PERBANDINGAN KINERJA PEMBOBOTAN CIRI PADA TEMU KEMBALI CITRA MENGGUNAKAN BAYESIAN NETWORK DAN ALGORITME GENETIKA FACHRIZAL

Transkripsi

1 PERBANDINGAN KINERJA PEMBOBOTAN CIRI PADA TEMU KEMBALI CITRA MENGGUNAKAN BAYESIAN NETWORK DAN ALGORITME GENETIKA FACHRIZAL DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 200

2 PERBANDINGAN KINERJA PEMBOBOTAN CIRI PADA TEMU KEMBALI CITRA MENGGUNAKAN BAYESIAN NETWORK DAN ALGORITME GENETIKA FACHRIZAL Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 200

3 ABSTRACT FACHRIZAL. Performance Comparison of Feature Weighting on Content Based Image Retrieval Using Bayesian Network and Genetic Algorithm. Under supervision of YENI HERDIYENI. This research proposes performance comparison on image retrieval using bayesian network and genetic algorithm, which combines color, shape and texture information. Histogram-62 is used for color feature, edge direction histogram for shape feature and co-occurrence matrix for texture feature. Combining multiple features in image retrieval process can be implemented using feature weight assignment. Bayesian network and genetic algorithm is used to find the optimal weight. This research used 050 images with various classes i.e car, lion, sunset, texture, bear, elephant, arrow, landscape, reptile and aircraft. Experiment results shows that genetic algorithm has better precision than bayesian network on recall between 0.0 and 0.3. Keywords : Content based image retrieval, bayesian network, genetic algorithm, feature weight assignment.

4 Judul Skripsi : Perbandingan Kinerja Pembobotan Ciri pada Temu Kembali Citra Menggunakan Bayesian Network dan Algoritme Genetika Nama : Fachrizal NIM : G Menyetujui Pembimbing, Dr. Yeni Herdiyeni, S.Si, M.Kom NIP Mengetahui : Ketua Departemen Ilmu Komputer, Dr. Ir. Sri Nurdiati, M.Sc. NIP Tanggal Lulus :

5 PRAKATA Alhamdulillahirabbil alamin, puji syukur penulis panjatkan kepada Allah SWT atas segala curahan rahmat dan karunia-nya sehingga tugas akhir ini dapat diselesaikan. Tugas akhir ini berjudul Perbandingan Kinerja Pembobotan Ciri pada Temu Kembali Citra Menggunakan Bayesian Network dan Algoritme Genetika dapat diselesaikan. Penulis mengucapkan banyak terima kasih kepada Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah banyak meluangkan waktunya untuk berdiskusi dan memberi saran, masukan serta arahannya selama penyelesaian tugas akhir ini. Tidak lupa ucapan terima kasih kepada Bapak Ir. Julio Adisantoso M.Kom. dan Bapak Sony Hartono Wijaya S.Kom., M.Kom. selaku dosen penguji yang telah memberikan saran dan kritik yang membangun kepada penulis. Selanjutnya penulis ingin mengucapkan terima kasih kepada : Kedua orang tua tercinta, Ibu dan Bapak atas segala do a, kasih sayang dan dukungannya, 2 Kakak-kakak tersayang atas doa dan dukungannya, 3 Teman-teman ekstensi Ilkom IPB yang telah membantu penulis semasa perkuliahan : Pangudi, Agung, Lucky, Ahmad Rizki, Arie, Feri, Dimas, Harry, Andri, Seta, Haikal, Abdul, Syachrudin, Andi serta teman-teman seperjuangan Program Penyelenggaraan Khusus Ilmu Komputer angkatan pertama lainnya yang tidak dapat disebutkan namanya satu persatu, 4 Seluruh dosen dan staf Departemen Ilmu Komputer IPB, yang telah banyak membantu penulis pada masa perkuliahan dan penelitian. Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama pengerjaan penyelesaian tugas akhir ini yang tidak dapat disebutkan namanya satu persatu. Penulis menyadari masih banyaknya kekurangan dari penelitian ini, oleh karena itu sangat diharapkan kritik serta saran untuk perbaikan penelitian selanjutnya. Akhir kata, semoga penelitian ini bermanfaat. Bogor, Mei 200 Fachrizal

6 RIWAYAT HIDUP Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 5 Mei 985. Penulis merupakan putra terakhir dari pasangan Bapak H. Amirullah dan Ibu Hj. Munani. Pada tahun 2002 penulis lulus dari SMU Negeri Bogor dan pada tahun yang sama penulis melanjutkan pendidikan di Diploma 3 Teknik Informatika IPB. Pada tahun 2005 penulis lulus dari Diploma 3 Teknik Informatika IPB dan pada tahun yang sama penulis bekerja di salah satu perusahaan swasta di Jakarta. Pada tahun 2006 penulis melanjutkan pendidikan dengan memilih Program Penyelenggaraan Khusus Ilmu Komputer Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam IPB.

7 DAFTAR ISI Halaman DAFTAR TABEL...viii DAFTAR GAMBAR...viii DAFTAR LAMPIRAN...viii PENDAHULUAN... Latar Belakang... Tujuan... Ruang Lingkup... TINJAUAN PUSTAKA... Content Based Image Retrieval (CBIR)... Sobel Edge Detector... Co-occurrence Matrix... 2 Bayesian Network... 2 Algoritme Genetika... 3 Fungsi Evaluasi (fitness function)... 3 Seleksi... 4 Pindah Silang... 4 Mutasi... 4 Elitisme... 4 Recall dan Precision... 4 METODOLOGI PENELITIAN... 5 Data Penelitian... 5 Ekstraksi Ciri... 5 Ekstraksi Ciri Warna... 5 Ekstraksi Ciri Bentuk... 5 Ekstraksi Ciri Tekstur... 6 Model Bayesian Network... 6 Pengukuran Tingkat Kemiripan... 6 Algoritme Genetika... 6 Evaluasi Hasil Temu Kembali... 8 Lingkup Pengembangan Sistem... 8 HASIL DAN PEMBAHASAN... 8 Ekstraksi Ciri Citra... 8 Ekstraksi Ciri Warna... 8 Ekstraksi Ciri Bentuk... 8 Ekstraksi Ciri Tekstur... 8 Algoritme Genetika... 8 Representasi Kromosom dan Populasi Awal... 8 Fungsi Evaluasi... 9 Elitisme... 9 Seleksi Individu... 9 Pindah Silang... 9 Mutasi... 9 Kriteria Penghentian... 9 Hasil Temu Kembali... 0 KESIMPULAN DAN SARAN... 3 Kesimpulan... 3 Saran... 3 DAFTAR PUSTAKA... 3 LAMPIRAN... 5

