commit to user
PENGARUH PERBEDAAN STRATEGI METODE SELEKSI
DALAM ALGORITMA GENETIKA UNTUK KOMPRESI
CITRA FRAKTAL
HALAMAN JUDUL
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu
Jurusan Informatika
Disusun Oleh:
DANY KHARISMA
NIM. M0508095
JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
commit to user
iii
PENGARUH PERBEDAAN STRATEGI METODE SELEKSI DALAM ALGORITMA GENETIKA UNTUK KOMPRESI CITRA FRAKTAL
DANY KHARISMA
Jurusan Informatika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret.
ABSTRAK
Teknik kompresi citra fraktal menghasilkan rasio citra yang tinggi dengan
kualitas citra yang baik pula, namun dalam proses kompresinya memerlukan
waktu yang cukup lama dalam proses pencocokan blok jelajah dan blok ranah.
Pendekatan Algoritma Genetika digunakan untuk memecahkan permasalahan ini,
yaitu dengan menghasilkan penyelesaian secara random untuk proses pencocokan
blok jelajah dan blok ranah. Pada proses kerjanya Algoritma Genetika secara
umum meliputi pembangkitan populasi, seleksi, pindah silang, serta mutasi.
Proses pindah silang dan mutasi dalam Algoritma Genetika memerlukan
individu-individu terbaik, dimana individu-individu tersebut ditentukan pada
proses seleksi. Penelitian ini membahas tentang kinerja Algoritma Genetika dalam
kompresi citra fraktal dengan menggunakan strategi metode seleksi yang berbeda.
Metode seleksi yang akan dibahas disini dipilih dari klasifikasi mekanisme seleksi
standar, yaitu metode seleksi Roulette Wheel, Rank-Based, dan Tournament.
Hasil penelitian menunjukkan bahwa metode seleksi Tournament secara
umum memberikan hasil yang paling baik daripada metode seleksi Roulette Wheel
dan Rank-Based. Uji coba dilakukan dengan ukuran blok jelajah 4x4 dan 2x2,
ukuran populasi 10, generasi 100, Pm 0.1, 0.001, dan Pc 0.6, 0.7, 0.8, 0.9, 1,0.
Citra kompresi terbaik pada seleksi Tournament menghasilkan rasio 75,13%,
waktu kompresi 14,3 detik, dan Mean Square Error (MSE) 0,08896.
Kata kunci: Algoritma Genetika, Kompresi citra fraktal, Roulette Wheel,
commit to user
iv
INFLUENCE OF DIFFERENT GENETIC ALGORITHM SELECTION STRATEGIES FOR FRACTAL IMAGE COMPRESSION
DANY KHARISMA
Department of Informatics. Faculty of Mathematic and Natural Science. Sebelas Maret University.
ABSTRACT
Fractal image compression technique has best result in image ratio and has
best quality, but in compression process need a long time to checking range
blocks and domain blocks. Genetic Algorihm is used to solve this problem, which
produces random solutions to process of checking range blocks and domain
blocks. Process of Genetic Algorithm is generally consist of random generation of
populations, selection, crossover, and mutation.
Processing of crossover and mutation in Genetic Algorithm need best
individuals, which that individuals is produced on selection process. This research
presents about comparisson of different Genetic Algorithm’s selection strategies.
Selection methods will present in this research are choosen from the general
classification of standard mechanisms in Genetic Algorithm, they are Roulette
Wheel selection, Rank-Based selection, and Tournament selection.
Results also reveal that Tournament selection method commonly has the
best solution than Roulette Wheel selection and Rank-Based selection.
Experimentation was did at 4x4 and 2x2 range blocks, populations size 10,
generations size 100, probability of mutation 0.1, 0.001, probability of crossover
0.6, 0.7, 0.8, 0.9, 1,0. The best image compression at Tournament method gives
ratio 75.13%, compression time 14.3 seconds, and Mean Square Error (MSE)
0.08896.
Keywords: Roulette Wheel, Rank-Based, Tournament, Genetic Algorithm, Fractal
commit to user
v MOTTO
“Karena sesungguhnya sesudah kesulitan itu ada kemudahan, sesungguhnya sesudah kesulitan itu ada kemudahan. Maka apabila kamu telah selesai (dari
sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain, dan hanya
kepada Tuhanmulah hendaknya kamu berharap.”
(QS. Al Insyirah: 5-8)
“Barang siapa yang menghendaki kehidupan dunia maka wajib baginya memiliki
ilmu, dan barang siapa yang menghendaki kehidupan Akherat, maka wajib baginya
memiliki ilmu, dan barang siapa menghendaki keduanya maka wajib baginya
memiliki ilmu.”
(HR. Turmudzi)
“Pendidikan merupakan perlengkapan paling baik untuk hari tua.”
