan
yang diinginkan, algoritma koloni lebah buatan dapat bekerja untuk menghasilkan takaran menu dan energi serta
nutrisi makro optimal. Proses optimasi takaran menu, takaran energi dan nutrisi makro terbaik didapatkan pada
pengaturan parameter populasi 50, iterasi 40, siklus 1000, Scout Production Period 100, laju perubahan 0,6.
Penggunaan algoritma ini untuk mendapatkan takaran menu dan energi optimal dengan error maksimal adalah
sebesar 0,94..
Kata Kunci— Optimasi Koloni Lebah Buatan, Takaran Energi, Penyakit Jantung, Energi Basal
1. Pendahuluan
Algoritma koloni lebah buatan merupakan salah
satu algoritma optimasi untuk menemukan nilai x
sedemikian hingga menghasilkan f(x) yang bernilai
sekecil atau sebesar mungkin untuk suatu fungsi f
yang diberikan, yang mungkin disertai dengan
beberapa batasan pada x. Optimasi koloni lebah
buatan adalah algoritma optimasi global, memerlukan
cukup tiga parameter kontrol (ukuran populasi,
jumlah siklus maksimum dan limit) yang ditentukan
pengguna [1].
Pada penelitian ini optimasi dengan algoritma
koloni lebah buatan diterapkan untuk memberi solusi
perhitungan energi dan nutrisi makro serta ukuran
penyajian makanan harian penderita penyakit jantung.
Hasilnya berupa takaran menu, takaran energi
optimal harian dengan detail komposisi nutrisi makro
yang dibutuhkan serta variasi makanan yang ingin
dikonsumsi sesuai jumlah energi yang sudah
ditentukan mengacu pada variabel masukan yang
diberikan. Pengaturan makan yang tepat pada
penyakit jantung adalah salah satu cara penanganan
untuk membantu pengendalian kestabilan kerja
jantung, dengan mengatur proporsi nutrisi makro dan
energi sesuai kondisi penderitanya. Pemenuhan
kebutuhan energi dan nutrisi makro disesuaikan
dengan jenis kelamin, usia, data antropometri dan
kondisi khusus lainnya.
2. Dasar Teori
2.1 Kebutuhan Nutrisi Bagi Penderita Jantung Untuk penghitungan kebutuhan energi basal
untuk penderita jantung diperlukan data-data berupa
tinggi badan (BB), berat badan (BB), usia, jenis
kelamin [2]. Berat badan dapat dihitung dengan
rumus berikut :
BB estimasi = (TB estimasi - 100) x 90%
Setelah data berupa tinggi badan dan berat badan
ideal diketahui maka kebutuhan energi basal pada
seseorang dapat diketahui dengan menggunakan
persamaan berikut ini [2]:
Kebutuhan energi basal (wanita)
= 655 + (9,56 x BB) + (1,85x TB) – (4,68xU)
Kebutuhan energi basal (pria)
= 66,5+(13,75 x BB) +(5 x TB) – (6,78 x U)
Dengan BB = berat badan
TB = tiggi badan
U = usia pasien
Energi basal (EB) yang telah diketahui digunakan
untuk menentukan total energi. Total energi (E)
dipengaruhi oleh 3 faktor yaitu faktor aktivitas, faktor
stress dan energi basal. Sesuai yang tertera pada
persamaan berikut [2]:
Total E = EB *faktor stress * faktor aktivitas
Dengan faktor stress adalah 1.6 hingga 1.8 dan faktor
aktifitas 1 (untuk sakit jantung).
Setelah mengetahui jumlah total energi,
persentase dari kebutuhan nutrisi makro (karbohidrat,
lemak, dan protein) dapat disesuaikan dengan kondisi
pasien. Bila persentase zat-zat tersebut telah diketahui
maka proses penentuan bahan makanan yang sesuai
untuk dikonsumsi pasien dapat lebih mudah, dengan
mengkonversi presentase energi kedalam gram untuk
masing-masing nutrisi makro.
Dalam proses konversi nantinya hasil presentase
dalam satuan energi akan dikalikan faktor konversi
yang akan mengubah satuan zat gizi ke dalam gram.