8 DAFTAR TABEL Halaman Perbandingan nilai recall precision pada kelas mobil Perbandingan nilai recall precision pada kelas tekstur... 3 Perbandingan nilai recall precision pada kelas gajah... 4 Perbandingan nilai recall precision pada kelas tanda panah... 5 Perbandingan nilai recall precision semua citra di basis data... DAFTAR GAMBAR Halaman Diagram content based image retrieval... 2 Contoh pembangunan co-occurrence matrix Model umum bayesian network untuk CBIR Ilustrasi pindah silang satu titik potong (one point crossover) Ilustrasi pindah silang dua titik potong (two point crossover) Proses mutasi kromosom Metode penelitian menggunakan bayesian network Metode Penelitian menggunakan algoritme genetika Model umum bayesian network menggunakan informasi tekstur Proses algoritme genetika... 7 Diagram alur proses pindah silang Hasil temu kembali citra menggunakan bayesian network Hasil temu kembali citra menggunakan algoritme genetika Grafik rata-rata recall precision setiap kelas menggunakan bayesian network Grafik rata-rata recall precision setiap kelas menggunakan algoritme genetika Grafik recall precision menggunakan bayesian network dan algoritme genetika...3 DAFTAR LAMPIRAN Halaman Contoh citra yang digunakan untuk masing-masing kelas Perbandingan nilai recall precision pada kelas singa, matahari terbenam, beruang, pemandangan, reptil, dan pesawat Grafik Perbandingan nilai rata-rata precision tiap kelas menggunakan Bayesian network dan algoritme genetika...2

9 Latar Belakang PENDAHULUAN CBIR (Content Based Image Retrieval) merupakan suatu pendekatan temu kembali citra yang didasarkan pada informasi yang terkandung di dalam citra seperti warna, bentuk dan tekstur. Kombinasi informasi citra sangat dibutuhkan untuk meningkatkan hasil temu kembali citra. Pembobotan fitur memegang peranan penting dalam mengombinasikan setiap fitur citra. Menurut Shao et al (2003), Metode pembobotan fitur dengan memberikan bobot secara manual terhadap setiap fitur citra bersifat subjektif. Oleh karena itu, dibutuhkan suatu algoritme yang mampu melakukan pembobotan fitur secara automatis. Bayesian network dan Algoritme genetika dapat digunakan untuk mengombinasikan fitur citra dengan memberikan bobot-bobot fitur citra secara automatis sehingga dapat menghasilkan temu kembali citra yang lebih optimal. Rodrigues dan Araujo (2004), telah mengembangkan bayesian network dalam pengukuran tingkat kemiripan citra pada suatu sistem CBIR. Pebuardi (2008) menggunakan model bayesian network dalam pengukuran kemiripan citra berbasis warna, bentuk dan tekstur. Model bayesian network yang digunakan adalah model bayesian network yang telah dikembangkan oleh Rodrigues dan Araujo (2004) dengan melakukan perbaikan pada ekstraksi ciri citra. Shao et al (2003), menggunakan algoritme genetika untuk pembobotan fitur secara automatis pada temu kembali citra. Pratama (2009) menggunakan algoritme genetika dalam penelitiannya untuk optimasi pembobotan fitur pada temu kembali citra. Pada penelitian ini membandingkan kinerja pembobotan fitur menggunakan algoritme genetika dan model bayesian network. Kedua metode tersebut digunakan untuk memberikan nilai bobot pada setiap fitur. Tujuan Tujuan dari penelitian ini adalah membandingkan kinerja pembobotan fitur menggunakan bayesian network dan algoritme genetika dalam temu kembali citra. Ruang Lingkup Ruang lingkup penelitian ini adalah menggunakan bayesian network dan algoritme genetika sebagai fungsi pembobotan fitur pada temu kembali citra. Fitur warna, bentuk dan tekstur adalah fitur citra yang digunakan pada penelitian ini. TINJAUAN PUSTAKA Content Based Image Retrieval (CBIR) Content Based Image Retrieval (CBIR) merupakan suatu pendekatan untuk masalah temu kembali citra yang didasarkan pada informasi yang terkandung di dalam citra itu sendiri seperti warna, bentuk, dan tekstur dari citra (Rodrigues & Araujo 2004). Gambar adalah tahapan yang ada pada CBIR. Gambar Diagram content based image retrieval. Sobel Edge Detector Edge detection adalah operasi yang dijalankan untuk mendeteksi garis tepi citra yang memiliki tingkat kecerahan yang berbeda. Sobel edge detector merupakan salah satu metode pendeteksi tepi yang umum digunakan (Rodrigues dan Araujo 2004). Sobel edge detector menggunakan matriks konvolusi 3x3 yang digunakan untuk menentukan nilai gradien pada sumbu X dan sumbu Y. Berikut ini adalah matriks yang digunakan pada sumbu X :

10 Berikut ini adalah matriks konvolusi yang digunakan pada sumbu Y : I A Sebuah piksel akan dianggap sebagai garis tepi (edge) jika nilai magnitudonya lebih besar dari nilai threshold yang ditetapkan (Gonzalez 2004). Co-occurrence Matrix Tekstur adalah pola piksel yang berulang pada wilayah spasial dimana penambahan noise pada pola dan perulangan frekuensinya, dapat terlihat secara acak dan tidak terstruktur (Osadebey 2006). Pada penelitian ini menggunakan co-occurrence matrix untuk mengekstraksi ciri tekstur. Co-occurrence matrix adalah salah satu metode berbasis statistika yang dapat digunakan untuk mengekstraksi ciri tekstur. Co-occurrence matrix menggunakan matriks derajat keabuan untuk mengambil contoh bagaimana suatu derajat keabuan tertentu terjadi, dalam hubungannnya dengan derajat keabuan yang lain. Matriks derajat keabuan adalah sebuah matriks yang elemen-elemennya merupakan frekuensi relatif kejadian (occurrence) dari kombinasi level keabuan antar pasang piksel, dengan hubungannya pada spasial tertentu (Osadebey 2006). Gambar 2 menjelaskan pembangunan cooccurrence matrix untuk citra I yang berukuran 4x5 piksel yang memiliki delapan level keabuan. Posisi operator p didefinisikan dengan jarak d = dan Θ = 0 o. matriks A merepresentasikan jumlah titik yang memiliki intensitas g(i) terjadi pada posisi yang didefinisikan oleh operator p, relatif terhadap titik dengan intensitas g(j) (Osadebey 2006). Gambar 2 Contoh pembangunan cooccurrence matrix. Bayesian Network Bayesian network adalah sebuah graf berarah tanpa cycle (directed acyclic graph) yang digunakan untuk representasi grafis dan pengambilan keputusan (reasoning) mengenai wilayah yang tidak pasti (Neapolitan 2004 dalam Pebuardi 2008). Model bayesian network terdiri atas :. satu set node, setiap node merepresentasikan setiap variabel yang ada di sistem. 2. link antara dua node merepresentasikan hubungan sebab dari satu node ke node yang lain. 3. distribusi bersyarat. Secara umum bayesian network terdiri atas tahapan-tahapan berikut :. Pembangunan hubungan (relationship) Rodrigues dan Araujo (2004) telah membangun sebuah model bayesian network yang digunakan untuk CBIR. Model bayesian network yang dibangun dapat dilihat pada Gambar 3. Gambar 3 Model umum bayesian network untuk CBIR. 2

