Laporan PKL - G64104002

5
HASIL DAN PEMBAHASAN
Mulai
Ekstraksi Citra
Kromosom
P = rand [0,1]
Tidak
P < Pm
Ya
Tahapan penelitian ini diawali dengan
ekstraksi ciri citra. Ekstraksi ciri yang
digunakan penelitian ini menggunakan hasil
penelitian Pebuardi (2008) dengan judul
Pengukuran Kemiripan Citra Berbasis Warna,
Bentuk, dan Tekstur Menggunakan Bayesian
Network.
R = random
Algoritme Genetika
Gen(r) dimutasi
Selesai
Gambar 7 Diagram alur proses mutasi.
Hasil populasi baru yang terbentuk akan
dievaluasi kembali dan diseleksi untuk
mengetahui kromosom yang memiliki nilai
fitness
terbaik
selanjutnya.
Demikian
seterusnya,
kromosom-kromosom
dalam
populasi akan senantiasa berevolusi melalui
iterasi berurutan hingga terpenuhinya kriteria
penghentian GA.
Kromosom yang dihasilkan suatu generasi
diharapkan dapat lebih baik daripada generasi
sebelumnya. Setelah melalui beberapa generasi,
GA akan menuju kromosom terbaik. Kromosom
terbaik inilah yang terdiri dari bobot optimal
untuk masing-masing fitur. Bobot fitur citra ini
selanjutnya akan diintegrasikan ke dalam fungsi
kesamaan dalam temu kembali citra sehingga
diharapkan menghasilkan temu kembali citra
yang lebih baik.
Evaluasi Hasil Temu Kembali
Tahap evaluasi temu kembali dilakukan
untuk menilai tingkat keberhasilan dalam proses
temu kembali citra terhadap sejumlah koleksi
pengujian. Pada tahap evaluasi dilakukan
penilaian kinerja sistem dengan melakukan
pengukuran recall dan precision dari proses
temu
kembali
berdasarkan
penilaian
relevansinya.
Lingkup Pengembangan Sistem
Perangkat lunak yang digunakan dalam
penelitian
ini
adalah
Windows
XP
profesional dan Matlab 7.0.1. Perangkat keras
yang
digunakan adalah sebuah komputer
dengan prosesor AMD Athlon 64 3200+ 2.01
GHz, memori 2 GB dan hard disk 160 GB.
Terdapat beberapa tahapan dalam GA.
Tahapan GA dalam penelitian ini yaitu
representasi kromosom dan populasi awal,
fungsi evaluasi, elitisme, seleksi individu,
pindah silang, mutasi, dan kriteria penghentian.
 Representasi Kromosom dan Populasi
Awal
Representasi kromosom atau individu
merupakan suatu cara untuk mengkodekan dari
sebuah solusi menjadi kromosom yang
kemudian
diproses
menggunakan
GA.
Representasi kromosom dan populasi yang
digunakan dalam penelitian ini yaitu sebuah
vektor yang didefinisikan sebagai berikut:
C = (w1, w2, w3),
dengan
C = kromosom,
w1 = bobot fitur warna,
w2 = bobot fitur bentuk,
w3 = bobot fitur tekstur,
P = (C1, C2, ..., C30),
Dengan
P = populasi,
C1 = kromosom ke-1.
Populasi awal yang digunakan terdiri dari 30
kromosom dengan panjang gen kromosom
sebanyak
tiga
buah.
Banyaknya
gen
menunjukkan banyaknya fitur yang digunakan
dalam penelitian ini yaitu sebanyak tiga fitur.
Populasi awal dibangun secara acak. Kromosom
inilah yang kemudian akan menjadi solusi
pemecahan dalam masalah pembobotan fitur
automatis pada temu kembali citra.
