Saran SIMPULAN DAN SARAN 5.1 Simpulan

Lampiran 1 Kelas Citra No Citra Tumbuhan Obat Nama Nama Latin Khasiat 25 Kemuning Murraya paniculata Jack. Mengatasi radang saluran nafas, infeksi saluran kencing, keseleo, sakit gigi, dan reumatik. 26 Cincau Hitam Mesona palustris Mengatasi panas dalam, dan melancarkan pencernaan. 27 Sambang Darah Excoceria cochinchinensis Lour. Membunuh parasit, gatal-gatal, dan penghenti pendarahan. 28 Landik Barleria lupulina Lindl. Mengatasi gigitan anjing dan ular berbisa, bengkak, terpukul, bisul, dan luka berdarah 29 Jambu Biji Psidium guajava L. Mengatasi diare, peluruh haid, dan mencegah demam berdarah. 30 Handeuleum Graptophyllum pictum L. Griffith. Menghaluskan kulit, mematangkan bisul, pencahar, peluruh air kencing, menghentikan pendarahan, dan melancarkan haid daun. Lampiran 2 Antarmuka Sistem 1 Input citra kueri ke dalam sistem 2 Optimasi menggunakan NSGA-II Lampiran 2 Antarmuka sistem 3 Inisialisasi awal populasi 4 Grafik hasil identifikasi Lampiran 2 Antarmuka sistem 5 Hasil ekstraksi menggunakan threshold dan operator hasil NSGA-II 6 Hasil identifikasi citra kueri Reload untuk menentukan threshold dan operator hasil NSGA-II ABSTRACT GIBTHA FITRI LAXMI. Optimization of Fuzzy Local Binary Pattern in Threshold and Operator Selection using Multi Objective Genetic Algorithm. Supervised by YENI HERDIYENI and YANDRA ARKEMAN. This research proposes multi-objective genetic algorithm non-dominated- sorting MOGA NSGA-II of fuzzy local binary pattern to optimize LBP operator and fuzzy threshold for identification of Indonesia medicinal plant. Multi- objective genetic algorithm MOGA is genetic algorithm GA which developed specifically for problems with multiple objectives. We evaluated 1,440 medicinal plant leaf images which are belonging to 30 species. The images was taken from Biofarmaka IPB, Cikabayan Farm, Green house Center Ex-Situ Conservation of Medicinal Plant Indonesia Tropical Forest and Gunung Leutik. FLBP is used to handle uncertainty on images with various patterns. FLBP approach is based on the assumption that a local image neighbourhood may be characterized by more than a single binary pattern. The experimental results show that the correct selection of FLBP operator and threshold can improve the identification from 66.44 to 85. It can be concluded that this propose method is capable to improve medicinal plants identification species efficiently and accurately. Keywords: Fuzzy Local Binary Pattern, Multi-Objective Genetic Algorithm, Non- dominated Sorting, NSGA-II RINGKASAN GIBTHA FITRI LAXMI. Optimasi Pemilihan Threshold dan Operator Fuzzy Local Binary Pattern Menggunakan Multi Objective Genetic Algorithm. Dibimbing oleh YENI HERDIYENI dan YANDRA ARKEMAN. Indonesia sebagai negara tropis memiliki keanekaragaman hayati yang sangat tinggi. Hal tersebut dapat dilihat dari beragamnya jenis flora di Indonesia dan masuknya Indonesia ke dalam sepuluh