Prosiding SENTIA 2016 – Politeknik Negeri Malang Volume 8 – ISSN: 2085-2347
A-8
Dasar perhitungan konversi adalah sebagai berikut
[3],[4]:
1 gram karbohidrat = 4 kalori,
1 gram lemak = 9 kalori
1 gram protein = 4 kalori
Dengan metode di atas dapat dicari jenis maupun
menu makanan saji yang sesuai dengan kondisi
pasien penderita jantung.
2.2 Algoritma Koloni Lebah Buatan
Algoritma koloni lebah buatan adalah algoritma
berbasis koloni yang didasarkan pada model perilaku
koloni lebah madu mencari makanan. Algoritma ini
mengerahkan koloni lebah madu tiruan untuk
mencari sumber makanan tiruan yang kaya (solusi-
solusi terbaik untuk permasalahan yang ada) dan
meninggalkan sumber makanan (solusi) yang tidak
baik [5].
Suatu koloni terdiri dari tiga kelompok lebah:
employed bees, onlookers dan scout. Setengah bagian
koloni adalah employed bees dan setengahnya lagi
adalah onlookers. Pada setiap sumber makanan hanya
terdapat satu employed bees. Permasalahan optimasi
awalnya diubah menjadi permasalahan untuk mencari
vektor paramater terbaik yang meminimasikan fungsi
tujuan. Kemudian lebah-lebah tiruan akan
menemukan sebuah populasi dari vektor solusi awal
secara acak, selanjutnya memperbaikinya secara
iterasi dengan menerapkan strategi bergerak ke arah
solusi yang lebih baik dengan memanfaatkan
mekanisme pencarian pesekitaran (neighbour search
mechanism) dan mengabaikan solusi-solusi yang
kurang baik.
Gambar 1. Gerakan Lebah Mencari Sumber
Makanan (Karaboga, 2011 : 3)
Penelitian terdahulu untuk penerapan algoritma
koloni lebah buatan pada beberapa permasalahan [5]-
[7], menyebutkan kelebihannya antara lain : (1)
Sangat efisien dalam mencari solusi optimal, (2)
Dapat dijalankan dengan parameter kontrol
seminimal mungkin, (3) Remarkable robustness, (4)
Hasil proses optimasi lebih cepat dibanding algoritma
lain dengan tingkat keberhasilan tinggi dan akurat, (5)
Kandidat solusi dihasilkan dengan operasi sederhana.
Langkah-langkah utama proses optimisasi algoritma
koloni lebah buatan diuraikan sebagai berikut [6]:
1. Inisialisasi posisi sumber makanan.
2. Tentukan sumber makanan lama yang harus
ditinggalkan dan alokasikan lebah pekerja sebagai
scout untuk mencari sumber makanan baru
berdasarkan pencarian acak memakai rumus (1).
𝑥𝑖𝑗
= 𝑥𝑚𝑖𝑛𝑗
+ 𝑟𝑎𝑛𝑑[0,1](𝑥𝑚𝑎𝑥𝑗
− 𝑥𝑚𝑖𝑛𝑗
) (1)
Diasumsikan sumber makanan yang ditinggalkan
adalah xi dan j {1,2,….,D}.
3. Gerakkan lebah pekerja menuju sumber-sumber
makanan dan tentukan jumlah nektarnya. Untuk
tiap lebah pekerja, sebuah sumber makanan baru
dihasilkan melalui rumus (2).
𝑉𝑖𝑗 = 𝑥𝑖𝑗 + 𝜑𝑖𝑗(𝑥𝑖𝑗 − 𝑥𝑘𝑗) (2)
Dengan
Vij = kandidat posisi sumber makanan baru
xij = area sumber makanan
k{1,2,..,SN},indeks yang dipilih secara acak
j{1,2,…,D}, indeks yang dipilih secara acak
𝜑𝑖𝑗= nilai acak antara [-1,1]
4. Gerakkan lebah onlooker menuju sumber-sumber
makanan dan tentukan jumlah nektarnya. Onlooker
bee memilih sebuah sumber makanan
menggunakan perhitungan probabilitas (1) dan
mendapatkan sebuah sumber makanan baru dalam
area sumber makanan yang telah dipilih melalui
rumus (3).
𝑃𝑖 = 𝑓𝑖𝑡𝑖
∑ 𝑓𝑖𝑡𝑖𝑆𝑁𝑖=1
(3)
Dengan
Pi =sumber makanan baru terpilih
fiti=nilai fitness dari solusi I dengan jumlah nectar
yang proporsional pada sumber makanan
SN=jumlah sumber makanan (sama dengan
jumlah employed bees ataupun onlooker
bees).