 Fungsi Evaluasi
Permasalahan optimasi yang ingin dicapai
adalah mendapatkan bobot-bobot fitur optimal
6
sehingga dapat meningkatkan hasil temu
kembali citra. Pada tahap ini setiap kromosom
akan dihitung nilai evaluasinya. Fungsi evaluasi
yang digunakan pada penelitian ini adalah total
count atau TC(w). TC(w) didefinisikan sebagai
banyaknya citra yang relevan dari basis data
yang dibangkitkan oleh persamaan fungsi
integrasi dari suatu kromosom (Chan & King
1999). Semakin besar nilai total count dari
suatu kromosom maka akan semakin baik
kualitas kromosom tersebut.
Formulasi untuk pengukuran tingkat
kemiripan antara citra kueri dan basis data
adalah fungsi integrasi, sebagai berikut:
Dengan w adalah bobot vektor fitur, Df adalah
nilai kesamaan cosine, dan n adalah banyaknya
vektor fitur (Chan & King 1999).
 Elitisme
Kromosom akan diurutkan sesuai dengan
nilai evaluasinya. Kromosom yang memiliki
nilai evaluasi terbaik akan disimpan agar tidak
rusak oleh proses genetika. Jumlah kromosom
yang disimpan dalam penelitian ini adalah
sebanyak dua nilai terbaik.
 Seleksi Individu
Tahapan selanjutnya dari proses GA adalah
proses seleksi. Teknik yang digunakan dalam
menyeleksi kromosom dalam suatu populasi
adalah teknik Roullete Wheele. Seleksi
dilakukan dengan cara mengambil nilai acak.
Jika nilai tersebut lebih kecil dari nilai
probabilitas kumulatif maka kromosom tersebut
akan terpilih untuk tetap bertahan ke generasi
selanjutnya.
Kromosom yang memiliki nilai evaluasi
lebih besar akan memiliki peluang lebih besar
pula untuk terpilih. Kromosom yang terpilih
akan bertahan pada generasi selanjutnya.
 Pindah Silang
Teknik pindah silang yang digunakan pada
penelitian ini adalah one point crossover. Proses
pindah silang diawali dengan pemilihan
kromosom yang akan dijadikan induk. Proses
pemilihan induk dilakukan dengan cara
mengambil nilai acak yang bernilai lebih kecil
dari peluang pindah silang Pc. Peluang pindah
silang yang digunakan sebesar 0.8.
Gen-gen yang dimiliki oleh induk kemudian
dipotong melalui titik potongnya. Kemudian
setelah dua induk dipindahsilangkan, terbentuk
dua buah kromosom baru.
 Mutasi
Proses
mutasi
merupakan
proses
pengubahan nilai gen pada kromosom yang
telah dipilih sebelumnya. Pemilihan gen yang
akan dimutasi dilakukan dengan cara
mengambil nilai acak yang menyatakan posisi
gen-gen yang akan dimutasi. Kemudian setelah
diketahui posisi gen yang akan dimutasi, lalu
gen tersebut akan dimutasi dengan cara
mengganti gen tersebut dengan nilai acak.
Banyaknya gen yang dimutasi berdasarkan
peluang mutasi Pm yang ditentukan dalam GA.
Peluang Pm yang digunakan sebesar 0.10.
Populasi baru setelah hasil mutasi akan
dievaluasi kembali untuk mengetahui kualitas
kromosom yang terbentuk. Kemudian populasi
tersebut akan terus dilanjutkan ke generasi
selanjutnya.
 Kriteria Penghentian
Algoritme genetika berhenti jika kriteria
penghentian telah tercapai. Pada penelitian ini,
kriteria penghentian menggunakan batasan
maksimum iterasi yaitu sebanyak 30 iterasi. Jika
iterasi telah mencapai maksimum, maka proses
genetik akan selesai dan menghasilkan populasi
yang lebih baik dari sebelumnya. Kromosom
dari populasi tersebut yang memiliki TC(w)
tertinggi merupakan bobot-bobot fitur optimal
yang selanjutnya digunakan dalam proses temu
kembali citra.
Hasil Temu Kembali
Hasil temu kembali citra merupakan tahapan
akhir setelah memperoleh bobot-bobot fitur
yang optimal dari proses GA. Contoh hasil temu
kembali citra menggunakan pembobotan GA
dapat dilihat pada Gambar 8.
