IMPLEMENTASI ALGORITME GENETIKA PADA TEMU KEMBALI CITRA

Presentasi berjudul: "IMPLEMENTASI ALGORITME GENETIKA PADA TEMU KEMBALI CITRA"— Transcript presentasi:

1 IMPLEMENTASI ALGORITME GENETIKA PADA TEMU KEMBALI CITRA
Gibtha Fitri Laxmi G Pembimbing : Yeni Herdiyeni, S.Si, M.Komp Ir. Agus Buono, M.Si, M.Komp Assalamualaikum wr wb Selamat siang Saya ucapkan terima kasih kepada pak irman selaku moderator sekaligus dosen penguji tugas akhir saya, 3 rekan saya yang bersedia menjadi pembahas, Ibu yeni selaku pembimbing 1, pak agus selaku pembimbing 2 yang tidak dapat hadir dalam seminar kali ini dan juga rekan-rekan semuanya yang telah menyempatkan diri untuk hadir di seminar tugas akhir saya yang berjudul Pengukuran kesamaan citra berbasis warna menggunakan algoritme genetika

2 Pendahuluan ? ? ? ? Perkembangan informasi citra yang sangat pesat terkadang membuat pengguna suatu mesin pencari atau search engine mengalami kesulitan dalam mencari informasi yang dibutuhkan,,,mesin pencari yang biasa digunakan ialah menggunakan metode tekstual yang dimana hasilnya membuat kita semakin kebingungan melihat hasil temu kembali. Seperti contohnya pengguna memasukan kueri teks bunga mawar..hasil yang ditemukembalikan ternyata tidak sesuai krna citra yang ditampilkan ternyata ada orang yang bernama bunga dan berada di sekitar mawar. Hal tersebut mungkin terjadi dalam pencarian citra dengan metode tekstual maka dari itu dikembangkan nya suatu metode yang menggunakan ciri yang merepresentasikan suatu citra yang dinamankan content based image retrieval

3 CBIR Content Based Image Retrieval
Koleksi CBIR Praproses Ekstraksi Indeksing Similarity Hasil : Bagaimana cara CBIR itu bekerja.. Pengguna atau user memasukan suatu kueri dan kuerinya tersebut ialah berupa citra, citra tersebut akan dilanjutkan ke proses yang terkandung dalam CBIR yaitu praproses, ekstraksi ciri, pembentukan indeks dan yang terakhir ialah pengukuran kesamaan citra terhadap basis data Setelah didapat nilai yang paling mendekati kueri akan langsung ditemukembalikan kepada user lagi.

4 CBIR Content Based Image Retrieval
BenTuk Warna Tekstur CBIR Mengapa CBIR itu baik dalam menentukan hasil temukembali citra Hal itu dikarna kan citra memiliki 3 buah ciri. Yaitu ciri warna bentuk dan tekstur. Hal itu semualah yang digunakan sebagai kunci utama dalam pencarian citra. Penelitian yang saya lakukan saat ini berdasarkan basis yang paling banyak dikembangkan yaitu warna dikarenakan warna lebih dominan merepresentasikan visual content

5 Temu Kembali Citra EUCLID 1st 2nd 3rd 4th .
Temu kembali citra…apakah yang dimaksud dengan temu kembali citra Merupakan proses Dimana suatu citra kueri akan diukur tingkat kesamaannya dengan basisdata. Yang pada umumnya tingkat kesamaan yang digunakan ialah menggunakan jarak Euclind yang kemudian akan mendapatkan nilai rangking yang dimana rangking tersebut merupakan citra citra yang relevan dengan citra kueri dengan yang di basis data .

6 Temu Kembali Citra dengan Algoritme genetika
Best 1st 2nd 3rd 4th . Kemudian saya mencoba melakukan pengukuran kesamaan menggunakan Algoritma genetika atau disebut GA, dimana hasil yang diharapakan adalah menampilkan rangking yang paling relevan dengan kueri.