5. Catat sumber makanan terbaik yang telah
ditemukan.
6. Ulangi langkah 2 sampai langkah 5 hingga kriteria
yang diinginkan terpenuhi.
3. Analisis Permasalahan
Permasalahan yang diharapkan dapat
diselesaikan dalam penelitian ini adalah : Bagaimana
menerapkan Algoritma Optimasi Koloni Lebah
Buatan dalam menentukan ukuran penyajian
makanan harian (energi dan nutrisi makro) yang
optimal untuk penderita jantung berdasarkan
perhitungan kebutuhan energi harian dengan
masukan tinggi badan, berat badan, usia, jenis
kelamin dan faktor aktifitas harian.
4. Perancangan Sistem
4.1 Perancangan Aliran Data Sistem
Gambar 5. Diagram Aliran Data
Penderita
Jantung
1
Kebutuhan
Energi
Pasien
3
Optimasi Energi
dengan ABCO
Masukkan
data pasien
2
Menu yang
diinginkan
Database
Menu
Masukkan menu yang
ingin dikonsumsi
Total asupan energi per hari
Komposisi menu sesuai energi yang dibutuhkan
Parameter masukan untuk
optimasi kebutuhan energi
pasien diolah dengan ABCO
Tambah/edit/hapus
menu makanan
4
Tambah/
edit/hapus
menu
Prosiding SENTIA 2016 – Politeknik Negeri Malang Volume 8 – ISSN: 2085-2347
A-9
Perlu dianalisis sebelum membuat perancangan
sistem, yaitu ruang lingkup sistem, tujuan sistem, dan
siapa saja yang terlibat dalam sistem tersebut.
Gambar 5 adalah gambaran sistem mengenai proses
yang perlu dilakukan secara rinci.
4.2 Perancangan Sistem dengan Algoritma
Koloni Lebah Buatan
Penelitian ini melibatkan ahli gizi dalam
melakukan observasi, mendapatkan data, review
pustaka dan pengujian sistem.
Parameter-parameter yang diperlukan pada proses
optimasi takaran energi direpresentasikan menjadi
parameter-parameter algoritma koloni lebah buatan.
Representasi tersebut dapat dilihat dalam Tabel 1.
Tabel 1. Representasi Algoritma Koloni Lebah
Buatan untuk Optimasi Energi dan Nutrisi Makro Algoritma Koloni
Lebah Buatan
Optimasi takaran energi untuk mendapatkan
energi harian penderita jantung
Posisi sumber makanan
Jumlah tiap menu makanan yang diasup dalam satu kali makan
Dimensi
Jumlah energi dan nutrisi makro yang
dibutuhkan sesuai kriteria masukan penderita jantung
Fitness Kandidat nilai kadar energi terpilih
4.3 Implementasi Algoritma Koloni Lebah Buatan
untuk Proses Optimasi
Pencarian nilai optimal takaran asupan energi
harian dilakukan pada setiap tahapan makan.
Langkah-langkah penyelesaian masalah tersebut
adalah:
4.3.1 Proses Kerja Sistem Proses bekerjanya sistem ini secara keseluruhan
dijelaskan dalam langkah-langkah berikut ini :
1. Pengguna meng-entry: data fisik (tinggi badan,
umur, jenis kelamin) dan menu makanan yang
ingin dimakan dalam 1 hari
2. Program melakukan tahap sebagai berikut:
a. Melakukan perhitungan berat badan ideal
b. Koreksi Body Mass Ratio (BMR) berdasar
faktor aktifitas
Total energi harian = BMR + (f.akt x BMR)
c. Perhitungan kebutuhan karbohidrat
d. Perhitungan kebutuhan nutrisi makro
e. Jalankan program koloni lebah buatan untuk
melakukan optimasi jumlah makanan yang
dikonsumsi mengikuti parameter di atas (a s/d
d).
4.3.2 Proses Optimasi Algoritma ABC
Proses penerapan Algoritma Koloni Lebah
Buatan dalam mengoptimasi energi dan nutrisi makro
adalah sebagai berikut :
Prosedur 1 : Pengaturan Parameter
Pengaturan parameter-parameter yang
diperlukan untuk berlangsungnya proses ini :
a. Parameter ABC. Parameter yang ditentukan
untuk melakukan optimasi. Terdiri atas
parameter optimasi dan parameter acuan ABC.
