Optimasi Menu Diet Personalisasi Bagi Penderita Obesitas Menggunakan Algoritma Genetika

Bintang Akbar Dwiandika Effendi, Dian Puspita Hapsari

Abstract

Abstrak. Artikel ini menyajikan implementasi Algoritma Genetika (GA) untuk automasi penyediaan menu diet 7 hari yang dipersonalisasi bagi penderita obesitas. Sistem menghitung kebutuhan energi harian menggunakan persamaan Harris-Benedict untuk memperoleh Basal Metabolic Rate (BMR) dan Total Daily Energy Expenditure (TDEE), kemudian menerapkan defisit kalori 25% untuk menentukan target kalori harian, yang selanjutnya dipecah menjadi proporsi karbohidrat, protein, dan lemak sebagai acuan fungsi fitness pada GA. Kromosom direpresentasikan oleh 105 gen dari 130 jenis makanan Indonesia yang dikelompokkan ke dalam tiga food pool (karbohidrat, protein, sayuran), dengan proses seleksi, crossover, dan mutasi yang dievaluasi melalui pengujian OFAT (One Factor at a Time) serta pengujian cross-profile robustness. Hasil pengujian menunjukkan GA mampu menghasilkan menu diet dengan rata-rata deviasi kalori sebesar 1,46%, protein 2,21%, lemak 1,91%, dan karbohidrat 1,64%, jauh di bawah ambang toleransi yang ditetapkan. Konfigurasi parameter Population Size=300, Generations=500, Crossover Rate=0,8, dan Mutation Rate=0,01 terbukti optimal secara universal untuk berbagai profil pengguna, dengan rata-rata fitness global 0,995650. Penelitian ini membuktikan bahwa Algoritma Genetika efektif dan robust dalam menyelesaikan permasalahan optimasi menu diet personalisasi bagi penderita obesitas.

Keywords

Algoritma Genetika, obesitas, menu diet, fungsi fitness, optimasi

Full Text:

PDF

References

Referensi

Badriyah, L., Pratiwi, R.I.R., 2024, Hubungan Obesitas dengan Kejadian Hipertensi dan Hiperglikemia di Indonesia, Ghidza: Jurnal Gizi dan Kesehatan, Vol 8, No 1, hal 33-38.

Damkliang, K., Wongsirichot, T., Saelue, J., Jingjit, J., 2016, A Prototype of a Recommended Nutrition and Energy Expenditure Application for Smartphones, International Journal of Computer Theory and Engineering, Vol 8, No 2, hal 109-115.

Holland, J.H., 1976, Adaptation in Natural and Artificial Systems, Ann Arbor: University of Michigan Press.

Khamesian, S., Arefeen, A., Carpenter, S.M., Ghasemzadeh, H., 2025, NutriGen: Personalized Meal Plan Generator Leveraging Large Language Models to Enhance Dietary and Nutritional Adherence, arXiv preprint arXiv:2502.20601.

Kurnianingtyas, D., Daud, N., Muflikhah, L., 2024, Comparison Genetics Algorithm and Particle Swarm Optimization in Dietary Recommendations for Maternal Nutritional Fulfillment, Jurnal Ilmiah, Vol 21, No 2, hal 216-227.

Kurnianingtyas, D., Daud, N., Arai, K., Indriati, Marji, M., 2025, Automated Menu Planning for Pregnancy Based on Nutrition and Budget Using Population-Based Optimization Method, IAES International Journal of Artificial Intelligence, Vol 14, No 5, hal 3483-3492.

Megatama, M.A., Mahmudy, W.F., Santoso, E., 2021, Food Menu Recommendations Based on Recommended Dietary Allowances Using Genetic Algorithm, Bulletin of Culinary Art and Hospitality, Vol 1, No 2, hal 70-77.

Nur, A., Musyrifad, Nuralamsah, Z., 2024, Implementasi Algoritma Genetika dalam Rekomendasi Makanan untuk Penderita Obesitas, Jurnal Informatika dan Teknik Elektro Terapan, Vol 12, No 2.

Pavlidou, E., Papadopoulou, S.K., Seroglou, K., Giaginis, C., 2023, Revised Harris-Benedict Equation: New Human Resting Metabolic Rate Equation, Metabolites, Vol 13, No 2.

Rando, Rahmat, S.L., 2024, Pemilihan Menu Makanan untuk Diet dengan Pendekatan Algoritma Genetika, Jurnal Pendidikan Tambusai, Vol 8.

Srinivas, M., Patnaik, L.M., 1994, Adaptive Probabilities of Crossover and Mutation in Genetic Algorithms, IEEE Transactions on Systems, Man and Cybernetics, Vol 24, No 4.

Venn, B.J., 2020, Macronutrients and Human Health for the 21st Century, Nutrients, Vol 12, No 8, hal 2363. World Health Organization, 2023, Obesity, Geneva: WHO.

DOI: https://doi.org/10.31284/j.integer.2026.v11i2.9351

Refbacks

  • There are currently no refbacks.