negara yang kekayaan keanekaragaman hayatinya tertinggi atau dikenal dengan megadiversity country. Keanekaragaman hayati di Indonesia memiliki lebih dari 38.000 spesies tanaman dan di antaranya hanya 2.039 spesies tanaman obat yang memiliki informasi dasar hanya 0.05 dari jenis tanaman yang ada di Indonesia. Jenis tanaman lainnya sekitar 99.95 tidak diketahui apakah dapat digunakan sebagai tanaman obat, maka dari itu perlu dilakukan identifikasi pada tanaman obat tersebut. Proses identifikasi tanaman obat dapat dilakukan dengan berbagai cara, di antaranya melalui taksonomi dengan bantuan herbarium dan text book. Cara tersebut dapat dilakukan dengan membandingkan ciri dari herbarium terhadap objek aslinya, misalnya dengan identifikasi manual menggunakan organ generatif buah dan bunga akan diperoleh hasil dalam waktu yang cukup lama. Teknologi identifikasi secara otomatis diperlukan untuk mempercepat proses identifikasi tersebut menggunakan organ vegetatif seperti daun yang paling mudah untuk ditemukan. Penelitian sebelumnya telah membuat teknologi indentifikasi otomatis dengan melakukan ekstraksi ciri tanaman hias menggunakan Local Binary Pattern LBP descriptor dan proses klasifikasi menggunakan Probabilistic Neural Network PNN, dan juga telah melakukan penelitian dengan mencoba beragam operator Local Binary Pattern LBP hingga menggabungkan operator tersebut. Metode LBP memiliki kelemahan dalam thresholding pada nilai keabuan piksel yang membuat penyajian teksturnya sensitif terhadap noise. Hasil threshold pada original LBP terkadang menghasilkan pengodean pola biner yang tidak sesuai dengan kandungan nilai pikselnya. Hal ini dikarenakan adanya ketidakpastian yang diakibatkan oleh adanya keragaman tekstur pada daun. Penelitian sebelumnya yang dilakukan oleh Iakovidis dan tim penelitinya ialah menggunakan fuzzy logic untuk mengatasi ketidakpastian pada representasi tekstur LBP, yang dikenal sebagai metode Fuzzy Local Binary Pattern FLBP. Akan tetapi Fuzzy Local Binary Pattern dalam pengidentifikasian tanaman obat pada prosesnya mengharuskan mencoba setiap nilai threshold FLBP yang mengontrol derajat ketidakpastian serta operator LBP untuk menentukan sampling point dan radius yang cocok untuk semua data citra uji yang dimiliki sehingga memiliki akurasi yang baik. Operator LBP dan nilai threshold FLBP memiliki pengaruh terhadap komputasi. Semakin besar rentang nilai threshold, semakin banyak piksel yang harus diproses dalam perhitungan fuzzy. Oleh karena itu akan lebih baik jika dalam prosesnya FLBP memiliki operator LBP dan nilai threshold FLBP yang minimum dengan akurasi yang tinggi. Banyaknya perbedaan tujuan dari nilai operator LBP, nilai threshold FLBP, dan akurasi inilah yang menjadikan awal penerapan Multi-Objective Genetic Algorithm MOGA dalam penelitian. MOGA akan digunakan untuk menentukan Operator LBP dan nilai threshold FLBP yang cocok dalam identifikasi citra sehingga memiliki