Multi Objective Genetic Algorithm MOGA

3.4 Klasifikasi dengan Probabilistic Neural Network PNN

Setelah proses ekstraksi citra dilakukan, akan diperoleh hasil vektor histogram dengan operator LBP beserta nilai threshold FLBP. Tahap selanjutnya adalah mengklasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan pada vektor histogram untuk menentukan akurasi identifikasi tumbuhan obat. Klasifikasi dilakukan dengan membagi data latih dan data uji dengan komposisi masing-masing 80 dan 20 untuk data daun. Data latih tiap kelas citra berjumlah 38 citra, sedangkan data uji tiap kelas berjumlah 10 citra. Data latih yang dimiliki merupakan kombinasi gabungan operator LBP dan nilai threshold FLBP sehingga jumlah data latih tiap kelas menjadi 38 citra x 2 operator x 10 nilai threshold FLBP. Contoh ilustrasi data dapat dilihat pada Gambar 9. Selanjutnya akan diperoleh model klasifikasi dari hasil pelatihan data. Kelas 1 , operator8,1, F= 1 Kelas 1 , operator8,1, F= 2 … Kelas 1 , operator8,2, F= 10 1 2 3 … 256 1 2 3 … 256 1 2 3 … 256 1 2 … 38 Gambar 9 Kombinasi operator LBP dan nilai threshold FLBP pada Kelas 1

3.5 Multi Objective Genetic Algorithm MOGA

Algoritme genetika multi obyektif MOGA merupakan suatu metode optimasi dengan fungsi tujuan lebih dari satu ganda yang dimana antara tujuan- tujuan ini terjadi konflik. Proses MOGA pada umumnya sama dengan seperti single objective GA akan tetapi ditambahkannya fungsi non-dominated sort serta crowding distance. Proses tersebut dapat dilihat pada Gambar 9. Ide dari tujuan MOGA adalah mencari front dari pareto optimal yang merupakan semua kemungkinan solusi yang tidak terdominasi oleh kemungkinan solusi lainnya. Bagaimanapun juga penentuan pareto yang optimal bisa dikatakan sulit untuk mencapai semua solusi berada dalam satu front. Maka dari itu lebih memilih non- dominated front untuk mendapatkan front pareto optimality, yang dimana persebarannya lebih beragam sehingga pemilihannya akan lebih mudah. Proses GA dimulai dengan menginisialisasi nilai populasi yang terdiri dari beberapa histogram hasil ekstraksi citra. Dalam populasi tersebut mengandung anggota populasi yang disebut dengan kromosom. Setiap kromosom terdiri dari gen-gen yang mengandung nilai threshold FLBP dan operator LBP. Kromosom- kromosom akan mengalami evolusi melalui sejumlah iterasi yang disebut generasi. Kromosom-kromosom tersebut akan dievaluasi menggunakan suatu fungsi yang disebut fungsi evaluasi. Fungsi evaluasi ini bertujuan untuk memberikan penilaian setiap individu yang dihitung berdasarkan persamaan objektif yang dimiliki. Fungsi evaluasi dalam penelitian ini adalah operator LBP dan nilai threshold FLBP yang minimum dalam klasifikasi dengan memiliki peluang PNN yang tinggi. Gambar 10 Proses algoritme genetika multi-obyektif. Hasil dari evaluasi akan dilanjutkan dengan fungsi Non-dominated Sort dengan algoritme sebagai berikut : t = 0; Initialize P t ; Evaluate P t ; Q t = ∅; While t T Start Init Pop Gen = 0 Front = 1 Terklasifikasi Pindah Silang Mutasi Fitness Ind Dominan Front = F + 1 Gen = Gen + 1 Gen Max Gen Yes No Yes Stop No