7 Penelitian Sebelumnya
Bangorn Klabbankoh dan Ouen Pinngern 1999 Applied Genetic Algorithms in Information Retrieval Abdelmgeid A. Aly 2007 Applying Genetic Algorithm in Query Improvement Problem Dinda P Balqis 2006 Metode Fuzzy Color Histogram untuk Temu Kembali Citra Bunga Mengapa saya melakukan penelitian GA dengan basis warna,, Hal tersebut didasarkan penelitian yang sebelumnya telah dilakukan oleh klabbankoh dan pinngern, abdelmgeid a aly, dan basis data yang digunakan dari penelitian balqis

8 Tujuan mengimplementasikan temu kembali citra menggunakan algoritme genetika. Ruang Lingkup Menguji kinerja algoritme genetika dalam pengukuran kesamaan berdasarkan ciri warna citra.

9 Metodologi Penelitian
Metodologi yang dilakukan dalam penelitian saya ini adalah sebagai berikut

10 Segmentasi Segmentasi 255 Dari metodolgi yang telah dijelaskan kita mulai dalam tahapan awal yaitu segmentasi citra.. Citra akan dikuantisasi warna piksel nya untuk mengurangi jumlah warna pada citra. Dengan nilai kuantisasi yang akan digunakan yaitu warna hitam,merah,hijau dan biru. Kemudian pusat citra dengan ukuran 20x20 akan dihitung nilai kuantisasinya. Dua warna nilai kuantisasi diatas 70 akan diambil, kecuali warna hitam. Seluruh citra piksel dengan warna kuantisasi tersebut menjadi objek citra yang menjadi perhatian utama. Kemudian citra tersebut akan dijadikan citra biner

11 Ekstraksi Fuzzy Color Histogram 37 Kelas Citra Bunga 370 warna
Tahap selanjutnya adalah ekstraksi ciri warna, ciri warna ini menggunakan salah satu metode yang merrepresentasikan informasi warna dalam citra digital ke dalam bentuk histogram yang kita sebut FCH. Citra yang terdiri dari 37 kelas citra bunga yang ada dalam basisdata, setiap warnanya akan direpresentasikan dengan himpunan fuzzy dan hubungan antar warna yang akan dimodelkan. Sehingga akan tercipta warna model sebanyak 370 warna 370 warna

12 Fuzzy C-Means FCM pusat…? 370 warna 25 bin
Setelah mendapatkan model citra atau membership function kita akan menggunakan FCM untuk menentukan pusat cluster warna yang akan memberikan warna dominan yang merepresentasikan tiap citra di setiap basisdata. Warna terbentuk sebanyak 25 bin

13 Matriks derajat keanggotaan dengan fungsi Cauchy
Fuzzy Color Histogram Matriks derajat keanggotaan dengan fungsi Cauchy Histogram warna Fchkueri x = Kemudian membershipfunction yang terbentuk akan dikalikan dengan histogram warna maka akan terbentuk nilai histogram pada citra pada kali ini adalah citra kueri.

14 Komputasi secara Alamiah
Evolusi Alam dan Algoritme Genetika ? Reproduksi : Seleksi Pindah Silang Mutasi Charles Darwin Komputasi secara Alamiah Algoritme Genetika (Solusi Optimal) John Golberg Kemudian setelah kita mendapatkan nilai vektor warna suatu citra kita akan melakukan pengukuran kesamaan citra menggunakan algoritma genetik. Akan tetapi, awalnya kita harus mengetahui mengenai GA terlebih dahulu.. Evolusi alam dan GA ada apa dan apa hubungannya Seperti yang diketahui teori evolusi yang terkenal yaitu charles darwin. Yang dimana charles darwin teorinya lebih memfokuskan pada sistem reproduksi makhluk hidup seperti seleksi, pindah silang dan mutasi. Dari hal tersebut membuat seorang peneliti jonh golberg mengembangkan sistem komputasi secara alamiah yaitu GA untuk mendapatkan solusi yang optimal

15 Genetika Individu Kromosom GEN GEN GEN GEN
GA berkembang secara biologi dan secara tidak langsung berhubungan dengan yang namanya genetik makhluk hidup terbentuk dari hal biological seperti gen, kromosom dan menjadikannya individu.genetik tersebut memiliki kumpulan gen yang kumpulan gen disebut dengan kromosom dan kromosom disebut juga dengan individu…