akurasi yang tinggi. Objek penelitian yang digunakan pada penelitian ini ialah citra tanaman obat. Jumlah citra daun tumbuhan obat yang digunakan adalah 1.440 yang terdiri dari 30 spesies daun, depan dan belakang masing-masing kelas berjumlah 48 citra. Tahapan dalam penelitian ini dilakukan dengan cara membagi data latih dan data uji. Data latih akan diekstraksi menggunakan kombinasi nilai threshold FLBP dan operator LBP. Kemudian data uji akan dimasukan ke dalam sistem, dimana data uji atau disebut citra kueri akan dilakukan ekstraksi menggunakan fungsi obyektif pertama dan kedua yang berupa nilai threshold FLBP dan operator LBP. Fungsi obyektif pertama dan kedua didapatkan dari inisialisai populasi yang berupa nilai biner yang kemudian akan diubah menjadi desimal. Hasil perubahan itu akan dilanjutkan fungsi ekstraksi. Hasil ekstraksi citra kueri akan dilakukan proses klasifikasi menggunakan Probabilistic Neural Network PNN. Nilai PNN yang dihasilkan akan dijadikan acuan obyektif ketiga pada konsep NSGA-II. Ketiga obyektif yang dihasilkan akan dilakukan fungsi non-dominated sorted untuk menentukan urutan perangkinan pada setiap individu. Fungsi crowding distance dilakukan agar solusi yang dihasilkan tidak berada dalam satu titik yang sama, sehingga memiliki kumpulan solusi sebanyak individu dalam populasi. Urutan pertama dari kumpulan solusi NSGA-II akan dijadikan parameter untuk proses identifikasi menggunakan metode ekstraksi FLBP. Pemilihan nilai threshold dan operator FLBP yang didapat dari NSGA-II memiliki kontribusi yang baik dalam peningkatan akurasi yaitu sebesar 16 dari metode identifikasi FLBP tanpa NSGA-II. Berdasarkan hasil penelitian dapat disimpulkan bahwa metode FLBP menggunakan NSGA-II memberikan peningkatan akurasi dari 66.44 menjadi 85. Dari hasil evaluasi dapat disimpulkan bahwa NSGA-II mampu memilih nilai threshold dan operator LBP yang tepat untuk identifikasi citra tumbuhan obat. NSGA-II menghasilkan nilai threshold tiap kelas citra tumbuhan obat bervariasi. Besarnya nilai threshold didapatkan dari citra yang memiliki perubahan kandungan nilai piksel yang besar dan kontras, begitupun sebaliknya. NSGA-II dapat memilih operator yang berukuran besar untuk citra yang memiliki warna yang seragam, sedangkan citra yang memiliki tekstur yang kompleks membutuhkan operator LBP yang lebih kecil. PNN digunakan sebagai klasifikasi citra tumbuhan obat, dimana kinerja klasifikasi yang baik akan menghasilkan identifikasi yang benar. Analisa ujicoba statistika menggunakan uji-t menunjukan bahwa peningkatan akurasi hasil identifikasi menggunakan FLBP+NSGA-II berbeda nyata dengan FLBP tanpa NSGA-II. Nilai signifikansi yang digunakan ialah lebih kecil dari α = 0.05 dan menghasilkan nilai 4.88 x 10 -5 , sehingga FLBP+NSGA-II memiliki metode yang lebih baik dari FLBP tanpa NSGA-II. Kata kunci: Fuzzy Local Binary Pattern, Multi-Objective Genetic Algorithm, Non- dominated Sorting, NSGA-II