11 Pada Gambar 3, C merupakan karakteristik citra sedangkan I j adalah citra-citra yang ada di basis data. Garis berarah yang menghubungkan karakteristik citra dengan citra-citra di basis data menggambarkan peluang sebuah citra I j memiliki karakteristik C i. Formula bayes dapat digunakan untuk menghitung peluang kemiripan antara citra kueri dan citra basis data. Berikut ini adalah formula bayes : Nilai P(I j Q) adalah nilai peluang kemiripan antara dua buah citra. Jika sebuah citra direpresentasikan sebagai sebuah vektor, maka nilai P(I j Q) akan sama dengan nilai kemiripan antara vektor citra kueri dengan vektor citracitra basis data menggunakan cosine similarity. Berikut adalah formula cosine similarity : r r sim( I, Q) = t I Q I Q = n i= n 2 I i= i I Q i i n i = I i adalah karakteristik ke-i citra basis data, sedangkan Q i adalah karakteristik ke-i dari citra kueri. Menggunakan formula cosine similarity hanya dapat mengukur kemiripan dua citra yang memiliki karakteristik homogen. Model bayesian network dapat digunakan untuk menggabungkan fitur warna, bentuk dan tekstur dari citra. Formula peluang citra I yang memiliki fitur warna yang dapat direpresentasikan dengan CC, bentuk dengan CS, tekstur dengan CT dan citra kueri dengan Q dapat ditentukan sebagai berikut : P(I j Q) = = CC, CS, CT P( I j P( I j Q) Q) = P( Q) CC, CS, CT P(I j,cc,cs,ct Q) Q 2 i P(I j CC,CS,CT) P(CC,CS,CT Q) 2. Inference menggunakan Bayesian Network Tujuan utama melakukan inference (inferensia) pada suatu bayesian network adalah menghitung nilai peluang posterior dari satu set variabel kueri. Berdasarkan inference yang dilakukan oleh Rodrigues dan Araujo (2004), nilai P (l j Q) dapat dihitung dengan : P( I Q) =η [ P( CC j CC)... j... P ( CS j CS ) P( CT j CT )] P( I j Q) =η [ ( P( CC j CC)) ( P( CS j CS)) ( P( CT j CT ))] yang merupakan persamaan umum dari model bayesian network dengan adalah sebuah konstanta. Algoritme Genetika Algoritme genetika atau genetic algorithm (GA) adalah algoritme pencarian berdasarkan seleksi alam dan genetika alam (Suyanto 2007). GA dapat digunakan dalam menyelesaikan permasalahan optimasi kombinasi, yaitu dengan mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Fungsi evaluasi (fitness function), pindah silang, mutasi, dan seleksi adalah kumpulan metode atau teknik pada GA. Secara umum GA terdiri dari lima komponen dasar, yaitu :. Representasikan kromosom untuk memudahkan penemuan solusi dalam masalah pengoptimasian. 2. Inisialisasi populasi. 3. Fitness function yang mengevaluasi setiap solusi. 4. Proses genetik yang menghasilkan sebuah populasi baru dari populasi yang ada. 5. Parameter seperti ukuran populasi, probabilitas proses genetik, dan banyaknya generasi. Mutasi dan pindah silang (crossover) adalah dua jenis transformasi yang digunakan di dalam GA. Tujuan dari dua transformasi ini adalah mendapatkan individu baru yang terbaik setelah dilakukan evaluasi pada setiap individu. Individu terbaik inilah yang diharapkan menjadi solusi optimal suatu permasalahan. Fungsi Evaluasi (fitness function) Fungsi evaluasi adalah salah satu tahap yang menentukan hasil dari sistem algoritme genetika. Di dalam evolusi alam, individu yang nilai evaluasinya tinggi akan bertahan hidup, sedangkan individu yang bernilai evaluasi rendah akan mati (Suyanto 2007). Pada algoritme genetika, suatu individu akan dievaluasi berdasarkan suatu fungsi tertentu sebagai ukuran fitness-nya. 3

12 Seleksi Seleksi adalah proses memilih individu sebagai induk yang memiliki nilai evaluasi atau kualitas yang baik (Suyanto 2007). Sementara itu, kromosom yang memiliki nilai evaluasi yang rendah memiliki peluang yang kecil untuk dipilih atau bahkan tidak terpilih ke tahapan genetika selanjutnya (Klabankoh & Pinngern 999 dalam Pratama 2009). Pindah Silang Proses pindah silang adalah salah satu operator genetika pada GA yang menggabungkan dua buah kromosom induk sehingga membentuk dua buah kromosom baru. Proses pindah silang dilakukan dengan menggunakan probabilitas pindah silang. Pindah silang dilakukan pada GA bertujuan untuk mengeksplorasi sebuah solusi baru dari solusi yang sudah ada. Solusi yang terbentuk diharapkan memiliki solusi yang lebih baik (Aly 2007 dalam Pratama 2009). Teknik pindah silang dapat dilakukan dalam berbagai cara yaitu dari one point crossover atau disebut satu titik potong, dan n-point crossover (Suyanto 2007). Teknik pada satu titik potong ialah semua gen di belakang titik potong ditukar dengan induk. teknik n-titik potong atau n-point crossover ialah menukar semua gen diantara titik potong dengan induk. Ilustrasi teknik pindah silang dapat dilihat pada Gambar 4 dan Gambar 5. Gambar 5 Ilustrasi pindah silang dua titik potong (two point crossover). Mutasi Mutasi adalah operator genetik kedua yang digunakan dalam GA. Mutasi digunakan dengan tujuan mengembalikan kerusakan akibat proses genetik. Proses mutasi akan memodifikasi nilai gen dari solusi dengan probabilitas mutasi (Aly 2007 dalam Pratama 2009). Kromosom yang dihasilkan oleh mutasi memiliki kemungkinan bernilai lebih baik atau lebih buruk dari kromosom sebelumnya. Jika kromosom tersebut lebih buruk dari kromosom sebelumnya maka mereka memiliki peluang tereliminasi pada proses seleksi. Proses mutasi direpresentasikan pada Gambar 6. Gambar 6 Proses mutasi kromosom. Gambar 4 Ilustrasi pindah silang satu titik potong (one point crossover). Elitisme Elitisme adalah proses yang dilakukan untuk mempertahankan suatu individu yang memiliki nilai evaluasi (fitness) tertinggi. Hal ini bertujuan agar individu yang memiliki nilai evaluasi yang tinggi, tidak rusak akibat proses genetika seperti pindah silang dan mutasi (Suyanto 2007). Recall dan Precision Recall dan precision adalah dua parameter yang dapat digunakan untuk mengevaluasi efektifitas temu kembali. Recall menyatakan perbandingan materi relevan yang ditemukembalikan. Sedangkan precision menyatakan perbandingan materi yang ditemukembalikan yang relevan (Baeza-Yates & Ribeiro-Neto 999). 4

