Optimasi Komposisi Makanan pada Individu Penyandang Hiperkolesterolemia dengan Real Code Genetic Algorithm

Abstract

Skripsi ini membahas solusi optimal untuk mengatur pola makan individu dengan hiperkolesterolemia, yakni kondisi medis yang ditandai dengan tingginya kadar kolesterol dalam darah, yang berisiko menyebabkan penyakit kardiovaskular. Penelitian ini dilatarbelakangi oleh tingginya prevalensi hiperkolesterolemia di Indonesia, serta tantangan dalam merancang pola makan personal yang seimbang dari sisi nutrisi, preferensi individu, dan batas konsumsi tertentu seperti kalori dan lemak jenuh. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem berbasis algoritma genetika bertipe Real Code Genetic Algorithm (RCGA) untuk mengoptimalkan komposisi makanan yang sesuai dengan kebutuhan penderita. RCGA dipilih karena kemampuannya dalam menangani permasalahan optimasi numerik secara lebih tepat dibanding algoritma genetika konvensional yang berbasis biner. RCGA menggunakan bilangan real dalam representasi kromosom, memudahkan pemodelan data nutrisi yang kontinu seperti jumlah kalori, protein, dan serat dalam makanan. Algoritma ini melalui tahapan seperti inisialisasi populasi, seleksi, Crossover, dan mutasi untuk menghasilkan solusi optimal. Proses ini memungkinkan pencarian kombinasi makanan yang mendekati kebutuhan riil pengguna dalam hal gizi dan batasan konsumsi. Dataset yang digunakan berasal dari Tabel Komposisi Pangan Indonesia (TKPI) 2017, mencakup lebih dari 1.000 data bahan makanan. Setiap bahan dianalisis kandungan kalorinya, protein, lemak, karbohidrat, dan seratnya. Data ini diproses melalui tahapan cleaning dan preprocessing untuk memastikan hanya bahan makanan yang layak konsumsi dan sesuai kebutuhan penderita hiperkolesterolemia yang digunakan. Selain itu, menu makanan yang dihasilkan mempertimbangkan waktu makan (pagi, siang, sore, camilan) dan kombinasi sumber nutrisi dari berbagai kelompok makanan. Model RCGA disusun secara bertingkat (nested genetic algorithm), yang terdiri dari dua iterasi: iterasi luar menentukan kombinasi bahan makanan per hari, dan iterasi dalam menentukan jumlah gramasi dari tiap bahan makanan. Setiap kromosom dalam iterasi luar terdiri dari 14 gen, mewakili sajian makan lengkap selama satu hari. Selanjutnya, nilai fitness dihitung berdasarkan seberapa dekat menu makanan dengan target kalori dan nutrisi pengguna, dengan penalti diberikan jika melebihi ambang batas yang ditentukan. Pengujian algoritma dilakukan dengan berbagai variasi parameter seperti ukuran populasi, jumlah generasi, dan tingkat Crossover/mutasi, baik untuk iterasi luar maupun dalam. Hasil pengujian menunjukkan bahwa RCGA mampu menghasilkan komposisi makanan yang mendekati target kebutuhan gizi dengan nilai fitness optimal. Menu yang dihasilkan dapat digunakan untuk satu minggu penuh dan telah disesuaikan dengan kondisi fisik pengguna (berat badan, tinggi, usia, jenis kelamin, aktivitas harian). Kesimpulan dari penelitian ini adalah bahwa RCGA efektif digunakan untuk optimasi komposisi makanan pada penderita hiperkolesterolemia. Sistem yang dikembangkan mampu menghasilkan rekomendasi menu yang sesuai dengan kebutuhan energi dan nutrisi harian, serta memperhatikan variasi makanan. Selain memberikan kontribusi dalam bidang ilmu komputer terapan, penelitian ini juga diharapkan memberi manfaat praktis bagi penderita hiperkolesterolemia dalam mengelola pola makan mereka secara sehat dan terukur.