PENGARUH PERBEDAAN STRATEGI METODE SELEKSI DALAM ALGORITMA GENETIKA UNTUK KOMPRESI CITRA FRAKTAL SKRIPSI

Transkripsi

1 PENGARUH PERBEDAAN STRATEGI METODE SELEKSI DALAM ALGORITMA GENETIKA UNTUK KOMPRESI CITRA FRAKTAL HALAMAN JUDUL SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun Oleh: DANY KHARISMA NIM. M JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET Agustus, 2013

2

3

4 PENGARUH PERBEDAAN STRATEGI METODE SELEKSI DALAM ALGORITMA GENETIKA UNTUK KOMPRESI CITRA FRAKTAL DANY KHARISMA Jurusan Informatika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret. ABSTRAK Teknik kompresi citra fraktal menghasilkan rasio citra yang tinggi dengan kualitas citra yang baik pula, namun dalam proses kompresinya memerlukan waktu yang cukup lama dalam proses pencocokan blok jelajah dan blok ranah. Pendekatan Algoritma Genetika digunakan untuk memecahkan permasalahan ini, yaitu dengan menghasilkan penyelesaian secara random untuk proses pencocokan blok jelajah dan blok ranah. Pada proses kerjanya Algoritma Genetika secara umum meliputi pembangkitan populasi, seleksi, pindah silang, serta mutasi. Proses pindah silang dan mutasi dalam Algoritma Genetika memerlukan individu-individu terbaik, dimana individu-individu tersebut ditentukan pada proses seleksi. Penelitian ini membahas tentang kinerja Algoritma Genetika dalam kompresi citra fraktal dengan menggunakan strategi metode seleksi yang berbeda. Metode seleksi yang akan dibahas disini dipilih dari klasifikasi mekanisme seleksi standar, yaitu metode seleksi Roulette Wheel, Rank-Based, dan Tournament. Hasil penelitian menunjukkan bahwa metode seleksi Tournament secara umum memberikan hasil yang paling baik daripada metode seleksi Roulette Wheel dan Rank-Based. Uji coba dilakukan dengan ukuran blok jelajah 4x4 dan 2x2, ukuran populasi 10, generasi 100, Pm 0.1, 0.001, dan Pc 0.6, 0.7, 0.8, 0.9, 1,0. Citra kompresi terbaik pada seleksi Tournament menghasilkan rasio 75,13%, waktu kompresi 14,3 detik, dan Mean Square Error (MSE) 0, Kata kunci: Algoritma Genetika, Kompresi citra fraktal, Roulette Wheel, Rank- Based, Tournament. iii

5 INFLUENCE OF DIFFERENT GENETIC ALGORITHM SELECTION STRATEGIES FOR FRACTAL IMAGE COMPRESSION DANY KHARISMA Department of Informatics. Faculty of Mathematic and Natural Science. Sebelas Maret University. ABSTRACT Fractal image compression technique has best result in image ratio and has best quality, but in compression process need a long time to checking range blocks and domain blocks. Genetic Algorihm is used to solve this problem, which produces random solutions to process of checking range blocks and domain blocks. Process of Genetic Algorithm is generally consist of random generation of populations, selection, crossover, and mutation. Processing of crossover and mutation in Genetic Algorithm need best individuals, which that individuals is produced on selection process. This research presents about comparisson of different Genetic Algorithm s selection strategies. Selection methods will present in this research are choosen from the general classification of standard mechanisms in Genetic Algorithm, they are Roulette Wheel selection, Rank-Based selection, and Tournament selection. Results also reveal that Tournament selection method commonly has the best solution than Roulette Wheel selection and Rank-Based selection. Experimentation was did at 4x4 and 2x2 range blocks, populations size 10, generations size 100, probability of mutation 0.1, 0.001, probability of crossover 0.6, 0.7, 0.8, 0.9, 1,0. The best image compression at Tournament method gives ratio 75.13%, compression time 14.3 seconds, and Mean Square Error (MSE) Keywords: Roulette Wheel, Rank-Based, Tournament, Genetic Algorithm, Fractal Image Compression. iv

