-------------------------------------------"

Implementasi Algoritma Genetika pada Temu Kembali Citra

Yeni Herdlven, A us Buono. Gibtha Fitri Laxmi

Departemen I1mu Kornputer, Fakultas Matematika dan IPA, Institut Pertanian Bogore-mail: yeniherdiyeni2006@yahoo.com

Abstract

This research proposed to implement content based image retrieval -using genetic algorithm to increaseinformation retrieval efficiency. Genetic algorithm is used to get the best of color at vector space mode/so Thevector space models obtained from color extraction by-fuzzy color histogram. Under genetic algorithm, achromosome represents each vector of color. These chromosome feed into genetic operator process such asselection, crossover, and mutation until maximum generation and find optimize chromosome for image retrieval.The optimal chromosome showed that chromosome with high similarity to query are more relevant to the query.

Retrieval evaluation used average precision value for every recall value. Based on the experience the averageprecision using genetic algorithm is 66.65%. In addition, this result shows that genetic algorithm can be used inimage retrieval.

Keywords: content based image retrieval, genetic algorithm.fuzzy color histogram, cosine coefficient.

1. PendahuluanPerkembangan teknologi saat m: menyebabkanjumlah citra yang tersedia di internet menjadi sangatbanyak. Hal terse but menyebabkan pengguna mesinpencari (search engine) mengalami kesulitan mene-mukembalikan citra untuk mendapat-kan informasicitra dengan cepat dan relevan. Hal ini disebabkanoleh beberapa hal, salah satunya adalah metodepencarian yang dipakai oleh pengguna pada umumnyamasih dilakukan secara tekstual. Metode tekstualmenjadi kurang relevan digunakan saat deskripsi yangdiberikan terhadap citra tidak sesuai dengan isi daricitra tersebut. Oleh karena itu, perlu dikembangkanmetode pencarian dengan mengguna-kan ciri citrayang disebut content based image retrieval (CBIR).

CBIR merupakan suatu pendekat-an dalam ternukembali citra yang didasarkan pada informasi yangter-kandung di dalam citra seperti warna, bentuk, dantekstur dari citra (Han & Ma 2002). Warn a lebihdominan da-lam merepresentasikan karakteristikvisual (visual-content) dari citra di-bandingkan ciricitra lainnya, sehingga ciri ini paling banyakdigunakan dalam temu kembali citra saat ini [14).

Teknik pengukuran kemiripan pada temu kembalicitra menggunakan jarak Euclidean antara kueri danbasis data citra [2J [5J [II J menghasilkan hasil yangkurang optimal. Kurang optimalnya temu kembalitersebut dapat diatasi dengan menggunakan metodeoptimasi. Penelitian yang dilakukan Klabbankoh dahPinngem (1999) menggunakan metode optimasialgoritma genetika untuk rneningkatkan ataumengoptimalkan hasil temu kembali pada teks. Olehkarena itu, penelitian tru bertujuan untukmengimplementasikan temu kembali citramenggunakan algortima genetika agar pemilihan

warna pad a citra menjadi optimal dan temu kembalicitra pun lebih relevan.

2. Metode PenelitianPenelitian ini dilakukan dalam beberapa tahap, sepertiyang terlihat pada Gambar l.

I Pengindeksan

I~--I' -- Basi;---J' L~~taCit:~

Penemuan Kembali Citra

Gambar 1. Metode penelitian.

321

Segmentasi CitraTahap preprocessing dalam penelitian ini adalahtahap segmentasi. Proses ini dilakukan secaraautomatis berdasarkan kuantisasi yang berbeda.

Tahapan segementasi yang dilakukan sebagai berikut[2]:.I Mengkuantisasi warna piksel. Kuantisasi

berguna untuk mengurangi jumlah warna padacitra. Variasi warna pada objek dapatdiklasifikasikan menurut warn a yang samasecara kenampakannya.Nilai kuantisasi segmentasi citra yangdigunakan ialah warna hitam, merah, hijau, danbiru yang dapat dilihat pada Tabel I.

2 Menghitung jumlah piksel tiap warna kuantisasipada pusat citra ukuran 20x20. Dua warn akuantisasi dengan jumlahpiksel di atas 70diambil, kecuali warna hitam. Seluruh pikseldengan warna kuantisasi terse but menjadi objekcitra yang menjadi perhatian utama.

3 Menjadikan citra biner. Daerah bunga pada citradiberi nilai 1, sedangkan daerah yang tidakdiperhitungkan diberi nilai O.