Parameter masalah yang akan dioptimasi (d).
Disediakan maksimal 6 jenis menu makanan
yang dapat diasup dalam 1 (satu) kali makan.
Parameter acuan berupa jumlah Populasi, Siklus
maksimum, jumlah Iterasi, Laju Perubahan,
Scout Production Period (SPP).
b. Pengaturan batas atas dan batas bawah (range)
dari parameter yang dioptimasi.
Prosedur 2 : Iterasi
Dalam satu putaran iterasi terdiri atas proses
berikut:
1. Inisialisasi. Membuat matriks x(i,j) secara acak
dengan matriks d (parameter optimasi) dan Np
(jumlah sumber makanan).
2. Best, melakukan perhitungan solusi terbaik
pertama dari matriks [d,Np] terhadap fungsi
utama terbaik, fitness terbaik, dan gangguan
terbaik. kemudian mencatatnya.
3. Melakukan pengulangan program di bawah ini
sejumlah siklus yang ditentukan untuk
medapatkan hasil terbaik dari seluruh siklus.
Lebah pekerja, menghasilkan modifikasi posisi
sumber makanan baru di lingkungan tetangga,
mengevaluasi jumlah nektar (fitness value dan
quality) dari sumber makanan baru tersebut dan
memilih satu solusi terbaik dari yang dihasilkan
semua lebah pekerja.
Onlooker bee, Setelah semua lebah bekerja
menyelesaikan proses pencarian, mereka
berbagi informasi nektar dari sumber makanan
dan informasi posisi mereka dengan onlooker
bee pada daerah tari dengan menghitung nilai
probabilitas.
𝑃𝑖 = 𝑓𝑖𝑡𝑖
∑ 𝑓𝑖𝑡𝑖𝑆𝑁𝑖=1
(5-2)
Best, melakukan perhitungan solusi terbaik dari
sumber makanan baru dari matriks [d,Np]
kemudian mencatatnya untuk fungsi utama
terbaik, fitness terbaik, dan gangguan terbaik.
Scout, setelah semua onlooker didistribusikan
maka sumber makanan yang tidak layak
disingkirkan dan diganti dengan sumber
makanan baru yang dihasilkan secara acak oleh
scout sesuai dengan periode produksinya.
Mencatat nilai terbaik yang dihasilkan oleh
sumber makanan dalam siklus yang dilakukan.
4. Menentukan nilai terbaik dari tiap-tiap siklus
yang telah dilakukan dan menjadikannya sebagai
nilai terbaik pada iterasi tersebut.
Proses langkah 1 s/d 4 diulangi sejumlah iterasi
yang ditetapkan, kemudian dicari nilai terbaik dari
semua iterasi. Nilai yang didapat adalah solusi terbaik
dalam proses optimasi menggunakan algoritma ini
dalam menentukan takaran energi.
4.3.3 Realisasi Antarmuka Pengguna
Antarmuka sistem dengan pengguna dibuat
dengan program visual Borland Delphi 7 dan telah
diusahakan agar semudah mungkin untuk
diaplikasikan oleh pengguna. Tampilan menu terdiri
atas tiga bagian yaitu : (1) menu utama; (2) sub menu
bahan makanan; (3) sub menu “menu makanan”.
5. Pengujian dan Analisis Sistem
Pengujian dan analisis dilakukan untuk
mengetahui kinerja algoritma koloni lebah buatan
Prosiding SENTIA 2016 – Politeknik Negeri Malang Volume 8 – ISSN: 2085-2347
A-10
pada sistem dalam menghasilkan nilai optimal
takaran energi. Pengujian menggunakan data uji
berupa data fisik penderita jantung yang menjadi
klien konsultan gizi.
Uji coba sistem bertujuan untuk mengetahui
apakah semua bagian menu dapat ditampilkan dan
beroperasi dengan baik. Dan mengetahui apakah
sistem yang dibuat dapat memenuhi kebutuhan
pengguna. Tampilan performansi sistem dalam
Gambar 6.
Gambar 6. Performansi Sistem
Sistem bisa dikatakan beroperasi dengan baik jika
dapat menampilkan kriteria sebagai berikut :
Menu Utama, pengguna entry data fisik, klik
tombol “hitung” sistem menampilkan kebutuhan
total energi dan nutrisi makro. Saat klik tombol
“ABC”, sistem menampilkan takaran menu
makanan yang dipilih serta takaran energi dan
nutrisi makro yang sesuai.