16 Genetika GEN Kromosom Individu Populasi GEN Kromosom Individu

17 Algoritme Genetika Adapun tahapan2 GA yang dilakukan dalam penelitian ini seperti gambar…dibacakan…

18 Penentuan Populasi Awal
Threshold = 0.4 Kita mulai dari tahap awal GA yaitu penentuan populasi awal suatu citra.. Dimana kita akan menentukan banyak populasi yang terbentuk antara citra kueri dan citra dalam basis data..yang kemudian kita tentukan nilai theshold dalam penetuannya sebesar 0.5

19 Fungsi Evaluasi SOLUSI Tujuan?? Fungsi Evaluasi Nilai minimum
Nilai maximum Jarak terdekat Jarak terjauh Dalam suatu proses harus lah memiliki suatu tujuan kemana kah proses ini akan berjalan …dalam GA disebut dengan fungsi evaluasi…seperti apakah tujuan tujuan dalam proses…seperti ……. Dan dalam sistem ini menggunakan pengukuran kesamaan citra kueri dengan basisdata

20 Fungsi Evaluasi = Fungsi Evaluasi 1 … Cosine coeficient 0.981 0.994
Eval(Vk) = … 1 0.981 0.994 0.471 Krom 1 Krom 2 Krom 3 Krom n Fungsi Evaluasi Cosine coeficient = Penelitian dalam sistem ini memiliki tujuan melakukan pengukuran kesamaan antara citra kueri dengan basisdata..fungsi yang digunakan yaitu cosine coefficient akan menghasilkan vektor nilai evaluasi tiap citra.

21 Seleksi Individu 1 : fitness = 25% Individu 2 : fitness = 50%
Tahap selanjutnya ialah fungsi yang tergantung dari hasil evaluasi…dimana hasil evaluasi tersebut akan menentukan peluang dalam pemilihan orang tua atau induk kromosom…proses ini disebut proses seleksi yang dimana proses menggunakan konsep roullete wheel..dapat dilihat nilai nilai evaluasi tiap individu

22 Seleksi 1 2 3 4 Roulette Wheel Populasi baru Individu 1 Individu 1
Bagaimanakah proses ini bekerja…? Proses bekerja layaknya meja roullete yang memutar secara acak dan akan berhenti di tempat yang memiliki peluang lebih besar untuk berhenti.. Seperti animasi berikut… Setiap individu memiliki kemungkin untuk muncul menjadi individu baru lebih dari satu kali.

23 PINdahsilang crossover
Populasi baru Rand< Pc 0.9 Setelah proses seleksi ada proses yang penting dalam GA yaitu proses pindahsilang…proses ini bertujuan untuk menyebar kan gen-gen yang memiliki nilai baik,. Bagaimanakan proses ini berjalan.. Kita lihat animasi berikut.. Populasi baru yang terbentuk dari proses seleksi akan terpilih dimana populasi tersebut akan dipilih berdasarkan nilai acak…nilai acak tersebut memiliki kurang dari peluang pindah silang …nilai yang kurang dari peluang akan terpilih menjadi kromosom induk untuk dilakukan proses pindah silang

24 Pindah Silang..lanjutan
Populasi baru TP = 3 TP Rand< Pc

25 Pindah silang…lanjutan crossover
Populasi baru TP = 3 TP Rand< Pc Kromosom baru Setelah terpilihnya induk pindah silang maka kromosom tersebut akan dipindah silang kan satu sama lain… Kemudian kita tentukan titik point secara acak yang digunakn ialah one point cross over.. Gen gen yang berada setelah titik point akan dipindah silang kan sehingga mendapat individu baru lagi…

26 MUTASI 13 Rand < Pm random 0.2
Kueri Populasi Rand < Pm random 13 0.2 Individu hasil pindah silang selanjutnya akan dilakukan proses genetik selanjutnya yaitu mutasi… Proses mutasi ini melakukan pergantian gen-gen pada populasi baru hasil pindah silang…dengan nilai acak kurang dari peluang mutasi maka terpilihlah individu-individu yang nilai gennya akan dilakukan pindah silang… Setelah itu menentukan nilai acak dengan nilai antara 1 – 25 (yaitu sebanyak gen) hal ini dilakukan untuk menentukan posisi gen manakah yang akan dilakukan pergantian gen…sebagai contoh ditemukan adalah 13…gen 13 pada citra kueri akan dipilih…kemudian nilai gen tersebut akan diberikan kepada individu yang terpilih untuk digantikan nilai gen nya dengan posisi yang sama dengan kueri

27 MUTASI Rand < Pm random 13 0.2

28 ? Elitisme Yang kuat ialah yang menang
Proses terakhir pada GA yaitu elitisme…proses ini memiliki konsep yang kuat ialah yang menang..disnilah proses dimana kromosom dengan nilai evaluasi yang kecil akan gugur atau digantikan dengan evaluasi yang lebih baik.