Tabel I. Nilai warna kuantisasi pada prosessegmentasi

Nilai warn a kuantisasi pada segmentasi yangdigunakan pada penelitian kali ini berdasarkanpengujian basis data citra.

Ekstraksi Ciri Warn aEkstraksi warna dengan FCH tidak terlalu beragamhasilnya pada ruang warna seperti ROB, HSV danLab [14]. Penelitian ini menggunakan ROB untukmempermudah pengolahan citra. Hasil segrnentasidari sernua citra, warna yang sering muncul diambilyang terbaik tanpa ada warna yang sama.Pengarnbilan warna awal yang terlalu banyakmemerlukan waktu komputasi yang besar untukekstraksi ciri citra, oleh karena itu Fuzzv CiMeansdigunakan untuk mengelompokkan warna-wamatersebut ke dalam sejumlah pusat cluster yangukurannya lebih kecil.

Gambar 2. Proses algoritma genetika.

Algoritma GenetikaAlgoritma getietika (OA) merupakan suatu metodepencarian yang didasarkan pada mekanisme dariseleksi dan genetika natural [7]. Proses tersebut dapatdilihat pada Gambar 2.

GA digunakan untuk menemukan solusi dalammasalah yang kompleks melalui kumpulan-kumpulanmetode atau teknik seperti fungsi evaluasi (fitnessfunction), pindah silang, mutasi, dan seleksi alam[ 12].

OA dikarakterisasi dengan 5 komponen dasar yaitu:I. Representasikan krornosorn untuk mernudahkan

penemuan solusi dalam masalah pengoptimasian,2. lnisialisasi populasi.3. Fitness function yang mengevaluasi setiap

solusi.4. Proses genetik yang menghasilkan sebuah

populasi baru dari populasi yang ada.5. Parameter seperti ukuran populasi, probabilitas

proses genetik, banyaknya generasi, dan lain-lain.

Ternu Kembali CitraHasil populasi akhir dari OA adalah populasi yangsetiap kromosomnya merepresentasikan sebuah citrayang memiliki tingkat kemiripan yang tinggi dengankueri. Hasil citra tersebut ditemukembalikan dengancara pengukuran tingkat kemiripan untuk mengetahuicitra yang relevan dengan basis data. Pengukuranting-kat kemiripan rru menggunakan cosi-necoefficient dengan threshold sebe-sar 0.75.

322

Evaluasi Temu Kembali CitraTahap evaluasi temu kembali dilakukan untuk menilaitingkat keberhasilan dalam proses temu kembali citraterhadap sejumlah koleksi pengujian. Evaluasiterse but dilakukan dengan menghitung n ilai recalldan precisian dari proses temu kembali citraberdasarkan penilaian relevansinya (gugus jawaban).Recall adalah perbandingan jumlah citra relevan yangterambil terhadap jumlah citra dalam basis data.Precision adalah perbandingan jumlah citra yang relevanterhadap jumlah citra yang ditemukembalikan.

3. HasilPercobaanPenelitian ini menggunakan algoritma genetika (GA)dalam mencari kemiripan antara kueri dan basis dataFCH yang ada. Kemiripan terse but merepresentasikannilai kedekatan ciri citra !Cueridan ciri citra basis data.Kedekatan jarak ini merepresentasikan relevansi citraterhadap kueri yang diberikan.

Segmentasi CitraTahap segmentasi menggunakan kuantisasi warnahitam, merah, hijau, dan biru. Parameter kuantisasiyang berbeda menghasilkan wilayah objek utamayang berbedajuga. Tahap segmentasi pada Tabel 2 inibertuj uan untuk mendapatkan objek utama citra yangpaling baik dengan cara yang sederhana [2].

Ekstraksi Ciri WarnaEkstraksi ciri warna pada citra di-lakukan dengan caramerepresenta-sikan peluang atau frekuensi pikselsetiap citra ke dalam nilai warna (bin). Bin tersebutdiperoleh dengan menggunakan FCH dengan FCM.Nilai warna yang digunakan 25 bin [2] yangdilakukan secara manual. Contoh Citra dan nilaiwarna citra dapat dilihat pada Gambar 3.

label 2. Tahapan segmentasi

Citra

Gambar 3 Citra dan nilai warna. Algoritma Genetika

Tahapan algoritma genetika dalam penelitian iniadalah sebagai berikut:

