Sistem Penentuan Pola Makan Berat Badan Ideal Orang Dewasa Menggunakan Algoritma Genetika
DOI:
https://doi.org/10.34818/eoe.v9i3.18137Abstract
Abstrak Berat badan ideal sangat berkaitan dengan kesehatan tubuh manusia agar terhindar dari penyakit-penyakit berbahaya, serta bisa juga digunakan untuk meningkatkan faktor penampilan agar menjadi lebih baik. Tetapi masih banyak orang yang salah mengartikannya, jika ingin mempunyai berat badan ideal cukup dengan cara melakukan olahraga saja. Padahal olahraga tidak cukup untuk mencapai itu, masih ada faktor lain yang harus diperhatikan, seperti memenuhi kebutuhan kalori harian. Banyak orang dewasa tidak mengetahui jumlah kalori harian yang cukup untuk mencapai berat ideal. Dalam penelitian ini dibuat perancangan suatu aplikasi berbasis mobile application dengan menggunakan metode algoritma genetika yang diharapkan akan mempermudah orang dewasa untuk mengetahui berat badan ideal mereka, jumlah kalori harian yang harus mereka konsumsi, dan jenis makanan yang harus mereka konsumsi. Data-data yang digunakan pada sistem sebanyak 30 data user, dan data bahan makanan beserta kandungan gizinya yang terdiri dari 7 jenis bahan makanan yang berbeda, dengan jumlah 92 data. Aplikasi ini memiliki tingkat akurasi dengan nilai presentase 83.3% dengan cara pengujian akurasi kepada orang yang ahli di bidangnya yaitu ahli gizi. Kata kunci: Aplikasi, Algoritma Genetika, Berat Badan Ideal, KaloriReferences
[1] P. D. Landge and R. R. Harne, “Air Quality Monitoring System for City : A Review,” Int. Res. J. Eng.
Technol., vol. 5, no. 1, pp. 5–6, 2018, [Online]. Available: https://www.irjet.net/archives/V5/i1/IRJETV5I1110.pdf.
[2] D. Basak, S. Pal, and D. C. Patranabis, “Support vector regression,” Neural Inf. Process. – Lett. Rev.,
vol. Vol. 11, no. 10, pp. 203–224, 2007, doi: 10.1145/2768566.2768568.
[3] A. L. Samuel, “Eight-move opening utilizing generalization learning. (See Appendix B, Game G-43.1
Some Studies in Machine Learning Using the Game of Checkers,” IBM J., pp. 210–229, 1959.
[4] W. Apt, “Introduction,” Demogr. Res. Monogr., pp. 1–13, 2014, doi: 10.1007/978-94-007-6964-9_1.
[5] S. Kavitha, S. Varuna, and R. Ramya, “A comparative analysis on linear regression and support vector
regression,” Proc. 2016 Online Int. Conf. Green Eng. Technol. IC-GET 2016, 2017, doi:
10.1109/GET.2016.7916627.
[6] S. P. Neill and M. R. Hashemi, Ocean Modelling for Resource Characterization. 2018.
[7] V. N. Vapnik, “The Nature of Statistical Learning,” Theory. p. 334, 1995, [Online]. Available:
https://ci.nii.ac.jp/naid/10020951890.
[8] D. Tomar, “Prediction of Profitability of Industries using Weighted SVR,” vol. 3, no. 5, pp. 1938–1944,
1938.
[9] P. Cortez and A. Morais, “A Data Mining Approach to Predict Forest Fires using Meteorological Data,”
Proc. 13th Port. Conf. Artif. Intell., pp. 512–523, 2007, [Online]. Available:
http://www.dsi.uminho.pt/~pcortez/fires.pdf.
[10] D. Nguyen, “Learning Data Science — Predict Stock Price with Support Vector Regression (SVR),”
ITNEXT, 2019. https://itnext.io/learning-data-science-predict-stock-price-with-support-vector-regressionsvr-2c4fdc36662 (accessed Jan. 19, 2022).
[11] Q. Huang, J. Mao, and Y. Liu, “An improved grid search algorithm of SVR parameters optimization,”
Int. Conf. Commun. Technol. Proceedings, ICCT, no. 2, pp. 1022–1026, 2012, doi:
10.1109/ICCT.2012.6511415.