BAB I PENDAHULUAN 1.1 Latar Belakang

Indonesia sebagai negara tropis memiliki keanekaragaman hayati yang sangat tinggi. Hal tersebut dapat dilihat dari beragamnya jenis flora di Indonesia dan masuknya Indonesia ke dalam sepuluh negara yang kekayaan keanekaragaman hayatinya tertinggi atau dikenal dengan megadiversity country. Keanekaragaman hayati di Indonesia memiliki lebih dari 38.000 spesies tumbuhan Bappenas 2003 dan di antaranya hanya 2.039 spesies tumbuhan obat yang memiliki informasi dasar Zuhud 2009 hanya 0.05 dari jenis tumbuhan yang ada di Indonesia. Jenis tumbuhan lainnya sekitar 99.95 tidak diketahui apakah dapat digunakan sebagai tumbuhan obat, maka dari itu perlu dilakukan identifikasi pada tumbuhan obat tersebut. Proses identifikasi tumbuhan obat dapat dilakukan dengan berbagai cara, di antaranya melalui taksonomi dengan bantuan herbarium dan text book. Cara tersebut dapat dilakukan dengan membandingkan ciri dari herbarium terhadap objek aslinya, misalnya dengan identifikasi manual menggunakan organ generatif buah dan bunga akan diperoleh hasil dalam waktu yang cukup lama. Teknologi identifikasi secara otomatis diperlukan untuk mempercepat proses identifikasi tersebut menggunakan organ vegetatif seperti daun yang paling mudah untuk ditemukan. Kulsum 2010 telah membuat teknologi indentifikasi otomatis dengan melakukan ekstraksi ciri tanaman hias menggunakan Local Binary Pattern LBP descriptor dan proses klasifikasi menggunakan Probabilistic Neural Network PNN. Kusmana 2011 telah melakukan penelitian dengan mencoba beragam operator Local Binary Pattern LBP hingga menggabungkan operator tersebut. Metode LBP memiliki kelemahan dalam thresholding pada nilai keabuan piksel yang membuat penyajian teksturnya sensitif terhadap noise. Hasil threshold pada original LBP terkadang menghasilkan pengodean pola biner yang tidak sesuai dengan kandungan nilai pikselnya. Hal ini dikarenakan adanya ketidakpastian yang diakibatkan oleh adanya keragaman tekstur pada daun. Iakovidis et al.2008 menggunakan fuzzy logic untuk mengatasi ketidakpastian pada representasi tekstur LBP, yang dikenal sebagai metode Fuzzy Local Binary Pattern FLBP. Akan tetapi Fuzzy Local Binary Pattern dalam pengidentifikasian tumbuhan obat yang dilakukan oleh Valerina 2012, pada prosesnya mengharuskan mencoba setiap nilai threshold FLBP yang mengontrol derajat ketidakpastian serta operator LBP untuk menentukan sampling point dan radius yang cocok untuk semua data citra uji yang dimiliki sehingga memiliki akurasi yang baik. Menurut Valerina 2012, operator LBP dan nilai threshold FLBP memiliki pengaruh terhadap komputasi. Semakin besar rentang nilai threshold, semakin banyak piksel yang harus diproses dalam perhitungan fuzzy. Oleh karena itu akan lebih baik jika dalam prosesnya FLBP memiliki operator LBP dan nilai threshold FLBP yang minimum dengan akurasi yang tinggi. Banyaknya perbedaan tujuan dari nilai operator LBP, nilai threshold FLBP, dan akurasi inilah yang menjadikan awal penerapan Multi-Objective Genetic Algorithm MOGA dalam penelitian. MOGA akan digunakan untuk menentukan Operator LBP dan nilai threshold FLBP yang cocok dalam identifikasi citra sehingga memiliki akurasi yang tinggi seperti yang dilakukan Zavaschi et al. 2012. Objek penelitian yang digunakan pada penelitian ini ialah citra tumbuhan obat. Ciri dari citra tumbuhan obat tersebut akan dilakukan proses klasifikasi. Proses Klasifikasi yang akan digunakan ialah Probabilistic Neural Network PNNyang memiliki struktur yang sederhana dan proses training yang cepat tanpa harus memperbarui nilai bobot Wu et al. 2007.

1.2 Tujuan Penelitian

Tujuan penelitian ini adalah mengoptimasi pemilihan nilai threshold FLBP dan operator LBP menggunakan Multi-Objective Genetic Algorithm untuk meningkatkan hasil akurasi identifikasi tumbuhan obat.

1.3 Manfaat Penelitian

Manfaat dari penelitian ini adalah meningkatkan akurasi identifikasi tumbuhan berbasiskan citra dan dapat dilakukan identifikasi secara otomatis.

1.4 Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat di Indonesia. 2. Menggunakan operator LBP 8,1, dan 8,2.