(Aristoteles)
“Kesulitan adalah teka-teki pemikiran. Kesabaran dan kesungguhanlah yang akan
commit to user
vi
PERSEMBAHAN
Wahai Dzat Yang Maha Memberi Manfaat,
melalui karya inilah sedikit manfaat yang dapat kupersembahkan untuk...
“Bapak, Ibu, dan Adik tercinta.”
“Sahabat dekatku dan sahabat-sahabat karibku.”
“Kawan-kawan Informatika, khususnya Kawan-kawan Informatika 2008.” “Kawan-kawan kos Domino dan kos Rilda.”
commit to user
vii
KATA PENGANTAR
Segala puji hanyalah milik Allah SWT yang telah melimpahkan rahmat-Nya, serta telah mengirimkan Muhammad SAW sebagai pembawa petunjuk kebenaran di dunia. Berkat nikmat, karunia, dan bimbingan-Nya lah penulis dapat
menyelesaikan skripsi yang berjudul “Pengaruh Perbedaan Strategi Metode
Seleksi Dalam Algoritma Genetika Untuk Kompresi Citra Fraktal” yang disusun
sebagai persyaratan mendapatkan gelar Sarjana Informatika di Universitas Sebelas Maret, Surakarta.
Dengan segala kerendahan hati, penulis mengucapkan banyak terima kasih kepada semua pihak yang dengan rela meluangkan waktunya untuk memberikan bimbingan dan masukan yang sangat bermanfaat dalam menyelesaikan skripsi ini. Oleh karena itu penulis mengucapkan terima kasih kepada:
1. Bapak Wiharto, S.T., M.Kom. selaku Dosen Pembimbing 1 yang penuh dengan kesabaran membimbing, mengarahkan, dan memberikan semangat kepada penulis selama proses penyusunan skripsi.
2. Ibu Esti Suryani, S.Si., M.Kom. selaku Dosen Pembimbing 2 yang penuh dengan kesabaran membimbing, mengarahkan, dan memberikan semangat kepada penulis selama proses penyusunan skripsi.
3. Bapak Ristu Saptono, S.Si., MT. selaku Pembimbing Akademik yang telah memberi bimbingan dan pengarahan selama penulis menempuh studi di jurusan Informatika FMIPA, UNS.
4. Ibu Umi Salamah, S.Si., M.Kom. selaku Ketua Jurusan Informatika FMIPA, UNS.
5. Bapak dan Ibu dosen yang telah mengajar penulis selama menempuh masa studi di Informatika FMIPA, UNS.
6. Ibu, Bapak, dan Adik, serta sahabat dekatku, sahabat-sahabat karibku, kawan-kawan Informatika FMIPA UNS, khususnya kawan-kawan-kawan-kawan Informatika 2008 dan kawan-kawan Informatika 2010, dan kawan-kawan Dewan Mahasiswa FMIPA UNS periode 2010 dan 2011.
Semoga Allah SWT membalas budi baik semua pihak yang telah membantu dalam menyelesaikan skripsi ini. Penulis menyadari bahwa masih banyak kekurangan dalam hal materi pembahasan maupun tata cara penulisan, akan tetapi penulis berharap skripsi ini dapat bermanfaat bagi semua pihak.
Surakarta, 1 Agustus 2013
commit to user
viii DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN PENGESAHAN ... Error! Bookmark not defined. ABSTRAK ... iii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 3
1.3 Batasan Masalah ... 3
1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 3
1.6 Sistematika Penulisan ... 3
BAB II TINJAUAN PUSTAKA ... 5
2.1 Landasan Teori ... 5
2.1.1 Definisi Fraktal ... 5
2.1.2 Iterated Function System (IFS) ... 5
2.1.3 Pengkodean Citra dengan Iterated Function System (IFS) ... 7
commit to user
ix
2.1.5 Algoritma Genetika ... 10
2.1.6 Metode Seleksi ... 12
2.1.7 Pindah Silang (Crossover) ... 15
2.1.8 Mutasi ... 15
2.1.9 Algoritma Genetika pada Kompresi Citra Fraktal... 16
2.2 Penelitian Terkait ... 16
2.3 Rencana Penelitian ... 20
BAB III METODOLOGI PENELITIAN... 21
3.1 Studi Literatur ... 21
3.2 Analisa dan Perancangan ... 21
3.2.1 Arsitektur Kompresi Citra Fraktal dengan Algoritma Genetika ... 21
3.2.2 Proses Seleksi Algoritma Genetika untuk Kompresi Citra Fraktal ... 23
3.3 Implementasi ... 23
3.4 Uji Coba dan Evaluasi ... 23
BAB IV HASIL DAN PEMBAHASAN ... 25
4.1 Tahap Pengujian ... 25
4.2 Hasil Pengujian ... 25
BAB V KESIMPULAN DAN SARAN ... 35
5.1 KESIMPULAN ... 35
5.2 SARAN ... 35