13 METODOLOGI PENELITIAN Penelitian ini dilakukan dalam beberapa tahap yaitu : ekstraksi citra, pengukuran tingkat kemiripan dan evaluasi hasil temu kembali. Tahap-tahap yang dilakukan pada penelitian diilustrasikan pada Gambar 7 dan Gambar 8 berikut ini : Data Penelitian Data yang digunakan pada penelitian ini terdiri atas 050 citra yang dikelompokkan secara manual menjadi 0 kelas yaitu mobil, singa, matahari terbenam, tekstur, beruang, gajah, tanda panah, pemandangan, reptil, dan pesawat. Citra memiliki format TIF dengan ukuran yang bervariasi yang berasal dari eneralist200.zip. Beberapa contoh citra yang digunakan dapat dilihat pada Lampiran. Ekstraksi Ciri Ekstraksi ciri citra pada penelitian ini dilakukan berdasarkan fitur warna, bentuk dan tekstur citra. Berikut penjelasan masing-masing ekstraksi ciri yang dilakukan. Gambar 7 Metode penelitian menggunakan bayesian network. Gambar 8 Metode Penelitian menggunakan algoritme genetika. Ekstraksi Ciri Warna Pada awal langkah pemrosesan, citra RGB diubah menjadi HSV. Hal ini dilakukan karena HSV (Hue, Saturation, value) merupakan ruang warna yang komponen-komponennya berkontribusi langsung pada persepsi visual. Setelah citra RGB diubah menjadi HSV, langkah selanjutnya adalah mengkuantisasi warna. Kuantisasi warna bertujuan untuk menghilangkan piksel warna yang dianggap noise, sehingga berdampak pada waktu komputasi yang lebih sedikit dan menghemat tempat penyimpanan. Penelitian ini, mengkuantisasi warna ke dalam 62 bin. Model kuantisasi warna yang digunakan adalah histogram HSV-62. Dari hasil kuantisasi, setiap citra akan direpresentasikan dengan sebuah vektor yang memiliki elemen sebanyak 62 buah. Nilai elemen vektor menyatakan jumlah piksel citra yang masuk ke dalam bin. Setelah histogram citra selesai dihitung kemudian dilakukan normalisasi terhadap masing-masing vektor citra. Ekstraksi Ciri Bentuk Pada langkah awal ekstraksi ciri bentuk, citra RGB diubah menjadi citra grayscale. Setelah itu dilakukan operasi sobel edge detector terhadap citra. Arah (direction) dapat dihitung menggunakan persamaan berikut : Θ = tan - (Gy/Gx) dengan Gx adalah matriks hasil konvolusi terhadap citra I dengan sumbu X, sedangkan Gy 5

14 adalah matriks hasil konvolusi terhadap citra I dengan sumbu Y. Setelah edge direction diperoleh langkah berikutnya adalah menentukan piksel-piksel citra yang merupakan garis (edge). Sebuah piksel dianggap sebagai edge jika nilai magnitudonya lebih besar dari threshold yang ditentukan. Hasil ekstraksi ciri bentuk akan menghasilkan vektor dengan elemen sebanyak 72 buah. Setelah edge dan edge direction ditentukan, langkah selanjutnya adalah menghitung jumlah piksel pada edge yang bersesuaian arahnya dengan 72 bin yang didefinisikan. Setelah itu dilakukan normalisasi vektor citra. Ekstraksi Ciri Tekstur Ektraksi ciri tekstur dilakukan dengan menggunakan co-occurrence matrix. Pada penelitian ini informasi tekstur direpresentasikan menggunakan energy, moment, entropy, maximum probability, contrast, correlation dan homogeneity. Langkah awal yang dilakukan adalah menghitung co-occurrence matrix dengan empat arah berbeda yaitu 0 o, 45 o, 90 o dan 35 o, jadi untuk setiap citra akan dihasilkan empat cooccurrence matrix. Selanjutnya tujuh informasi tekstur dihitung untuk setiap co-occurrence matrix. Sehingga setiap fitur akan diperoleh empat nilai, masing-masing untuk arah 0 o, 45 o, 90 o dan 35 o. Nilai dari setiap fitur diperoleh dengan menghitung rata-rata keempat nilai fitur yang bersangkutan. Informasi tekstur untuk setiap citra akan direpresentasikan dengan sebuah vektor yang memiliki tujuh elemen dan nilai akhir dari informasi tekstur diperoleh dengan melakukan normalisasi terhadap vektor masing-masing citra. Model Bayesian Network Model bayesian network yang digunakan pada penelitian ini merupakan hasil penelitian Rodrigues dan Araujo (2004) dan digunakan oleh Pebuardi (2008) pada penelitiannya. Model bayesian network dapat digunakan dalam mengombinasikan informasi citra seperti warna, bentuk dan tekstur dalam temu kembali citra. Informasi warna, bentuk dan tekstur masingmasing direpresentasikan dalam bentuk vektor yang panjangnya secara berurutan adalah 62 elemen, 72 elemen dan 7 elemen. Setiap bin dalam vektor ciri memiliki peluang kemunculan di setiap citra basis data. Misalkan informasi tekstur dimodelkan pada sebuah struktur network akan terlihat sebagai berikut : Gambar 9 Model umum bayesian network menggunakan informasi tekstur. Pada Gambar 9, node-node level pertama merupakan fitur-fitur dari informasi tekstur. Apabila informasi warna dan bentuk dimodelkan dalam bentuk network maka secara berurutan node-node level pertama akan terdiri dari 62 node untuk informasi warna dan 72 node untuk informasi bentuk. Sedangkan nodenode pada level kedua merupakan citra-citra yang ada di basis data. Pada model network yang dibangun, nilai peluang kejadian sebuah citra I i di basis data yang memiliki karakteristik C j (P(I i C j )) merupakan nilai elemen vektor citra I i yang kej. Pengukuran Tingkat Kemiripan Pada model bayesian network jika citra kueri diketahui, maka nilai peluang citra kueri untuk setiap karakteristik P(Q C j ) dapat diketahui. Dengan demikian, peluang terjadinya setiap citra di basis data jika diketahui sebuah citra kueri P(I j Q) dapat dihitung. Dengan kata lain, nilai kemiripan antara setiap citra di basis data terhadap citra kueri dapat dihitung. P( I j Q) =η [ ( P( CC j CC)) ( P( CS j CS)) ( P( CT j CT ))] P(CC j CC), P(CS j CS) dan P(CT j CT) dihitung menggunakan cosine similarity. P(CC j CC) merupakan nilai kemiripan antara vektor warna citra kueri dengan vektor warna citra di basis data, P(CS j CS) untuk vektor bentuk dan P(CT j CT) untuk vektor tekstur. Hasil pada tahap ini adalah nilai kemiripan antara setiap citra di basis data dengan citra kueri. Setelah nilai kemiripan diketahui, citracitra diurutkan berdasarkan nilai kemiripannya. Algoritme Genetika Algoritme genetika (GA) merupakan suatu metode pencarian yang didasarkan pada mekanisme dari seleksi dan genetika alamiah. 6

