5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak 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. Ekstraksi Citra 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. Algoritme Genetika 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 = (w 1, w 2, w 3 ), dengan C = kromosom, w 1 = bobot fitur warna, w 2 = bobot fitur bentuk, w 3 = bobot fitur tekstur, P = (C 1, C 2,..., C 30 ), Dengan P = populasi, C 1 = 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 (Baeza- Yates & Ribeiro-Neto 1999) sebagai berikut: dengan r j {0.0, 0.1,, 1.0}, r 0 = 0.0, r 1 = 0.1,, r 10 =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 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 kenaikan 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 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. 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 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 Bayesian network. Sementara itu, grafik perbandingan recall precision menggunakan GA dan model Bayesian network dapat dilihat pada Gambar 10. 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.