Representasi Kromosom dan Populasi AwalRepresentasi kromosom merupakan cara untukmengkodekan suatu alternatif solusi itu menjadikromosom yang akan diproses menggunakan GA.Representasi kromosom dalam penelitian irudigunakan dalam berbentuk ciri citra yang berupahistogram. Panjang gen dalam krornosom yang berisinilai warna sebanyak 25 bin merupakan nilai warnayang akan memberikan solusi pemecahan dalammasalah temu kembali citra berdasarkan nilai warna[2]. Ilustrasi sebuah kromosom dalam penelitian inidapat dilihat pada Gambar 4. Ukuran kromosom padapopulasi yang digunakan berdasarkan threshold yangtelah ditetapkan sebelurnnya yaitu sebesar 0.4.Threshold tersebut menjelaskan nilai jarak antara citrakueri dan basis data yang dimiliki lebih besar dari 0.4.

.~ 0.019228• ._,",'_._--_._-,,_ .._"-0.096002

0.30344

0.022238

" 0.019413!~'.

0.019403

0.03323

0.01394

0.044351

0.010119

0.020451

0.025684-----0.028885

0.069538

0.018363....__ ..._._._._--_ ..0.038018

0.0087112

0.013617

0.033004

1_~q;;1§0~0.0079351

Gambar 4. lIustrasi sebuah kromosom dalam algoritmagenetika.

• Fungsi EvaluasiPada penelitian ini, permasalahan optimasi yang ingindicapai adalah mendapatkan hasil temu kembali yangoptimal yaitu bin-bin warna yang diternukernbalikanmirip dengan kueri. Oleh karena itu fungsi evaluasiyang digunakan pada penelitian kali ini adalahsebagai berikut:

323

------ -- ---

Dengan V, adalah nilai evaluasi, Xi adalah vektor bin-bin warna yang dimiliki kueri, dan Yi adalah vektorbin-bin warna yang dimiliki kromosom.

Hasil dari fungsi evaluasi tersebut berada dalaminterval 0 dan I. Nilai evaluasi mendekati Imengartikan bahwa dokumen semakin relevan dengankueri. Sebaliknya, nilai evaluasi mendekati 0mengartikan bahwa semakin tidak relevan antarakueri dan dokumen [9].

ElitismeNilai evaluasi yang dimiliki tiap individu ataukromosom akan diurutkan untuk mengetahuikromosom yang memiliki nilai terbaik. Kromosomdengan nilai terbaik tersebut akan disalin ataudisimpan agar tidak rusak akibat proses genetik [13].Jumlah kromosom yang digunakan pada penelitian inisebanyak 2 nilai terbaik.

• Seleksi IndividuSeleksi adalah proses memilih individu pada populasiyang memiliki nilai evaluasi baik untuk dilanjutkanke proses pindah silang dan mutasi [3]. Proses seleksiyang digunakan adalah roullete wheel. Seleksidilakukan dengan cara mengambil nilai acak antaranilai minimum dan maksimum evaluasi tiap generasi.Jika nilai tersebut lebih kecil dari nilai probabilitaskumulatif maka kromosom yang ditunjuk akan dipiJihsebagai kromosom induk.

Tahap awal dari roulette wheel adalah denganmenghitung probabili-tas seleksi dengan rumus:

PIr - ':;-vat(v·i.J,Po;>J.f:f'

F = L £w~t(v',),=1

Probabilitas seleksi kumulatit' (q,) untuk setiapkromosom vk:

k

'hr = 2:>'i1=1

Algoritma seleksi sebagai berikut:Langkah I: Bangkitkan bilangan acak r antara

[0,1]Langkah 2: Jika r S ql, pilih kromosom VI, kalau

tidak pilih kromosom k denganketentuan:

Vk (2 S k S Pop. Size) danqk-I S r S q,

Kromosom yang memiliki nilai evaluasi yang besaratau mendekati I akan memiliki kemungkinan terpilihyang lebih besar sebagai populasi baru untuk proses

genetik selanjut-nya. Hal tersebut menyebabkankromosom akan terpilih lebih dari satu kali.

(I) Pindah SilangPindah silang merupakan proses paling penting dalamGA pada proses genetik. Proses ini melakukan pindahsilang antar kromosom induk yang telah dipilihsebelumnya. Pemilihan antarkromosom induk yangakan dipindahsilang ialah dengan cara mengambilnilai acak yang bernilai lebih kecil dari peluangpindah silang Pc. Peluang pindah silang yangdigunakan sebesar 0.85. Proses pindah silang dapatdilihat pada Gambar 5.

Gambar 5. Proses pindah silang.