6 MOTTO Karena sesungguhnya sesudah kesulitan itu ada kemudahan, sesungguhnya sesudah kesulitan itu ada kemudahan. Maka apabila kamu telah selesai (dari sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain, dan hanya kepada Tuhanmulah hendaknya kamu berharap. (QS. Al Insyirah: 5-8) Barang siapa yang menghendaki kehidupan dunia maka wajib baginya memiliki ilmu, dan barang siapa yang menghendaki kehidupan Akherat, maka wajib baginya memiliki ilmu, dan barang siapa menghendaki keduanya maka wajib baginya memiliki ilmu. (HR. Turmudzi) Pendidikan merupakan perlengkapan paling baik untuk hari tua. (Aristoteles) Kesulitan adalah teka-teki pemikiran. Kesabaran dan kesungguhanlah yang akan menyederhanakannya. v

7 PERSEMBAHAN Wahai Dzat Yang Maha Memberi Manfaat, melalui karya inilah sedikit manfaat yang dapat kupersembahkan untuk... Bapak, Ibu, dan Adik tercinta. Sahabat dekatku dan sahabat-sahabat karibku. Kawan-kawan Informatika, khususnya Kawan-kawan Informatika Kawan-kawan kos Domino dan kos Rilda. Terima kasih untuk kebersamaan dan dukungannya. vi

8 KATA PENGANTAR Segala puji hanyalah milik Allah SWT yang telah melimpahkan rahmat- Nya, serta telah mengirimkan Muhammad SAW sebagai pembawa petunjuk kebenaran di dunia. Berkat nikmat, karunia, dan bimbingan-nya lah penulis dapat menyelesaikan skripsi yang berjudul Pengaruh Perbedaan Strategi Metode Seleksi Dalam Algoritma Genetika Untuk Kompresi Citra Fraktal yang disusun sebagai persyaratan mendapatkan gelar Sarjana Informatika di Universitas Sebelas Maret, Surakarta. Dengan segala kerendahan hati, penulis mengucapkan banyak terima kasih kepada semua pihak yang dengan rela meluangkan waktunya untuk memberikan bimbingan dan masukan yang sangat bermanfaat dalam menyelesaikan skripsi ini. Oleh karena itu penulis mengucapkan terima kasih kepada: 1. Bapak Wiharto, S.T., M.Kom. selaku Dosen Pembimbing 1 yang penuh dengan kesabaran membimbing, mengarahkan, dan memberikan semangat kepada penulis selama proses penyusunan skripsi. 2. Ibu Esti Suryani, S.Si., M.Kom. selaku Dosen Pembimbing 2 yang penuh dengan kesabaran membimbing, mengarahkan, dan memberikan semangat kepada penulis selama proses penyusunan skripsi. 3. Bapak Ristu Saptono, S.Si., MT. selaku Pembimbing Akademik yang telah memberi bimbingan dan pengarahan selama penulis menempuh studi di jurusan Informatika FMIPA, UNS. 4. Ibu Umi Salamah, S.Si., M.Kom. selaku Ketua Jurusan Informatika FMIPA, UNS. 5. Bapak dan Ibu dosen yang telah mengajar penulis selama menempuh masa studi di Informatika FMIPA, UNS. 6. Ibu, Bapak, dan Adik, serta sahabat dekatku, sahabat-sahabat karibku, kawankawan Informatika FMIPA UNS, khususnya kawan-kawan Informatika 2008 dan kawan-kawan Informatika 2010, dan kawan-kawan Dewan Mahasiswa FMIPA UNS periode 2010 dan Semoga Allah SWT membalas budi baik semua pihak yang telah membantu dalam menyelesaikan skripsi ini. Penulis menyadari bahwa masih banyak kekurangan dalam hal materi pembahasan maupun tata cara penulisan, akan tetapi penulis berharap skripsi ini dapat bermanfaat bagi semua pihak. Surakarta, 1 Agustus 2013 Penulis vii

9 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... Error! Bookmark not defined. ABSTRAK... iii ABSTRACT... iv MOTTO... v PERSEMBAHAN... vi KATA PENGANTAR... vii DAFTAR ISI... viii DAFTAR GAMBAR... x DAFTAR TABEL... xii BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Sistematika Penulisan... 3 BAB II TINJAUAN PUSTAKA Landasan Teori Definisi Fraktal Iterated Function System (IFS) Pengkodean Citra dengan Iterated Function System (IFS) Partitioned Iterated Function System (PIFS)... 8 viii