15 Proses algoritme genetika dapat dilihat pada Gambar 0. Formulasi untuk cosine sebagai berikut: Eval( V ) = k n i= n 2 I i= i I Q i i n i = dengan I i = vektor ke-i citra basis data, Q i = vektor ke-i citra kueri. Q 2 i Selanjutnya dilakukan proses penyimpanan kromosom yang terbaik dari hasil evaluasi yang disebut elitisme. Elitisme bertujuan untuk mempertahankan kualitas dari kromosom yang memiliki nilai evaluasi terbaik sehingga tidak hilang atau rusak selama proses genetik berikutnya. Setelah itu, proses seleksi dan pindah silang (crossover) dilakukan. Proses seleksi dilakukan terhadap seluruh kromosom dalam populasi. Teknik seleksi yang digunakan adalah teknik Roulette Wheele dengan menghitung probabilitas seleksi dengan rumus sebagai berikut : Gambar 0 Proses algoritme genetika. Proses GA diawali dengan menentukan nilai populasi awal yang terdiri dari bobot-bobot fitur. Kromosom yang terdapat di dalam populasi dibangun secara acak. Setelah populasi awal dibangun, selanjutnya adalah mengevaluasi populasi dengan fungsi evaluasi atau fungsi fitness. Total count atau TC(w) adalah fungsi evaluasi yang digunakan pada penelitian ini. Total count adalah banyaknya citra yang relevan dari basis data yang dibangkitkan oleh persamaan fungsi integrasi dengan sekumpulan bobot fitur (Chan & King 999 dalam Ferry 2009). Formulasi untuk pengukuran tingkat kemiripan antara citra kueri dan basis data yaitu fungsi integrasi (Chan & King 999 dalam Ferry 2009), sebagai berikut: D t (I,I 2 ) = dengan n i= n i w D = i w w = bobot vektor fitur, D f = nilai kesamaan cosine, n = banyaknya vektor fitur. i fi P = Eval V ), k =,2,... PopSize k F = PopSize i= ( k Eval( V k ) Probabilitas seleksi kumulatif (q k ) untuk setiap kromosom V k : q k j= k = P j F Algoritme seleksi sebagai berikut: Langkah : Bangkitkan bilangan acak r antara [0,] Langkah 2 : Jika r q, pilih kromosom V, kalau tidak pilih kromosom k dengan ketentuan : V k (2 k Pop.Size) dan q k- r q k Proses seleksi induk secara singkat adalah memilih kromosom berdasarkan rangking hasil evaluasi. Kromosom dengan rangking tertinggi akan memiliki peluang yang lebih besar untuk terpilih dibandingkan kromosom lainnya. Populasi hasil proses seleksi dilanjutkan ke proses genetika berikutnya yaitu pindah silang. Pindah silang berguna untuk membuat populasi baru yang lebih baik dari populasi sebelumnya. 7

16 Proses pindah silang merupakan proses lanjutan dari proses seleksi. Proses pemilihan induk dilakukan dengan cara mengambil nilai acak yang bernilai lebih kecil dari peluang pindah silang P c. Untuk dapat melakukan proses pindah silang dibutuhkan dua kromosom induk. Pindah silang yang digunakan adalah penyilangan satu titik (one-point crossover). Diagram alur proses pindah silang dapat dilihat pada Gambar. Evaluasi Hasil Temu Kembali Tahap evaluasi temu kembali dilakukan untuk mengukur 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. Lingkup Pengembangan Sistem Perangkat lunak yang digunakan dalam penelitian ini adalah Windows XP profesional, Visual c Express Edition dan juga CImg Library. Perangkat keras yang digunakan adalah sebuah notebook dengan prosesor intel core 2 duo.5 GHz, memori 2.5 GB dan hard disk 200 GB. HASIL DAN PEMBAHASAN Ekstraksi Ciri Citra Ekstraksi Ciri Warna Hasil dari ekstraksi ciri warna untuk seluruh citra yang ada di basis data adalah sebuah matriks berukuran 050x62. Jumlah citra di basis data sebanyak 050 dan vektor ciri warna sebanyak 62 buah. Gambar Diagram alur proses pindah silang. Proses selanjutnya adalah mutasi. Mutasi bertujuan mengganti gen bobot yang rusak atau dinilai tidak baik dalam kromosom. Pergantian nilai gen tersebut berdasarkan nilai acak. Peluang mutasi P m menentukan jumlah gen di dalam satu populasi yang diharapkan mengalami mutasi. Populasi baru hasil mutasi, selanjutnya dievaluasi kembali dan diseleksi untuk mengetahui kromosom yang memiliki nilai fitness terbaik. 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. Generasi terakhir setelah kriteria penghentian tercapai adalah kromosom yang terdiri dari bobot optimal untuk masing-masing fitur. Bobot fitur citra ini selanjutnya akan diintegrasikan ke dalam fungsi kemiripan dalam temu kembali citra sehingga diharapkan menghasilkan temu kembali citra yang lebih baik. Ekstraksi Ciri Bentuk Pada ekstraksi ciri bentuk, operasi sobel edge detector dilakukan pada setiap citra basis data. Hasil dari ekstraksi ciri bentuk adalah matriks berukuran 050x72. jumlah citra di basis data sebanyak 050 dan vektor ciri bentuk sebanyak 72. Ekstraksi Ciri Tekstur energy, moment, entropy, maximum probability, contrast, correlation dihitung dan direpresentasikan dengan co-occurrence matrix. Hasil akhir ekstraksi ciri tekstur adalah matriks berukuran 050x7. Algoritme Genetika Berikut ini adalah tahapan-tahapan algoritme genetika yang dilakukan pada penelitian ini. Representasi Kromosom dan Populasi Awal Representasi kromosom dan populasi yang digunakan dalam penelitian ini yaitu sebuah vektor yang didefinisikan sebagai berikut: 8