Kromosom yang akan dipindah-silangkanmenggunakan one point crossover. Gen-gen yangdimiliki kromosom induk setelah titik potong akandipindahsilangkan antar-induk sehingga tercipta duabuah kromosom baru.

(2)Mutasi

Proses. mutasi yang digunakan adalah sistem gendengan nilai gen mutasi yaitu bilangan bulat. Genakan mengalami perubahan yang berguna untukmengembalikan kerusakan gen akibat genetik lainnya[1]. Proses mutasi merupakan proses pengubahannilai gen pada kromosom yang telah dipilihsebelumnya. Pemilihan gen ialah dengan caramengambil nilai acak yang menyatakan posisi gen-gen yang akan dimutasi. Setelah diketahuinya posisigen yang akan dimutasi maka nilai kuantisasi warnaterse but akan diubah dengan ketentuan sebagaiberikut:

(3)

if (allele kueri > allele kromosom)allele_kromosom +~ 0.01;

elseallele kromosorn 0.01;

324

end

------------

Banyaknya gen yang dimutasi berdasarkan peluangmutasi Pm yang ditentukan dalam GA. Peluang Pmyang digunakan sebesar 0.15.

Populasi baru hasil mutasi akan dievaluasi kembaliuntuk mengetahui kromosom yang memiliki nilaiterbaik berikutnya.

• Iterasi Algoritma GenetikaIterasi yang digunakan dalam penelitian ini sebanyak100 kali. Jika iterasi telah mencapai maksimum yaitu100 kali, maka proses genetik pada penelitian ini akanselesai dan menghasilkan populasi yang lebih baikdari sebelumnya.

Spesifikasi GA secara sederhana yang digunakandalam penelitian ini dijelaskan pada Tabel 3.

Temu Kembali CitraTemu kembali citra merupakan hasil akhir darialgoritma genetika dalam melakukan temu kembalicitra pada basis data. Populasi hasil GA ini akanditemukembalikan menggunakan cosine coefficientuntuk mengetahui vektor citra bunga yang relevandengan kueri. Temu kembali citra yang dilakukanmenggunakan 37 bunga yang merupakan perwakilandari tiap kelas. Relevansi citra tersebut berdasarkan37 kelas citra dan 360 citra yang berada di daIambasis data.

Hasil temu kembali menggunakan GA berdasarkanciri wama memberikan hasil yang baik. Contoh hasiltemu kembali dapat dilihat pada Gambar 6.

Tabel 1. Spesifikasi GA pada penelitian ini

Spesifikasi GA KeteranganJumlah Kromosom Berdasarkan nilai jarak >atau besarnya thresholdttiA)populasiNilai evaluasi Menggunakan cosine

coefficientJumlah gen 25 bin warnaPeluang pindah 0.85silangPeluang mutasi 0.15Metode Seleksi Roulette wheelPindah silang One point crossoverMutasi Sistem gen, pergeseran

nilai kuantisasi wamaElitisme Menyalin kroinosom

yang memiliki ni lai jarakterdekat atau nilaievaluasi terbaik.

lterasi 100 kali.

II iiiiiii••

Gambar 6. Contoh hasil temu kembali menggunakan GA.

Hasil GA pada beberapa citra memiliki hasil yangkurang relevan pada saat temu kembali. Contoh hasiltemu kembali yang kurang relevan dapat dilihat padaGambar 7. Hasil tersebut disebabkan oleh kecilnyakeragaman nilai kuantisasi wama hasil proses FCH.Nilai tersebut menyebabkan vektor ciri citra padabasis data memiliki keragaman yang kecil pula.Keragaman vektor ciri tersebut menghasilkan nilaievaluasi yang hampir sama, sehingga pada prosesseleksi seluruh kromosom populasi cenderung untukselalu terpilih.

I [iri.llllii~iigiiiiiiii.iiiiiima

Gambar 7. Contoh hasil temu kembali yang kurang optimal.

Jumlah citra yang ditemukemba-likan pada setiappercobaan menggu-nakan GA memi1iki jumlah yangberbcda-beda. Hal itu disebabkan GA menghasilkankromosom yang memiliki nilai evaluasi yang baik dannilai threshold sebesar 0.75 digunakan agar hasil yangditampilkan lebih relevan terhadap kueri.

Evaluasi Temu Kembali CitraGA dalam sistem ini secara umum memiliki hasilyang memiliki recall dan precision yang baik. Nilairecall yang digunakan adalah 0, 0.1, 0.2, ... , 1. Nilairecall ini menunjukan jumlah bagian citra dariseluruh citra terambil untuk perhitungan nilaipreCISIOn. Hasil temu kembali pada lampirandilakukan dengan pencarian sebanyak satu kali,karena secara umum recall dan precision hampirsarna walau dilakukan berkali-kali. Rataan precisiondapat dilihat pad a Tabel 5.