DAFTAR PUSTAKA ... 36
commit to user
x
DAFTAR GAMBAR
Gambar 2.1 Multiple Reduction Copy Machine. (Barnsley, 1988) ... 6
Gambar 2.2 Contoh citra input dan salinan pada MRCM(Barnsley,1988) ... 6
Gambar 2.3 MRCM dalam membentuk segitiga Sierpinski (Barnsley, 1988) ... 7
Gambar 2.4 Pakis Barnsley dan empat buah transformasi affine-nya (Munir, 2004) ... 8
Gambar 2.5 Kemiripan lokal pada citra Lena (Munir, 2004) ... 8
Gambar 2.6 Pemetaan dari blok ranah ke blok jelajah (Munir, 2004) ... 9
Gambar 2.7 Siklus Algoritma Genetika ... 12
Gambar 2.8 Seleksi Roulette Wheel ... 13
Gambar 2.9 Seleksi Rank-Based ... 14
Gambar 2.10 Seleksi Tournament ... 15
Gambar 2.11 Penyilangan satu titik ... 15
Gambar 2.12 Mutasi dengan metode pertukaran (swap) ... 16
Gambar 3.1 Alur Metodologi Penelitian ... 21
Gambar 3.2 Diagram Alir Kompresi Citra Fraktal dengan Proses Genetika ... 23
Gambar 4.1 Grafik pengaruh probabilitas pindah silang terhadap rata-rata MSE dengan nilai probabilitas mutasi 0,1... 26
Gambar 4.2 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu kompresi dengan nilai probabilitas mutasi 0,1 ... 27
Gambar 4.3 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio dengan nilai probabilitas mutasi 0,1... 27
commit to user
xi
Gambar 4.5 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu
kompresi dengan nilai probabilitas mutasi 0,001 ... 29
Gambar 4.6 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio
dengan nilai probabilitas mutasi 0,001... 29
Gambar 4.7 Grafik pengaruh probabilitas pindah silang terhadap rata-rata MSE
dengan nilai probabilitas mutasi 0,1... 30
Gambar 4.8 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu
kompresi dengan nilai probabilitas mutasi 0,1 ... 31
Gambar 4.9 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio
dengan nilai probabilitas mutasi 0,1... 31
Gambar 4.10 Grafik pengaruh probabilitas pindah silang terhadap rata-rata MSE
dengan nilai probabilitas mutasi 0,001... 32
Gambar 4.11 Grafik pengaruh probabilitas pindah silang terhadap rata-rata waktu
kompresi dengan nilai probabilitas mutasi 0,001 ... 33
Gambar 4.12 Grafik pengaruh probabilitas pindah silang terhadap rata-rata rasio
commit to user
xii
DAFTAR TABEL
Tabel 4.1 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada
Blok Jelajah 4x4 dengan variasi Pm 0.1 ... 25
Tabel 4.2 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok
Jelajah 4x4 dengan variasi Pm 0.1 ... 26
Tabel 4.3 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok
Jelajah 4x4 dengan variasi Pm 0.1 ... 26
Tabel 4.4 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada
Blok Jelajah 4x4 dengan variasi Pm 0.001 ... 27
Tabel 4.5 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok
Jelajah 4x4 dengan variasi Pm 0.001 ... 28
Tabel 4.6 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok
Jelajah 4x4 dengan variasi Pm 0.001 ... 28
Tabel 4.7 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada
Blok Jelajah 2x2 dengan variasi Pm 0.1 ... 29
Tabel 4.8 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok
Jelajah 2x2 dengan variasi Pm 0.1 ... 30
Tabel 4.9 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok
Jelajah 2x2 dengan variasi Pm 0.1 ... 30
Tabel 4.10 Hasil Pengujian Menggunakan Metode Seleksi Roulette Wheel pada
Blok Jelajah 2x2 dengan variasi Pm 0.001 ... 31
Tabel 4.11 Hasil Pengujian Menggunakan Metode Seleksi Rank-Based pada Blok
Jelajah 2x2 dengan variasi Pm 0.001 ... 32
Tabel 4.12 Hasil Pengujian Menggunakan Metode Seleksi Tournament pada Blok
Jelajah 2x2 dengan variasi Pm 0.001 ... 32
Tabel 4.13 Hasil terbaik strategi seleksi Algoritma Genetika dengan ukuran blok
jelajah 4x4 ... 33
Tabel 4.14 Hasil terbaik strategi seleksi Algoritma Genetika dengan ukuran blok