17 C = (w, w 2, w 3 ), dengan C = kromosom, w = bobot fitur warna, w 2 = bobot fitur bentuk, w 3 = bobot fitur tekstur, P = (C, C 2,..., C 30 ), Dengan P = populasi, C = kromosom ke-. Populasi awal yang digunakan terdiri dari 30 kromosom dengan panjang gen kromosom sebanyak tiga buah. Banyaknya gen menunjukkan jumlah fitur yang digunakan dalam penelitian ini yaitu warna, bentuk dan tekstur. Populasi awal dibangun secara acak. Kromosom inilah yang kemudian akan menjadi solusi pemecahan dalam masalah pembobotan fitur automatis pada temu kembali citra. Fungsi Evaluasi Pada penelitian ini yang ingin dicapai adalah mendapatkan bobot-bobot fitur optimal sehingga dapat meningkatkan relevansi 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 999). 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 yang disajikan sebagai berikut: D t (I,I 2 ) = n i= n i w D = i w i fi Dengan w adalah bobot vektor fitur, D f adalah nilai kesamaan cosine, dan n adalah banyaknya vektor fitur (Chan & King 999). Elitisme Nilai evaluasi Kromosom atau individu akan diurutkan untuk mengetahui kromosom yang memiliki nilai evaluasi terbaik. 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 Teknik yang digunakan dalam menyeleksi kromosom adalah teknik Roullete Wheele. Seleksi dilakukan dengan cara mengambil nilai acak. Jika nilai tersebut lebih kecil dari nilai probabilitas kumulatif yang telah ditentukan, 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 one point crossover digunakan pada proses pindah silang. Proses pindah silang diawali dengan memilih induk yang akan dipindahsilangkan. Pemilihan induk dilakukan dengan cara mengambil nilai acak yang bernilai lebih kecil dari peluang pindah silang P c. Peluang pindah silang yang digunakan sebesar 0.8. Gen-gen yang dimiliki oleh kromosom induk akan dipindahsilangkan sesuai dengan titik potongnya. Hasil dari pindah silang adalah terbentuknya dua buah kromosom baru. Mutasi Proses mutasi merupakan proses mengganti nilai gen pada kromosom yang telah dipilih sebelumnya dengan nilai acak. Nilai acak yang diambil menyatakan posisi gen-gen yang akan dimutasi. Nilai peluang mutasi P m yang ditentukan dalam GA adalah sebesar 0.0. Populasi baru hasil mutasi akan dievaluasi kembali untuk mengetahui kualitas kromosom yang terbentuk. Kemudian populasi tersebut akan terus dilanjutkan ke generasi selanjutnya. Kriteria Penghentian Kriteria penghentian yang digunakan dalam penelitian ini adalah batasan maksimum sebanyak 30 iterasi. Jika iterasi telah mencapai maksimum, maka proses genetik akan selesai dan menghasilkan populasi yang lebih baik dari sebelumnya. Kromosom dari populasi yang memiliki nilai Total Count (w) tertinggi merupakan bobot-bobot fitur optimal yang selanjutnya digunakan dalam proses temu kembali citra. 9

18 Hasil Temu Kembali Hasil temu kembali adalah tahapan akhir setelah pembobotan ciri citra dengan menggunakan model bayesian network dan algoritme genetika dilakukan. Contoh hasil temu kembali pada kelas mobil menggunakan bayesian network dan algoritme genetika dapat dilihat pada Gambar 2 dan 3 berikut ini. Gambar 2 Hasil temu kembali citra menggunakan bayesian network. Gambar 3 Hasil temu kembali citra menggunakan algoritme genetika. Evaluasi Hasil Temu Kembali Pada evaluasi hasil temu kembali, recall dan precision dihitung untuk menentukan tingkat keefektifan sistem temu kembali. Untuk mendapatkan nilai precision dari suatu kelas, maka setiap citra yang ada di masing-masing 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 (Baeza- Yates & Ribeiro-Neto 999) sebagai berikut: dengan r j {0.0, 0.,,.0}, r 0 = 0.0, r = 0.,, r 0 =.0 Pada uraian di bawah ini akan dipaparkan nilai precision untuk beberapa kelas, yaitu mobil, tekstur, gajah dan tanda panah. Nilai precision yang disajikan merupakan perbandingan antara nilai precision temu kembali menggunakan algoritme genetika dengan nilai precision menggunakan bayesian network. Tabel menunjukkan perbandingan nilai precision pada kelas mobil. Pada kelas ini, terdapat 7 citra. Secara umum nilai precision menggunakan algoritme genetika lebih tinggi dibandingkan menggunakan bayesian network. Tabel Perbandingan nilai recall precision pada kelas mobil Recall BN GA 0 0,5423 0, ,377 0, ,3254 0, ,3099 0, ,3006 0, ,2893 0, ,2792 0, ,2665 0, ,2527 0, ,2377 0,2334 0,922 0,700 Pada Tabel 2 disajikan nilai precision pada kelas tekstur. Kelas tekstur terdiri dari 70 citra. Secara umum nilai precision menggunakan bayesian network lebih tinggi dibandingkan dengan menggunakan algoritme genetika. 0