BAB II TINJAUAN PUSTAKA

2.1 Fuzzy Local Binary Pattern FLBP

Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam hal ini, digunakan dua fuzzy rule untuk mendapatkan nilai biner dan nilai fuzzy, berdasarkan deskripsi relasi antara nilai pada circular sampling � dan piksel pusat � Iakovidis 2008, yaitu : Rule R : Semakin negatif nilai ∆� maka nilai kepastian terbesar dari � adalah 0. Rule R 1 : Semakin positif nilai ∆� maka nilai kepastian terbesar dari � adalah 1. Gambar 1 Membership function m0 dan m1 sebagai fungsi dari Δpi. Dari rules R dan R 1 , dua membership function � dan � dapat ditentukan. Fungsi m mendefinisikan derajat dimana � adalah 0. Membership function � adalah fungsi menurun Gambar 1 yang didefinisikan sebagai berikut : � � = �� ∆� ≥ � . �� − � ∆� � 1 �� ∆� ≤ −� 1 Sementara, membership function � mendefinisikan derajat dimana � adalah 1. Fungsi � didefinisikan sebagai berikut Gambar 1 : � � = 1 �� ∆� ≥ � . �� − � ∆� � �� ∆� ≤ −� 2 dimana � � 0,255] merepresentasikan threshold FLBP yang akan mengontrol derajat ketidakpastian. Metode LBP original hanya menghasilkan satu kode LBP saja, sedangkan dengan metode FLBP akan menghasilkan satu atau lebih kode LBP. Gambar 7 menyajikan contoh pendekatan FLBP, dimana dua kode LBP A,B mencirikan ketetanggaan 3x3. Masing-masing nilai LBP yang dihasilkan memiliki tingkat kontribusi C A , C B yang berbeda, bergantung pada nilai-nilai fungsi keanggotaan m dan m 1 yang dihasilkan. Untuk ketetanggaan 3×3, kontribusi C LBP dari setiap kode LBP pada histogram FLBP didefinisikan sebagai berikut Keramidas 2008: � = � � Total kontribusi ketetanggaan 3×3 ke dalam bin histogram FLBP yaitu : � = 1 Pada Gambar 2 yang menunjukan matriks hasil nilai LBP menggunakan fuzzifikasi. Proses fuzzifikasi satu daerah ketetanggaan 3x3 akan menghasilkan 1 sampai 2 n nilai LBP, dimana n merupakan banyaknya nilai Δp i selisih antara piksel pusat dan piksel tetangga yang masuk kedalam rentang fuzzy. Proses tersebut dapat mengatasi masalah representasi tekstur yang dihasilkan oleh metode original LBP, yang cenderung memiliki perbedaan rentang nilai LBP yang jauh antara tetangganya. Gambar 2 Skema komputasi FLBP dengan F=19 Valerina 2012. Valerina 2012 melakukan percobaan setiap nilai threshold FLBP F untuk identifikasi tumbuhan, sehingga mendapatkan akurasi identifikasi yang beragam Gambar 3, akurasi yang tertinggi didapat terlihat pada nilai threshold FLBP, F = 4. Pengambilan nilai threshold FLBP dilihat dalam hal adanya pengaruh besarnya nilai threshold FLBP terhadap komputasi. Semakin besar rentang nilai parameter, semakin banyak piksel yang harus diproses. 10 20 30 40 50 60 70 80 90 100 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Akurasi Parameter fuzzifikasi F FLBP 8,1 247 251 253 251 252 240 190 152 211 250 159 130 114 158 219 104 85 96 107 160 74 69 80 89 117 Nilai FLBP 15; 31; 143; 159 135; 143; 151; 159; 167; 175; 183; 191; 199; 207; 215; 223; 231; 239; 247; 255 5; 7; 13; 15;21; 23; 29;31; 37;39;45; 47;53; 55; 61;63; 133; 135; 141;143;149; 151; 157; 159; 165; 167;173; 175; 181; 183;189; 191 135 143; 159 15; 31 135; 143 143; 159; 15; 31; 175; 191; 47; 63 14; 15; 30; 31 Jatropha curcas Linn. Nilai keabuan piksel Gambar 3 Hasil akurasi klasifikasi citra menggunakan FLBP.

2.2 Probabilistic Neural Network PNN

PNN merupakan Artificial Neural Network ANN yang menggunakan teorema probabilitas klasik pengklasifikasian Bayes. PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan training supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan tersedia Wu et al. 2007. Gambar 4 Struktur PNN. Struktur PNN pada Gambar 4 terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusankeluaran. Lapisan masukan merupakan objek � yang terdiri atas � nilai ciri yang akan diklasifikasikan pada � kelas. Proses-proses yang terjadi setelah lapisan masukan adalah: 10 20 30 40 50 60 70 80 90 100 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Akurasi Parameter fuzzifikasi F FLBP 8,2 1. Lapisan pola pattern layer Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan perkalian titik dot product dari vektor masukan � yang akan diklasifiksikan dengan vektor bobot � , yaitu � = � . � , � kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu ������ � = exp −� . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah. � � = ��� − 5 ��� ∶ �, ��������� ������� ����� ������ � ����� ��� � ����� 2. Lapisan penjumlahan summation layer Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: � � = exp− 6 3. Lapisan keluaran output layer Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai � � paling besar dibandingkan kelas lainnya.