Sub Menu “Bahan Makanan”, menampilkan daftar
bahan makanan beserta kadar energi dan nutrisi
makro terkandung per 100 gram.
Sub Menu “Menu makanan”, menampilkan daftar
menu makanan yang tersedia serta bahan makanan
dan jumlah yang diperlukan untuk membuatnya
dengan hasil kadar energi dan nutrisi makro yang
diperlukan.
Untuk melihat kinerja algoritma koloni lebah
buatan pada sistem dalam menghasilkan nilai optimal
kadar asupan energi harian penderita jantung,
dilakukan pengujian dengan perubahan terhadap (1)
populasi, (2) iterasi, (3) siklus, (4) scout production
period [SPP], (5) laju perubahan [LP]. Data uji
(objek) yang digunakan :
Tabel 2. Data Fisik Penderita Jantung TB (cm) BB (kg) Usia (th) Sex F.Aktifitas
169 62 68 L Ringan
Menu makanan yang ingin diasup oleh penderita
jantung di-entry kedalam sistem, dalam Tabel 3.
Tabel 3. Data Daftar Menu Untuk Pengujian Makan Pagi Makan Siang Makan Malam
a. Nasi Putih a. Nasi putih a. Nasi putih
b. Sayur bayam bening
b. Rawon b. Sop daging
c. Tempe goreng c. Telur asin
rebus c. Tahu goreng
d. Apel d. Tahu goreng d. Terong
goreng e. Belimbing e. Duku
Proses hitung total energi dan kadar nutrisi makro
yang dibutuhkan berdasarkan data tersebut
menghasilkan data dalam Tabel 4.
Tabel 4. Kebutuhan Energi dan Nutrisi Makro Rincian Kebutuhan Nutrisi Per Hari Per Makan
Energi (kal) + 10% 1702.60 567.53
Karbohidrat (45% s/d 65%) min 191.70 63.90
Karbohidrat (45% s/d 65%) max 276.90 92.30
Protein (20%) 85.20 28.40
Lemak (25%) 47.00 15.67
5.1 Koloni Lebah dengan Perubahan Populasi
Diberikan data untuk parameter acuan algoritma
koloni lebah buatan dengan nilai Iterasi 3, Siklus
1000, SPP 400, LP 0.9 dan Populasi (5,10,30,50).
Hasil untuk pengujian parameter diatas terlihat pada
gambar 7.
Gambar 7. Grafik ABCO terhadap Perubahan
Populasi
Semakin tinggi nilai populasi, tingkat capaian
terhadap optimasi semakin baik. Jumlah populasi
yang besar juga menyebabkan proses untuk
menghasilkan nilai-nilai optimal butuh waktu cukup
lama sekitar 50 detik. Sedangkan nilai populasi kecil
hanya butuh waktu proses 2 detik hingga 5 detik.
5.2 Koloni Lebah dengan Perubahan Iterasi
Data parameter acuan algoritma koloni lebah
buatan dengan Iterasi (3, 10, 20, 40) dan Populasi 50,
Siklus 1000, SPP 400, LP 0.9. Hasil untuk pengujian
dengan parameter diatas terlihat pada Gambar 8.
Semakin banyak iterasi memberikan nilai
optimasi semakin baik. Nilai akhir didapat dari nilai
optimasi terbaik dari iterasi yang dilakukan. Kisaran
energi mendekati hasil perhitungan dengan iterasi 20
dan 40. Semakin besar iterasi, proses untuk
menghasilkan nilai optimasi jadi lambat, mencapai 20
detik hingga 25 detik.