Tabel4. Rataanprecision ternu kembali

Recall GA(%)0 100

0.1 91.17

0.2 85.64

0.3 82.14

0.4 74.730.5 71.38

0.6 65.32

0.7 59.33

0.8 51.46

0.9 30.42

1 21.56

Rataan 66.65

325

~---.-----------.-.-.-.-- ...-..----..-...Recall dim precision

basil temu kembali menggunakan GA

100

~ 60 i--"'-'--"-'-i ,,~-------------.---

2O+--.-- ..---.----.---...-.--.-..--..--..~

Gambar 8. Grafik rataan precision hasil ternu kembalimenggunakan GA.

Berdasarkan Tabel 5 dapat dijelaskan bahwa nilaiprecision algoritma genetika memiliki rataan yangcukup baik untuk seluruh tingkat recall. Grafik padaGambar 8 memperlihatkan rataan precision yangcukup stabil, yaitu dengan rataan sebesar 66.65%.Nilai precision cukup baik pada tingkat recall antara0.1-0.8 karena pada recall 0.9 ke atas nilai rataanprecision turun secarasignifikan.

4. KesimpulanHasil penelitian menunjukan bah-wa temu kembalimenggunakan algoritma genetika memberikan hasiltemu kembali citra yang baik terutama pada nilairecall 0.1-0.8, dengan rataan precision sebesar72.64% untuk tingkat tersebut. Nilai rataan precisionuntuk temu kembali citra menggunakan algoritmagenetika secarakeseluruhan yaitu sebesar66.65%.

httillNi8tiffll!!jj[1] Aly AA 2007. Applying Genetic Algorithm in

Query Improvement Problem.www.foibg.comlijitklijitk-voI01/ijitk01-4-p02.pdf [3Juli 2008].

[2] Balqis DP. 2006. Fuzzy Color Histogram untukTemu Kembali Citra Bunga. [skripsi]. Bogar:Fakultas Matematika dan IImu PengetahuanAlam, Institut Pertanian Bogar.

[3J COXE. 2005. Fuzzy Modeling and GeneticAlgorithms for Data Mining and Exploration. USA:Morgan Kaufman Publishers.

[4J Gen M, Cheng R. 1997. Genetics Algorithms andEngineering Design. John Wiley & Sons, Inc.Canada.

[5J Hadi S. 2004. Pengembangan Model GeneratifPengenalanWajah pada Latar Belakang, Posedan lIuminasi yang Bervartasi [disertasi].Bandung: Program Pascasarjana, InstitutTeknologi Bandung.

[6] Han J, Ma K. 2006. Data Mining: Concepts andTechniques. USA: Morgan Kaufman Publishers.

[7] Haupt RL, Haupt SE. 2004. Practical GeneticAlgorithms. New Jersey: John Willey.

[8] Hermawanto D. 2003. Algoritma Genetika danContoh Aplikasinya.http://dennyhermawanto.webhop.org [17 Maret2008]

[9] Klabbankoh B, Pinngern O. 1999. AppliedGenetic Algorithms in Information Retrieval.Bangkok: Faculty of Information Technology KingMongkut, Institute of Technology Ladkrabang.http://www.journal.au.edu/ijcim/sepgg/02-drouen.pdf [17 Juli 2007J

[10] Mitchell M. 1998.An Introduction to GeneticAlgorithms. London: Massachusetts Institute ofTechnology.

[11] Noorniawati VY. 2007. Metode Support VectorMachine untuk Klasifikasi pada Sistem TemuKembali Citra. [Skripsi]. Bogor: FakultasMatematika dan IImu Pengetahuan Alam, InstitutPertanian Bogor.

[12] Owais SSJ, Kromer P, Snasel V. 2005. QueryOptimization by Genetic Algorithm.ftp.informatik.rwth-aachen.de IPublicationslCEUR-WSNol-129/paper16.pdf [3 Juli 2008].

[13] Suyanto. 2005. Algoritma Genetika dalamMATLAB. Penerbit ANDI. Yogyakarta

[14J Vertan C dan Boujemaa N. 2000. Using FuzzyColor Histogram and Distance for Color ImageRetrieval. Prentice Hall. United Kingdom.http://wwwrocq~inria.frlimedia/Articles/cir2000.pdf[28 Oktober 20061

326