2.3 Algoritme Genetika

Algoritme genetika atau genetic algorithm GA adalah pengoptimasian dan teknik pencarian berdasarkan prinsip genetik dan seleksi alam Haupt Haupt 2004. GA dapat diaplikasikan untuk menyelesaikan permasalahan optimasi kombinasi, yaitu dengan mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi Hermawanto 2003. GA digunakan untuk menemukan solusi dalam masalah yang kompleks melalui kumpulan-kumpulan metode atau teknik seperti fungsi evaluasi fitness function, pindah silang, mutasi, dan seleksi alam Owais et. al 2005. GA dikarakterisasi dengan 5 komponen dasar yaitu : 1 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 genetika seperti ukuran populasi, probabilitas proses genetik, banyaknya generasi, dan lain-lain. Gen dan Cheng 2000 menjelaskan bahwa algoritme genetika memelihara populasi dari individu Pi pada setiap generasi ke-i. Setiap individu merepresentasikan sebuah solusi potensial yang kemudian dievaluasi untuk dinilai fitness-nya dan setiap individu menjalani transformasi stokastik menggunakan operasi genetik untuk membentuk individu baru. Ada dua jenis transformasi yang digunakan yaitu mutasi dan pindah silang crossover. Transformasi tersebut akan menghasilkan individu baru Ci yang akan dievaluasi kembali. Setelah beberapa generasi dilakukan pada setiap individu, hasil akhir yang didapat menjadi konvergen dan terbaik. Individu terbaik inilah yang diharapkan menjadi solusi optimal atau suboptimal dari masalah. Struktur umum dari algoritme genetika dijelaskan sebagai berikut: Prosedur: Algoritme Genetika begin i ← 0; inisialisasi Pi; evaluasi Pi; while i = maksimum iterasi do begin rekombinasi Pi; evaluasi Ci; pilih Pi+1 dari Pi dan Ci; i ← i + 1; end end

2.3.1 Inisialisasi Populasi

Algoritme Genetika GA dimulai dengan sebuah group dari kromosom yang disebut populasi. Populasi memiliki N pop kromosom dan berbentuk matriks dengan ukuran N pop x N bits serta diisi dengan bilangan acak Bagchi 1999.

2.3.2 Fungsi Evaluasi

Fungsi Evaluasi atau fitness function adalah ukuran kinerja atau fungsi yang mengevaluasi seberapa baik nilai setiap solusi yang terjadi Klabbankoh 1999. Nilai evaluasi dari sebuah kromosom tergantung seberapa baik kromosom tersebut memecahkan masalah yang ada Mitchell 1998.

2.3.3 Seleksi

Seleksi adalah proses memilih individu pada populasi yang memiliki nilai evaluasi baik untuk dilanjutkan ke proses pindah silang dan mutasi Cox 2005. Proses seleksi harus terjadi disetiap iterasi agar kromosom dalam populasi dapat berkembang sehingga mendapatkan anggota kromosom yang paling sesuai dengan fungsi tujuannya Haupt Haupt 2004.

2.3.4 Pindah Silang

Pindah silang dikenal sebagai recombination dimana dalam prosesnya terjadi pertukaran informasi antara induk dalam mating pool sehingga menghasilkan individu baru yang merupakan solusi Bagchi 1999. Pindah silang merupakan komponen paling penting dalam GA pada proses genetik Gen Cheng 1997. Pindah silang ini bisa juga berakibat buruk jika ukuran populasi sangat kecil. Dalam suatu populasi yang sangat kecil, suatu kromosom dengan gen-gen yang mengarah ke solusi akan sangat cepat menyebar ke kromosom- kromosom lainnya. Probabilitas pindah silang Pc digunakan untuk mengatasi masalah penyebaran tersebut. Teknik pindah silang dapat dilakukan dalam berbagai cara mulai dari one point crossover atau disebut satu titik potong, sampai multiple-point crossover Klabbankoh 1999. Jika struktur direpresentasikan sebagai string biner, crossover dapat diimplementasikan dengan memilih titik secara acak, titik potong yang dipilih akan menyebabkan antar gen dari kromosom induk saling bertukar.