Gambar 8. Grafik ABCO terhadap Perubahan
Iterasi
E HA P L E HA P L E HA P L
MAKAN_1 MAKAN_2 MAKAN_3
MAX 624 92,235,542,6 624 92,235,542,6 624 92,235,542,6
MIN 511 63,821,328,4 511 63,821,328,4 511 63,821,328,4
POP 5 515 83,4 21 11,7 744 88,927,130,1 654 93,618,730,6
POP 10 523 83,921,512,1 648 89,621,222,3 661 93,818,730,5
POP 30 541 86,422,112,6 732 88,625,9 30 678 93,819,131,1
POP 50 543 87,222,112,4 688 89,223,625,5 698 93,419,231,2
0100200300400500600700800
ABCO vs PERUBAHAN POPULASI
E HA P L E HA P L E HA P L
Makan Pagi Makan Siang Makan malam
MAX 624 92 35 43 624 92 35 43 624 92 35 43
MIN 511 64 21 28 511 64 21 28 511 64 21 28
I 3 542 87, 22, 12, 687 89, 23, 25, 697 93, 19, 31,
I 10 559 91 22 12 666 90 23 23 653 93 19 32
I 20 550 91, 20, 11, 646 89, 21, 21, 680 93, 18, 30,
I 40 518 88 19 9,9 642 90 21 21 685 93 19 31
0100200300400500600700800
ABCO vs PERUBAHAN ITERASI
Prosiding SENTIA 2016 – Politeknik Negeri Malang Volume 8 – ISSN: 2085-2347
A-11
5.3 Koloni Lebah dengan Perubahan Siklus
Data uji parameter acuan algoritma koloni lebah
buatan dengan Siklus (1000, 500, 250, 100) dan
Populasi 50, Iterasi 20, SPP 100, LP 0.9. Hasil
pengujian terlihat pada Gambar 9.
Semakin banyak nilai siklus nilai optimasi
semakin baik, karena nilai optimasi ditiap iterasi
didapat dari nilai terbaik dari tiap siklus. Besarnya
nilai siklus berpengaruh pada kecepatan proses
optimasi. Jumlah sikus sedikit (100) diselesaikan
dalam waktu + 4 detik.
Gambar 9. Grafik ABCO terhadap Perubahan
Siklus
5.4 Koloni Lebah dengan Perubahan Scout
Production Period (SPP)
Diberikan data untuk parameter acuan algoritma
koloni lebah buatan dengan Populasi 50, Iterasi 20,
Siklus 1000, SPP (400, 200, 100, 50), LP 0.9. Hasil
pengujian terlihat pada Gambar 10.
Gambar 10 Grafik ABCO terhadap Perubahan SPP
Dengan nilai SPP kecil, scout semakin sering
diproduksi, sehingga semakin sering terjadi pencarian
terhadap sumber makanan baru, data menjadi lebih
labil, akibatnya nilai optimasi jadi buruk. Jika SPP
terlalu besar, periode perubahan mencari sumber
makanan baru terlalu lama karena produksi scout
lambat sehingga proses pencarian sumber makanan
baru tidak optimal.
5.5 Koloni Lebah dengan Perubahan Laju
Perubahan (LP)
Data parameter acuan algoritma koloni lebah
buatan Populasi 50, Iterasi 20, Siklus 500, SPP 100
dan LP (0.9, 0.6, 0.3). Hasil pengujian dengan
parameter tersebut terlihat pada Gambar 11.
Gambar 11. Grafik ABCO terhadap Laju Perubahan
Laju perubahan berfungsi untuk membatasi
besarnya perubahan nilai acak pada algoritma ini
yang nilainya berkisar dari 0 hingga 1. Semakin besar
laju perubahan maka semakin baik nilai optimasi
yang didapat.
Semakin besar populasi, siklus dan iterasi, waktu
optimasi semakin lama. Besarnya populasi membuat
matriks optimasi semakin besar sedangkan semakin
besar siklus dan iterasi maka pengulangan untuk
mendapatkan nilai terbaik semakin banyak. Error
proses optimasi pada takaran energi dan nutrisi makro
terjadi saat kombinasi pemilihan menu dalam satu
kali makan tidak tepat. Contoh, pada uji makan siang
didapat nilai karbohidrat paling tepat tetapi
kebutuhan protein dan lemak kurang dari ketentuan,
sedang pada uji makan malam didapat nilai protein
dan lemak yang sesuai toleransi tetapi terjadi error
pada karbohidrat dengan error rata-rata 3% (dalam
batas toleransi).
Dari percobaan pada data uji, didapat nilai takaran
energi dan nutrisi makro optimal (dalam area
perhitungan). Ketahanan sistem untuk mendapatkan
nilai optimal adalah baik. Proses optimasi takaran
energi terbaik pada pengaturan parameter algoritma
koloni lebah dengan populasi 50, iterasi 40, siklus
1000, SPP 100, LP 0,6.