10 2.1.5 Algoritma Genetika Metode Seleksi Pindah Silang (Crossover) Mutasi Algoritma Genetika pada Kompresi Citra Fraktal Penelitian Terkait Rencana Penelitian BAB III METODOLOGI PENELITIAN Studi Literatur Analisa dan Perancangan Arsitektur Kompresi Citra Fraktal dengan Algoritma Genetika Proses Seleksi Algoritma Genetika untuk Kompresi Citra Fraktal Implementasi Uji Coba dan Evaluasi BAB IV HASIL DAN PEMBAHASAN Tahap Pengujian Hasil Pengujian BAB V KESIMPULAN DAN SARAN KESIMPULAN SARAN DAFTAR PUSTAKA LAMPIRAN ix

11 DAFTAR GAMBAR Gambar 2.1 Multiple Reduction Copy Machine. (Barnsley, 1988)... 6 Gambar 2.2 Contoh citra input dan salinan pada MRCM(Barnsley,1988)... 6 Gambar 2.3 MRCM dalam membentuk segitiga Sierpinski (Barnsley, 1988)... 7 Gambar 2.4 Pakis Barnsley dan empat buah transformasi affine-nya (Munir, 2004)... 8 Gambar 2.5 Kemiripan lokal pada citra Lena (Munir, 2004)... 8 Gambar 2.6 Pemetaan dari blok ranah ke blok jelajah (Munir, 2004)... 9 Gambar 2.7 Siklus Algoritma Genetika Gambar 2.8 Seleksi Roulette Wheel Gambar 2.9 Seleksi Rank-Based Gambar 2.10 Seleksi Tournament Gambar 2.11 Penyilangan satu titik Gambar 2.12 Mutasi dengan metode pertukaran (swap) Gambar 3.1 Alur Metodologi Penelitian Gambar 3.2 Diagram Alir Kompresi Citra Fraktal dengan Proses Genetika Gambar 4.1 Grafik pengaruh probabilitas pindah silang terhadap rata-rata MSE dengan nilai probabilitas mutasi 0, Gambar 4.2 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu kompresi dengan nilai probabilitas mutasi 0, Gambar 4.3 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio dengan nilai probabilitas mutasi 0, Gambar 4.4 Grafik pengaruh probabilitas pindah silang terhadap rata-rata MSE dengan nilai probabilitas mutasi 0, x

12 Gambar 4.5 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu kompresi dengan nilai probabilitas mutasi 0, Gambar 4.6 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio dengan nilai probabilitas mutasi 0, Gambar 4.7 Grafik pengaruh probabilitas pindah silang terhadap rata-rata MSE dengan nilai probabilitas mutasi 0, Gambar 4.8 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu kompresi dengan nilai probabilitas mutasi 0, Gambar 4.9 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio dengan nilai probabilitas mutasi 0, Gambar 4.10 Grafik pengaruh probabilitas pindah silang terhadap rata-rata MSE dengan nilai probabilitas mutasi 0, Gambar 4.11 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu kompresi dengan nilai probabilitas mutasi 0, Gambar 4.12 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio dengan nilai probabilitas mutasi 0, xi

13 DAFTAR TABEL Tabel 4.1 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada Blok Jelajah 4x4 dengan variasi Pm Tabel 4.2 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok Jelajah 4x4 dengan variasi Pm Tabel 4.3 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok Jelajah 4x4 dengan variasi Pm Tabel 4.4 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada Blok Jelajah 4x4 dengan variasi Pm Tabel 4.5 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok Jelajah 4x4 dengan variasi Pm Tabel 4.6 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok Jelajah 4x4 dengan variasi Pm Tabel 4.7 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada Blok Jelajah 2x2 dengan variasi Pm Tabel 4.8 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok Jelajah 2x2 dengan variasi Pm Tabel 4.9 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok Jelajah 2x2 dengan variasi Pm Tabel 4.10 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada Blok Jelajah 2x2 dengan variasi Pm Tabel 4.11 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok Jelajah 2x2 dengan variasi Pm Tabel 4.12 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok Jelajah 2x2 dengan variasi Pm Tabel 4.13 Hasil terbaik strategi seleksi Algoritma Genetika dengan ukuran blok jelajah 4x Tabel 4.14 Hasil terbaik strategi seleksi Algoritma Genetika dengan ukuran blok jelajah 2x xii