BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil Praproses
Valerina 2012 melakukan praproses data citra tumbuhan obat dengan menyeleksi objek satu daun dan memperkecil ukuran citra menjadi 270x240
piksel. Mode warna citra keseluruhan dan citra daun kemudian diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data bertujuan
mengurangi waktu pemrosesan data running time. Hasil praproses data dapat dilihat pada Gambar 12.
Psidium guajava L.
Gambar 13 Hasil praproses citra. 4.2 Ekstraksi Tekstur FLBP
Citra hasil praproses digunakan sebagai masukan pada proses ekstraksi dengan FLBP
P,R
. Ekstraksi FLBP
P,R
dilakukan menggunakan ukuran circular neighborhood yang tertera pada Tabel 1. Ciri FLBP yang dihasilkan diekstrak
menggunakan nilai threshold FLBP fuzzifikasi F yang berbeda. Nilai threshold FLBP fuzzifikasi yang digunakan mulai dari F = 1 sampai F = 10. Dimana nilai
threshold FLBP fuzzifikasi menentukan nilai biner yang dihasilkan. Jika terdapat sejumlah � nilai ∆�
yang berada dalam rentang fuzzy maka akan menghasilkan nilai biner sebanyak 2
. Sehingga semakin besar nilai threshold FLBP fuzzifikasi maka akan memberikan nilai rentang yang semakin besar yang berbanding lurus
dengan nilai biner dan waktu komputasi dalam pembacaan nilai piksel. Ekstraksi FLBP menghasilkan histogram frekuensi yang ditunjukan
Gambar 13, dimana histogram merupakan pertambahan C
LBP
dari nilai LBP yang dihasilkan. Panjang bin yang dihasilkan pada histogram FLBP
P,R
bergantung pada jumlah sampling points P yang digunakan, yaitu 2
P
. Pada penelitian ini, jumlah
P yang digunakan adalah 8 sehingga jumlah bin pada histogram FLBP
P,R
sebanyak 2
8
= 256 bin.
Gambar 14 Histogram FLBP pada tumbuhan obat.
4.3 Algoritme Genetika
Algoritme Genetika merupakan dasar dari pembentukan Algoritme Genetika Multi-Objektif. Tahapan proses genetika yang dilakukan sama dengan
fungsi tujuan yang lebih dari satu atau disebut multi objective. Algoritme Genetika Multi Obyektif pada penelitian ini menggunakan NSGA-II dengan skema
prosesnya dapat dilihat pada Gambar 14.
Gambar 15 Proses NSGA-II
4.3.1 Inisialisasi Populasi
Inisialisasi Populasi merupakan tahap awal yang dilakukan untuk menentukan kombinasi variabel keputusan. Kombinasi populasi yang akan
50 100
150 200
250 300
350 400
450 500
7 14
21 28
35 42
49 56
63 70
77 84
91 98
105 112
119 126
133 140
147 154
161 168
175 182
189 196
203 210
217 224
231 238
245 252
Fr ekuensi
Nilai LBP
Histogram FLBP
Begin : Initialize Population N
Evaluate Objective Function
Non-Dominated Sorting Tournament Selection
Crossover Mutation
Combine Parent and Child Population,
Non-Dominating Sorting
Evaluate Objective Function
Stopping Criteria met?
Select N individuals Report Final Population
and Stop No
Yes
dibentuk berupa nilai binary string 0 dan 1. Banyaknya populasi yang digunakan sebanyak 20 individu yang dapat diubah sesuai keinginan pengguna.
Setiap individu memiliki jumlah gen sebanyak 15 bit, dengan 10 bit pertama adalah variabel x
1
parameter dan 5 bit berikutnya ialah variabel x
2
operator LBP, dan memiliki ketentuan dibawah ini :
� , 1 ≤ �
≤ 10 �
, 1 ≤ �
≤ 2 Sebuah kromosom yang terdiri dari bilangan biner akan dilakukan dekode
nilai biner menjadi nilai desimal berdasarkan ketentuan di atas. Ilustrasi bentuk sebuah kromosom dan dekode nilai kromosom pada penelitian ini terdapat pada
Gambar 15.