Verifikasi Sistem
Verifikasi sistem bertujuan untuk mengetahui
apakah penerjemahan algoritma koloni lebah buatan
untuk menemukan nilai optimal takaran energi dan
nutrisi makro yang dibutuhkan penderita jantung
telah sesuai standar yang diberlakukan oleh ahli gizi,
dengan membandingkan hasil dari sistem dengan
hasil perhitungan ahli gizi. Contoh kasus, penderita
jantung Tuan X, usia 65 tahun, TB 175 cm, BB 80 kg.
Kegiatan harian aktifitas ringan, berkebun dan jalan
sehat setiap pagi. Tuan X menyukai makanan apa saja
dan mengkonsumsi susu satu kali dalam sehari.
Dengan data tersebut, perhitungan kebutuhan
individu Tuan X berupa Berat Badan Ideal (BBI) 67,5
kg. Dengan BBI sebesar 67,5 kg, Tuan X
membutuhkan takaran energi dan nutrisi makro
seperti terlihat dalam Tabel 5.
E HA P L E HA P L E HA P L
Makan Pagi Makan Siang Makan malam
MAX 624 92,235,542,6 624 92,235,542,6 624 92,235,542,6
MIN 511 63,821,328,4 511 63,821,328,4 511 63,821,328,4
S 1000 521 87,619,8 24 669 90 23,123,3 677 92,819,429,8
S 500 512 84,120,611,1 638 89,820,821,2 662 93,118,530,1
S 250 482 83,118,48,96 620 89,819,519,9 647 92,918,630,5
S 100 504 83,8 20 10,5 632 89,720,220,8 666 93 19,131,2
0100200300400500600700800
ABCO vs PERUBAHAN SIKLUS
E HA P L E HA P L E HA P L
Makan Pagi Makan Siang Makan malam
MAX 624 92 35 43 624 92 35 43 624 92 35 43
MIN 511 64 21 28 511 64 21 28 511 64 21 28
SPP400 551 91 21 11 646 90 21 22 680 93 19 31
SPP200 562 93 21 12 632 90 21 21 676 93 19 31
SPP100 521 88 20 24 669 90 23 23 677 93 19 30
SPP50 518 84 21 12 649 90 22 22 673 93 19 31
0100200300400500600700800
ABCO vs PERUBAHAN SPP
E HA P L E HA P L E HA P L
Makan Pagi Makan Siang Makan malam
MAX 624 92 35 43 624 92 35 43 624 92 35 43
MIN 511 64 21 28 511 64 21 28 511 64 21 28
LP 0.9 512 84 21 11 638 90 21 21 662 93 19 30
LP 0.6 510 86 20 10 632 90 21 20 670 93 19 31
LP 0.3 508 83 21 11 645 90 21 21 663 94 19 31
0100200300400500600700800
ABCO vs LAJU PERUBAHAN
Prosiding SENTIA 2016 – Politeknik Negeri Malang Volume 8 – ISSN: 2085-2347
A-12
Tabel 5.Kebutuhan Nutrisi Penderita Jantung 1 Rincian Kebutuhan Nutrisi Per Hari Per Makan
Energi (kal) + 10% 2286.20 762.09 Karbohidrat (45% s/d 65%) min 257.20 85.73 Karbohidrat (45% s/d 65%) max 371.50 123.80 Protein (20%) 114.00 38.10 Lemak (25%) 63.10 21.00
Tuan X membutuhkan total energi 2286,20 sehari.
Dalam perencanaan menu makannya harus
menemukan komposisi menu yang dapat
memberikan takaran energi sebesar kebutuhan secara
tepat dan dibagi dalam tiga kali makan. Ketepatan
pemberian takaran energi ini yang sangat berperan
untuk membantu mendapatkan kondisi normal atau
stabil penderita jantung. Setelah memenuhi takaran
energi secara tepat, akan didapat juga pembagian
nutrisi makro dengan toleransi 10%, sehingga nutrisi
yang dikonsumsi sesuai kebutuhan. Dengan data
perhitungan total energi diatas, contoh perencanaan
makan yang dapat diasup oleh Tuan X dengan
ketentuan harus memenuhi kebutuhan takaran energi
dan nutrisi makro terlihat dalam Tabel 6.