Pada beberapa citra, misalnya citra pada
kelas pemandangan, hasil temu kembali citra
dengan menggunakan pembobotan GA didapat
kurang optimal. Hal tersebut disebabkan citra
pada kelas pemandangan memilki warna,
bentuk, dan tekstur yang bervariasi. Contoh
hasil temu kembali citra yang kurang relevan
dapat dilihat pada Gambar 9.
7
Gambar 8 Contoh hasil temu kembali citra menggunakan pembobotan GA.
Gambar 9 Contoh hasil temu kembali citra yang kurang relevan.
8
Evaluasi Hasil Temu Kembali
Secara umum hasil temu kembali citra
dengan pembobotan fitur menggunakan GA
memiliki nilai recall dan precision yang baik.
Untuk mendapatkan nilai precision dari suatu
kelas, maka setiap citra yang ada di masingmasing kelas dijadikan sebagai citra kueri. Nilai
precision untuk kelas tersebut diperoleh dengan
merata-ratakan nilai precision dari setiap citra
kueri. Metode penghitungan nilai precision
menggunakan interpolasi dengan aturan (BaezaYates & Ribeiro-Neto 1999) sebagai berikut:
dengan
rj {0.0, 0.1, …, 1.0},
r0 = 0.0, r1 = 0.1, …, r10=1.0
Pada uraian di bawah ini akan dipaparkan
nilai precision untuk beberapa kelas, yaitu
mobil, matahari terbenam, dan gajah. Nilai
precision
yang
disajikan
merupakan
perbandingan antara pembobotan fitur secara
automatis menggunakan GA dengan nilai
precision menggunakan Bayesian network.
Nilai precision menggunakan Bayesian network
diperoleh dari hasil penelitian Pebuardi (2008).
Tabel 1 menunjukkan perbandingan nilai
precision pada kelas mobil. Pada kelas ini, nilai
rata-rata precision mengunakan pembobotan
fitur dengan GA lebih tinggi dibanding dengan
menggunakan model Bayesian network.
Tabel 1 Perbandingan nilai recall precision
pada kelas mobil
Recall
Bayesian
GA
Kenaikan
(%)
0
1
1
0
0.1
0.5004
0.6547
30.8273
0.2
0.4415
0.5357
21.3409
0.3
0.4005
0.4841
20.8664
0.4
0.3657
0.4428
21.0911
0.5
0.3415
0.4064
19.0161
0.6
0.3200
0.3694
15.4500
0.7
0.3016
0.3334
10.5537
0.8
0.2838
0.2969
4.6195
0.9
0.2536
0.2493
-1.6798
1
0.1915
0.1832
-4.3499
Rataan
0.4000
0.4505
12.5214
Pada Tabel 2 disajikan nilai rata-rata
precision pada kelas matahari terbenam. Kelas
ini terdiri atas 102 citra.
Tabel 2 Perbandingan nilai recall precision
pada kelas matahari terbenam
Recall
Bayesian
GA
kenaikan
(%)
0
1
1
0
0.1
0.5608
0.7657
36.5389
0.2
0.5095
0.5989
17.5388
0.3
0.4703
0.4985
5.9855
0.4
0.4296
0.4271
-0.5819
0.5
0.3782
0.3711
-1.8773
0.6
0.3285
0.3113
-5.2237
0.7
0.2809
0.2606
-7.2125
0.8
0.2291
0.2163
-5.5958
0.9
0.1748
0.1663
-4.8513
1
0.1128
0.1101
-2.4025
Rataan
0.4068
0.4296
2.9380
Pada Tabel 3 disajikan nilai rata-rata
precision pada kelas gajah. Kelas ini terdiri atas
175 citra.