19 Tabel 2 Perbandingan nilai recall precision pada kelas tekstur Recall BN GA 0 0,5887 0, ,5066 0, ,4928 0, ,4678 0, ,4370 0, ,404 0, ,3602 0, ,365 0, ,2746 0, ,2276 0,2077 0,666 0,674 Pada Tabel 3 disajikan nilai precision pada kelas gajah. Kelas gajah terdiri dari 93 citra. Secara umum nilai precision menggunakan algoritme genetika lebih tinggi dibandingkan dengan menggunakan bayesian network. Tabel 3 Perbandingan nilai recall precision pada kelas gajah Recall BN GA 0 0,469 0, ,2693 0, ,2300 0, ,258 0, ,205 0, ,947 0, ,83 0, ,653 0, ,530 0, ,409 0,809 0,6 0,407 Pada Tabel 4 disajikan nilai precision pada kelas tanda panah. Kelas tanda panah terdiri dari 39 citra. Secara umum nilai precision menggunakan bayesian network lebih tinggi dibandingkan dengan menggunakan algoritme genetika. Tabel 4 Perbandingan nilai recall precision pada kelas tanda panah Recall BN GA 0 0,9095 0, ,9095 0, ,9095 0, ,9000 0, ,897 0, ,8850 0, ,8597 0, ,895 0, ,7250 0, ,6587 0,0695 0,346 0,0427 Berdasarkan Tabel, 2, 3 dan 4 dapat dilihat model bayesian network memiliki nilai precision yang lebih tinggi pada setiap recall untuk kelas tekstur dan tanda panah. Kelas tekstur dan kelas tanda panah secara visual, memiliki kemiripan warna bentuk dan juga tekstur. Sedangkan algoritme genetika memiliki nilai precision yang lebih tinggi hampir disetiap recall dibandingkan bayesian network pada kelas Mobil dan juga kelas gajah. Pada Kelas mobil dan juga kelas gajah secara visual, memiliki ciri warna dan tekstur yang cukup beragam, tetapi memiliki kemiripan bentuk. Pada Tabel 5 disajikan perbandingan nilai recall precision untuk semua citra di basis data. Tabel 5 Perbandingan nilai recall precision semua citra di basis data Recall BN GA 0 0,4904 0, ,3699 0, ,3396 0, ,393 0, ,309 0, ,2850 0, ,2679 0, ,2505 0, ,2269 0, ,205 0,66 0,463 0,3 Berdasarkan Tabel 5, algoritme genetika memiliki nilai precision yang lebih tinggi dibandingkan bayesian network hingga recall ke 0.3. Tabel perbandingan nilai precision untuk kelas yang lain dapat dilihat pada Lampiran 2.

20 Gambar 4 dan 5 adalah grafik perbandingan nilai rata-rata precision setiap kelas. Gambar 4 merupakan grafik nilai ratarata precision setiap kelas menggunakan bayesian network. Gambar 5 merupakan grafik nilai rata-rata precision setiap kelas menggunakan algoritme genetika. Rata-rata recall precision setiap kelas menggunakan Bayesian Network Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall Mobil Singa Matahari Terbenam Tekstur Beruang Gajah Tanda Panah Pemandangan Reptil Pesawat Gambar 4 Grafik rata-rata recall precision setiap kelas menggunakan bayesian network. Rata-rata recall precision setiap kelas menggunakan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall Mobil Singa Matahari Terbenam Tekstur Beruang Gajah Tanda Panah Pemandangan Reptil Pesawat Gambar 5 Grafik rata-rata recall precision setiap kelas menggunakan algoritme genetika. 2

21 Berdasarkan Gambar 4 dan 5, kelas tanda panah memiliki nilai precision yang paling tinggi dan kelas reptil memiliki nilai precision yang paling rendah. Kelas tanda panah memiliki ciri warna, bentuk dan tekstur yang tidak terlalu beragam. Sedangkan pada kelas reptil memiliki ciri warna, bentuk dan tekstur yang beragam. Hal ini dapat dilihat pada Lampiran contoh citra yang digunakan. Berdasarkan Gambar 4, dibandingkan dengan algoritme genetika, bayesian network memiliki performa terbaik atau memiliki nilai precision yang tinggi pada kelas tanda panah, pesawat dan tekstur. Secara visual ketiga kelas tersebut memiliki ciri warna, bentuk dan tekstur yang tidak terlalu beragam. Berdasarkan Gambar 5, algoritme genetika memiliki performa yang baik atau memiliki nilai precision yang tinggi dibandingkan bayesian network pada kelas mobil, singa, matahari terbenam, beruang, gajah, pemandangan dan reptil. Secara visual, kelas mobil, singa, matahari terbenam, beruang, gajah, pemandangan dan reptil memiliki keberagaman warna, tekstur dan bentuk. Berdasarkan pengamatan tersebut, bayesian network baik digunakan pada kelas yang memiliki ciri warna, bentuk dan tekstur yang tidak terlalu beragam. Sedangkan algoritme genetika baik digunakan pada kelas yang memiliki keberagaman warna, bentuk dan tekstur. Grafik perbandingan nilai precision tiap kelas menggunakan bayesian network dan algoritme genetika disajikan pada Lampiran 3. Gambar 6 adalah grafik perbandingan nilai recall precision antara bayesian network dengan algoritme genetika. Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, 0 Grafik recall precision menggunakan Bayesian Network dan Algoritme Genetika Recall BN Gambar 6 Grafik recall precision Menggunakan bayesian network dan algoritme genetika. GA Berdasarkan Gambar 6, algoritme genetika meningkatkan nilai precision pada awal recall hingga recall ke 0.3. Sedangkan bayesian network memiliki nilai precision lebih tinggi dibandingkan algoritme genetika setelah recall ke 0.3. Dengan kata lain hingga recall ke 0.3, algoritme genetika memiliki tingkat relevansi citra-citra yang ditemukembalikan lebih tinggi dibandingkan bayesian network. Kesimpulan KESIMPULAN DAN SARAN Penelitian ini telah mengimplementasikan dan membandingkan kinerja pembobotan fitur citra pada temu kembali citra menggunakan bayesian network dan algoritme genetika. Fitur yang digunakan yaitu warna, bentuk dan tekstur. Algoritme genetika memiliki kinerja yang baik hingga recall ke 0.3, sedangkan bayesian network memiliki kinerja yang baik setelah recall ke 0.3. Hal ini dapat dilihat pada rata-rata peningkatan nilai precision antara bayesian network dengan algoritme genetika hingga recall ke 0.3 sebesar 9,%. Berdasarkan hasil percobaan tersebut sistem temu kembali menggunakan algoritme genetika lebih baik dibandingkan bayesian network karena mampu menghasilkan gambar yang lebih baik hingga recall ke 0.3. Saran Saran dari penelitian ini adalah menggunakan metode lain untuk ekstraksi ciri warna, bentuk dan tesktur citra untuk mendapatkan ciri yang lebih baik. Sehingga mampu meningkatkan kinerja algoritme genetika dan bayesian network pada temu kembali citra. DAFTAR PUSTAKA Baeza-Yates R, Berthier Ribeiro-Neto Modern Information Retrieval. New York : Addison Wesley. Gonzalez RC, Woods RE, Eddins SL Digital Image Processing Using Matlab. New Jersey : Pearson Prentice Hall. Osadebey ME Integrated Content- Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea : Department of Applied Physics and Electronics, Umea University. 3