1 1
1 1
1 1
1 1
1 1
1
8 2
Ket : Kueri citra akan di ekstraksi menggunakan FLBP dengan operator LBP = 2 dengan arti 8,2 dan nilai threshold FLBP, F=8
Gambar 16 Ilustrasi Kromosom
4.3.2 Fungsi Evaluasi
Fungsi Evaluasi merupakan dimensi tujuan dari suatu keputusan, dimana terdapat 3 fungsi tujuan yang digunakan dalam penelitian ini yaitu, meminimalkan
fungsi pertama dan kedua, serta memaksimalkan fungsi yang ketiga. Fungsi pertama, kedua dan ketiga masing-masing digunakan untuk menentukan nilai
threshold FLBP, operator LBP, dan nilai peluang klasifikasi menggunakan fungsi PNN.
Fungsi evaluasi yang digunakan pada penelitian ini adalah : �������� ∶ �
� = �
1 ≤ � ≤ 10
1 ≤ � ≤
2
�������� ∶ � �
= � �������� ∶ �
� = �� �
1 �
� , � = ����� �����, �
= ���� ����ℎ Peluang dengan nilai tertinggi itulah akan menentukan bahwa individu fitur
yang dibentuk menggunakan operator LBP dan threshold FLBP sesuai yang digunakan. Ketentuan fungsi objektif dalam sistem yang digunakan sebagai
berikut :
[prob] = oPNNx_ujii,data_latih,bias; [maxprob idx] = maxprob;
f3 =maxprob;
4.3.3 Tournament Selection
Tournament Selection merupakan proses pemilihan orang tua untuk dilakukan proses genetik. Ukuran untuk melakukan tournament ialah sebanyak 2
individu. Pemilihan orangtua dilakukan berdasarkan persaingan dengan 2 kriteria yaitu rankfront dan nilai crowding distance. Proses pemilihan orangtua pada
sistem dapat dilihat pada Gambar 17 yang kemudian orangtua yang terpilih akan dimasukan kedalam mating pool. Ukuran mating pool yang merupakan tempat
penyimpanan untuk orang tua sebanyak setengah dari jumlah populasi.
front CD front CD
mating pool indv 1
1 ∞
indv 1 1
∞ pilih orangtua
indv 1 indv 2
1 0.3 random indv 4
2 0.5
front indv 3
1 1
indv indv 2
1 0.3
CD indv 3
indv 4 2
0.5 indv 3
1 1
Gambar 17 Proses pemilihan orangtua menggunakan metode turnamen seleksi
4.3.4 Pindah Silang
Proses pindah silang yang digunakan pada penelitian ini adalah konsep one point crossover. Prosesnya memerlukan dua kromosom induk dari hasil
seleksi. Nilai alele antar kromosom induk akan digantikan secara keseluruhan dari titik potong. Jumlah kromosom dalam satu populasi yang dipindahsilangkan
bergantung pada nilai acak yang diambil kurang dari peluang pindah silang Pc. Peluang pindah silang Pc yang tinggi akan memungkinkan pencapaian alternatif
lebih bervariasi.
4.3.5 Mutasi
Proses mutasi yang digunakan pada penelitian ini yaitu fungsi binary bit flip. Proses mutasi merupakan proses pengubahan nilai gen pada kromosom yang
telah dipilih sebelumnya. Pemilihan gen tersebut ialah dengan cara mengambil nilai acak [0,1] yang kemudian nilai acak akan dibandingkan dengan peluang
mutasi. Setelah itu alele dari setiap individu yang terpilih akan dimutasi dengan ketentuan sebagai berikut :
if rand pm if geni == 1
geni = 0; else
geni = 1; end
end
Banyaknya gen yang dimutasi berdasarkan peluang mutasi Pm yang ditentukan berdasarkan banyaknya fungsi tujuan yang digunakan. Peluang Pm
yang digunakan pada penelitian ini sebesar 0.333. Ilustrasi mutasi pada penelitian
ini dapat dilihat pada Gambar 11. 4.3.6 Non-Dominated Sorted dan Crowding Distance
Non-dominated Sorting Genetic Algorithm NSGA-II yang digunakan dalam penelitian ini mengunakan konsep tidak terdominasi satu sama lain dalam
grup, dan perangkingan terdapat dalam tiap solusi kemudian dijadikan sebagai front. Pseudocode proses non-dominated sorted dan crowding distance pada
NSGA-II bekerja dapat dilihat pada Gambar 18.
Kategori