29 Rangking evaluasi yang terbaik
Elitisme Rangking evaluasi yang terbaik Induk Anak Individu Gabungan (2n) Individu baru (n) Prosesnya dapat dilihat dimana populasi induk dengan populasi anak hasil mutasi akan digabungkan dan akan diranking ..untuk melihat kromosom yang buruk dan akan digantikan dengan nilai individu yang lebih baik

30 Evaluasi Temu Kembali Basis data Relevan \R\ Temu Kembali |A| |Ra|

31 HASIL DAN PEMBAHASAN

32 Hasil dan Pembahasan

33 Hasil dan Pembahasan Rataan Recall dan Precision Recall GA (%) 100 0.1
100 0.1 91.17 0.2 85.64 0.3 82.14 0.4 74.73 0.5 71.33 0.6 65.32 0.7 59.33 0.8 51.46 0.9 30.42 1 21.56 Rataan 66.65

34 Rataan Recall dan Precision

35 KESIMPULAN DAN SARAN

36 Kesimpulan dan Saran Kesimpulan Hasil temu kembali baik
recall , dengan rataan precision sebesar 72.64% untuk tingkat tersebut. Saran Berbasis warna, bentuk, dan tekstur

37 Daftar Pustaka Aly AA Applying Genetic Algorithm in Query Improvement Problem. [3 Juli 2008]. Ardiansyah F Segmentasi Automatis Obyek pada Citra Fotografi untuk Temu Kembali Citra [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Baeza-Yates R dan Ribeiro-Neto R Modern Information Retrieval. New York : Addison Wesley. Balqis DP Fuzzy Color Histogram untuk Temu Kembali Citra Bunga. [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Belongie S, Carson C, Greenspan H, Malik J Color- and Texture-Based Image Segmentation Using EM and Its Application to Content-Based Image Retrieval. Computer Science Division, University of California at Berkeley, Berkeley, CA [6 Mei 2007]. Cox E Fuzzy Modeling and Genetic Algorithms for Data Mining and Exploration. USA: Morgan Kaufman Publishers. Gen M, Cheng R Genetics Algorithms and Engineering Design. John Wiley & Sons, Inc. Canada. Hadi S Pengembangan Model Generatif Pengenalan Wajah pada Latar Belakang, Pose dan Iluminasi yang Bervariasi [disertasi]. Bandung : Program Pascasarjana, Institut Teknologi Bandung. Han J, Ma K Data Mining: Concepts and Techniques. USA: Morgan Kaufman Publishers. Haupt RL, Haupt SE Practical Genetic Algorithms. New Jersey : John Willey. Hermawanto D Algoritma Genetika dan Contoh Aplikasinya. [17 Maret 2008] Klabbankoh B, Pinngern O Applied Genetic Algorithms in Information Retrieval. Bangkok : Faculty of Information Technology King Mongkut, Institute of Technology Ladkrabang. [17 Juli 2007] Mitchell M An Introduction to Genetic Algorithms. London : Massachusetts Institute of Technology. Noorniawati VY Metode Support Vector Machine untuk Klasifikasi pada Sistem Temu Kembali Citra. [Skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Owais SSJ, Kromer P, Snasel V Query Optimization by Genetic Algorithm. ftp.informatik.rwth-aachen.de /Publications/ CEUR-WS/Vol-129/paper16.pdf [3 Juli 2008]. Suyanto Algoritma Genetika dalam MATLAB. Penerbit ANDI. Yogyakarta Vertan C dan Boujemaa N Using Fuzzy Color Histogram and Distance for Color Image Retrieval. Prentice Hall. United Kingdom. inria.fr/imedia/Articles/cir2000.pdf [28 Oktober 2006] Zhang R, Zhang Z. A Robust Color Object Analysis Approach to Efficient Image Retrieval. [28 Oktober 2006].

38 Terimakasih

39 Seleksi