22 Pebuardi, R Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Pratama, F Algoritme Genetika Untuk Optimasi Pembobotan Fitur Pada Temu Kembali Citra [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Rodrigues PS & Arnaldo de Albuquerque Araujo A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. LNCC, Petropolis, Brazil. Shao et al Automatic Feature Weight Assignment Based on Genetic Algorithm for Image Retrieval. China. Suyanto Artificial Intelligence, searching, reasoning, planning and learning. Penerbit Informatika: Bandung. 4

23 LAMPIRAN

24 Lampiran Contoh citra yang digunakan untuk masing-masing kelas. Kelas mobil Citra Citra 6 Citra 89 Citra Kelas singa Citra 50 Citra 35 Citra 9 Citra 75 Citra 73 Citra 79 Citra 93 Citra 22 Citra 208 Citra 230 Citra 260 Citra Kelas matahari terbenam Citra 270 Citra 278 Citra 29 Citra 297 Citra 298 Citra 306 Citra 309 Citra Kelas tekstur Citra 396 Citra 395 Citra 402 Citra 4 6

25 Lampiran Lanjutan Citra 409 Citra 42 Citra 44 Citra Kelas beruang Citra 549 Citra 552 Citra 557 Citra 563 Citra 569 Citra 573 Citra 583 Citra Kelas gajah Citra 635 Citra 650 Citra 653 Citra 658 Citra 66 Citra 665 Citra 705 Citra Kelas tanda panah Citra 730 Citra 733 Citra 745 Citra 750 Citra 758 Citra 760 Citra 762 Citra 763 7

26 Lampiran Lanjutan 8. Kelas pemandangan Citra 769 Citra 772 Citra 776 Citra 82 Citra 838 Citra 845 Citra 855 Citra Kelas reptil Citra 90 Citra 908 Citra 902 Citra 95 Citra 927 Citra 946 Citra 936 Citra Kelas pesawat Citra 956 Citra 962 Citra 976 Citra 979 Citra 987 Citra 004 Citra 048 Citra 050 8

27 Lampiran 2 Perbandingan nilai recall precision pada kelas singa, matahari terbenam, beruang, pemandangan, reptil, dan pesawat. Perbandingan nilai recall precision pada kelas singa Recall BN GA 0 0,4358 0, ,3256 0, ,2869 0, ,259 0, ,2293 0, ,236 0, ,2020 0, ,96 0, ,885 0, ,752 0,979 0,364 0, Perbandingan nilai recall precision pada kelas matahari terbenam Recall BN GA 0 0,5468 0, ,3843 0, ,3282 0, ,3027 0, ,2862 0, ,2760 0, ,2654 0, ,2488 0, ,2298 0, ,967 0,468 0,87 0, Perbandingan nilai recall precision pada kelas beruang Recall BN GA 0 0,355 0, ,2029 0, ,768 0, ,603 0, ,494 0, ,47 0, ,360 0, ,295 0, ,232 0, ,43 0,0 0,0974 0,0990 9

28 Lampiran 2 lanjutan 4. Perbandingan nilai recall precision pada kelas pemandangan Recall Bayes GA 0 0,3840 0, ,249 0, ,227 0, ,2085 0, ,990 0, ,900 0, ,87 0, ,79 0, ,608 0, ,483 0,408 0,295 0, Perbandingan nilai recall precision pada kelas reptil Recall Bayes GA 0 0,2038 0, ,229 0, ,0937 0, ,0850 0, ,0775 0, ,072 0, ,0688 0, ,0687 0, ,0684 0, ,0663 0,0754 0,0595 0, Perbandingan nilai recall precision pada kelas pesawat Recall Bayes GA 0 0,5862 0, ,5302 0, ,52 0, ,4805 0, ,4425 0, ,3986 0, ,3722 0, ,356 0, ,2946 0, ,2392 0,30 0,405 0,56 20

29 Lampiran 3 Grafik Perbandingan nilai rata-rata precision tiap kelas menggunakan bayesian network dan algoritme genetika. Grafik perbandingan nilai rata-rata precision pada kelas mobil menggunakan bayesian network dan algoritme genetika Recall precision kelas mobil menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 2. Grafik perbandingan nilai rata-rata precision pada kelas singa menggunakan bayesian network dan algoritme genetika Recall precision kelas singa menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 3. Grafik perbandingan nilai rata-rata precision pada kelas matahari terbenam menggunakan bayesian network dan algoritme genetika Recall precision kelas matahari terbenam menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 2

30 Lampiran 3 Lanjutan 4. Grafik perbandingan nilai rata-rata precision pada kelas tekstur menggunakan bayesian network dan algoritme genetika Recall precision kelas tekstur menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 5. Grafik perbandingan nilai rata-rata precision pada kelas beruang menggunakan bayesian network dan algoritme genetika Recall precision kelas beruang menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 6. Grafik perbandingan nilai rata-rata precision pada kelas gajah menggunakan bayesian network dan algoritme genetika Recall precision kelas gajah menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 22

31 Lampiran 3 Lanjutan 7. Grafik perbandingan nilai rata-rata precision pada kelas tanda panah menggunakan bayesian network dan algoritme genetika Recall precision kelas tanda panah menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 8. Grafik perbandingan nilai rata-rata precision pada kelas pemandangan menggunakan bayesian network dan algoritme genetika Recall precision kelas pemandangan menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 9. Grafik perbandingan nilai rata-rata precision pada kelas reptil menggunakan bayesian network dan algoritme genetika Recall precision kelas reptil menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 23

32 Lampiran 3 Lanjutan 0. Grafik perbandingan nilai rata-rata precision pada kelas pesawat menggunakan bayesian network dan algoritme genetika Recall precision kelas pesawat menggunakan Bayesian Network dan Algoritme Genetika Precision 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Recall BN GA 24