Tabel 3 Perbandingan nilai recall precision
pada kelas gajah
Recall
Bayesian
GA
Kenaikan
(%)
0
1
1
0
0.1
0.4178
0.7226
72.9416
0.2
0.3404
0.4996
46.7656
0.3
0.3007
0.4286
42.5341
0.4
0.2665
0.3847
44.3415
0.5
0.2517
0.3513
39.5868
0.6
0.2298
0.3200
39.2689
0.7
0.2096
0.2862
36.5315
0.8
0.1914
0.2526
31.9906
0.9
0.1697
0.2101
23.7831
1
0.1287
0.1468
14.0559
Rataan
0.3187
0.4184
35.6181
Berdasarkan Tabel 1, 2, dan 3, umumnya
terjadi kenaikan nilai rata-rata precision setelah
menggunakan metode pembobotan fitur secara
automatis menggunakan GA. Hal ini
disebabkan temu kembali citra pada penelitian
ini menggunakan bobot-bobot yang optimal.
9
Bobot-bobot optimal ini merupakan hasil
pembobotan fitur citra secara automatis
menggunakan GA pada setiap kueri. Berbeda
halnya dengan model Bayesian network, yang
menggunakan pembobotan tetap untuk setiap
kueri dalam temu kembali citra.
Bayesian network. Sementara itu, grafik
perbandingan recall precision menggunakan
GA dan model Bayesian network dapat dilihat
pada Gambar 10.
Perbandingan nilai rata-rata precision untuk
kelas yang lain dapat dilihat pada Lampiran
2. Secara umum, nilai precision pada kelaskelas tersebut memiliki kecenderungan yang
hampir sama dengan kelas-kelas yang telah
dibahas sebelumnya yaitu terjadi kenaikan nilai
rata-rata precision pada pembobotan fitur
menggunakan GA dibandingkan dengan
Bayesian network. Selain itu pada recall 0.1 di
hampir semua kelas citra terdapat peningkatan
nilai precison yang cukup signifikan. Hal ini
mengindikasikan bahwa semakin banyak citracitra relevan yang ditemukembalikan berada
pada peringkat awal.
Persentase
peningkatan
nilai
recall
precision menggunakan model Bayesian
network dan pembobotan fitur menggunakan
GA disajikan pada Tabel 4.
Tabel 4 Persentase peningkatan nilai recall
precision
menggunakan
model
Bayesian network dan pembobotan
fitur menggunakan GA
Recall
Bayesian
GA
Kenaikan
(%)
0
1
1
0
0.1
0.4860
0.6685
37.5597
0.2
0.4221
0.5045
19.5191
0.3
0.3779
0.4235
12.0561
0.4
0.3396
0.3731
9.8557
0.5
0.3058
0.3289
7.5670
0.6
0.2714
0.2920
7.5829
0.7
0.2426
0.2581
6.4056
0.8
0.2134
0.2256
5.7123
0.9
0.1833
0.1907
4.0207
1
0.1401
0.1418
1.2134
Rataan
0.3620
0.4006
10.1357
Berdasarkan Tabel 4, nilai rata-rata
precision cenderung terjadi kenaikan dengan
menggunakan
pembobotan
fitur
secara
automatis dengan GA dibanding dengan
Gambar 10 Grafik recall precision menggunakan
GA
dan
Bayesian
network.
Bayesian,
GA.
Berdasarkan Gambar 10, grafik recall
precision menggunakan GA berada di atas dari
grafik
Bayesian
network.
Hal
ini
mengindikasikan adanya peningkatan nilai ratarata precision setelah melakukan pembobotan
fitur menggunakan GA. Peningkatan nilai
precision berarti tingkat relevansi citra-citra
yang ditemukembalikan dengan citra kueri
lebih tinggi. Temu kembali citra dengan
menggunakan
pembobotan
fitur
secara
automatis dengan GA terbukti
dapat
meningkatkan nilai precision dalam temu
kembali citra.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian
ini
telah
berhasil
mengimplementasikan algoritme genetika untuk
mengoptimasi bobot fitur citra yaitu warna,
bentuk, dan tekstur secara automatis pada temu
kembali citra. Secara umum, pembobotan fitur
citra menggunakan GA dapat meningkatkan
nilai precision pada temu kembali citra. Oleh
karena itu algoritme genetika baik digunakan
untuk mengoptimasi bobot-bobot fitur citra
dalam proses temu kembali citra.