Tabel 6. Perbandingan Rencana Menu Pakar dan
Sistem
Perencanaan Menu Makan Pakar Sistem Jmlh (gr) Jmlh (gr)
Total Makan Pagi 387.0 380.0 - Nasi beras putih 50.0 50.0 - Soto ayam 155.0 150.0 - Rolade tahu 50.0 55.0 - Pisang ambon 100.0 100.0 Total Energi 810.2 kal 807.0 kal Total Karbohidrat 76.5 101.3 Total Protein 29.9 31.4 Total Lemak 16.8 17.7 Total Makan Siang 465.0 470.0 - Steak daging 104.0 110.0 - Kentang goreng 115.0 110.0 - Wortel rebus 70.0 75.0 - Buncis rebus 76.0 75.0 - Pisang ambon 100.0 100.0 Total Energi 720.0 kal 722.5 kal Total Karbohidrat 75.6 63.43 Total Protein 27.1 19.68 Total Lemak 42.0 45.45 Total Makan Malam 500.0 510.8 - Nasi beras putih 200.0 150.1 - Asam pedas ikan 110.0 110.8 - Tahu goreng 50.0 50.0 - Susu 160.0 150.9 Total Energi 570.0 kal 566.1 kal Total Karbohidrat 75.6 75.1 Total Protein 25.8 26.9 Total Lemak 20.71 19.42
Grafik perbandingan persentase error kebutuhan
energi yang dihasilkan pakar dan nilai optimal yang
dihasilkan sistem terlihat dalam Gambar 12.
Gambar 12.Grafik Perbandingan % Error
Perhitungan Pakar dan Sistem Kasus Tuan X
Tampilan hasil optimasi takaran kalori dengan
sistem untuk kasus 1 ini terlihat dalam Gambar 13.
Gambar 13.Tampilan Optimasi Energi Kasus Tuan
X dengan ABCO
6. Kesimpulan
Kesimpulan yang didapatkan dari serangkaian
percobaan yang telah dilakukan dalam penelitian ini
bahwa : Algoritma koloni lebah buatan dapat bekerja
dengan baik untuk mengoptimasi perhitungan nilai
takaran energi dan nutrisi makro secara efektif
dengan proses singkat (+ 4 detik) untuk mencari nilai
optimal dengan error maksimal dalam mendapatkan
takaran energi optimal adalah sebesar 0,94. Proses
optimasi takaran energi terbaik untuk kasus yang
digunakan berada pada pengaturan parameter
algoritma koloni lebah dengan populasi 50, iterasi 40,
siklus 1000, Scout Production Period 100 dan Laju
Perubahan 0,6.
Daftar Pustaka
[1] Karaboga. Dervis. (2011, December 15), An Idea
Based On Honey Bee Swarm for Numerical
Optimization, Technical Report-TR06, Erciyes
University, Engineering Faculty, Computer
Engineering Department, Turkey: Springer-link,
2005.
[2] L. Kathelen Manahan & Marian Arrlin. 1996.
Krause’s Food, Nutrition and Diet Therapy 9
edition. W.B Saunders: USA
[3] Gibson, Rosalind S. 2005. Principles of
Nutritional Assessment second edition. Oxford
University Press:New York
[4] Almatsier, S. Prinsip Dasar Ilmu Gizi..Jakarta,
Gramedia, 2001.
[5] Teodorovic, D., Dell, M. O. (December 15,
2011). Bee colony optimization – a cooperative
learning approach to complex transportation
problems, In Proceedings of 10th EWGT
Meeting and 16th Mini EURO Conference, 2005.
[6] A. Malik., S. Abdullah. (2011, December 29),
Comparison on the Selection Strategies in the
Artificial Bee Colony Algorithm for Examination
Timetabling Problem., International Journal of
Soft Computing and Engineering (IJSCE) ISSN:
2231-2307, Volume-1, Issue-5, November 2011.
[7] Karaboga, Dervis. (2011, December 15),
Artificial bee colony (ABC) optimization
algorithm for solving constrained optimization
problems, Advances in Soft Computing:
Foundations of Fuzzy Logic and Soft
Computing, Volume 4529 of LNCS: 789-798,
Springer, Berlin, 2007.
[8] Suyanto, Algoritma Optimasi. Jogjakarta,
Graha Ilmu, 2010, pp. 190–215.
ENERGI PROTEIN LEMAK KH
PAKAR 0,91 5,42 15,20 1,16
ABCO 0,94 1,77 11,86 0,00
0,00
10,00
20,00
%
PERBANDINGAN % ERROR ANTARA PAKAR DENGAN ABCO