Deteksi Objek pada Citra Digital Menggunakan

Algoritma Genetika
untuk Studi Kasus Sel Sabit
David Nagataries1), Stevanus Hardiristanto2), Mauridhi Hery Purnomo3)
Jurusan Teknik Elektro FTI – ITS
Nagataries06@mhs.ee.its.ac.id1), hardi@its.ac.id2), hery@elect-eng.its.ac.id3)

Abstract— Pada penelitian ini dikembangkan suatu sistem
deteksi objek menggunakan konsep Bin Packing Problem
(BPP). BPP merupakan suatu permasalahan pengisian ruang
dalam sebuah kontainer. Suatu bentuk kontainer tentunya
akan terisi penuh bila diisi dengan benda atau kombinasi
beberapa benda yang memiliki bentuk sama dengan bentuk
kontainer tersebut. Hal ini serupa dengan tujuan sistem
deteksi dimana suatu objek akan dicocokkan dengan suatu
template referensi. Masalah overlap yang umumnya dihindari
dalam BPP dapat berubah menjadi sesuatu yang dapat
dimanfaatkan dalam sistem deteksi.
Lebih lanjut, dengan bentuk permasalahan kombinasional
yang kompleks, algoritma genetika atau Genetic Algorithm
(GA) dipilih sebagai algoritma pencari solusi. Beberapa
modifikasi diterapkan pada desain GA untuk memenuhi
bentuk sistem deteksi dengan konsep BPP.
Pada riset ini, digunakan kasus pengujian berupa deteksi
sickle cell pada citra sel darah yang diambil menggunakan
mikroskop digital. Dari hasil pengujian, sistem deteksi ini
dapat memperoleh nilai akurasi rata-rata lebih dari 70%.
Pemilihan parameter GA yang sesuai dengan karakteristik
objek dapat menghasilkan deteksi yang akurat.
Kata Kunci — Algoritma Genetika, Bin Packing Problem,
Deteksi Objek.
I. PENDAHULUAN
Deteksi objek dalam digital image processing adalah
suatu proses yang digunakan untuk menetukan keberadaan
objek tertentu di dalam suatu citra digital. Proses deteksi
tersebut dapat dilakukan dengan berbagai macam metode
yang umumnya melakukan pembacaan fitur-fitur dari
seluruh objek pada citra input. Fitur dari objek pada citra
input tersebut akan dibandingkan dengan fitur dari objek
referensi atau template. Hasil perbandingan tersebut dapat
digunakan untuk menentukan apakah suatu objek
terdeteksi sebagai template yang dimaksud atau tidak.
Proses pembacaan dan perbandingan fitur objek
umumnya mengalami kesulitan pada saat suatu objek
berhimpit atau tertutup oleh objek lain dalam citra. Hal ini
mengakibatkan dua objek tersebut terbaca sebagai satu
objek dan berakibat pada hasil pembacaan fitur yang salah
terutama saat suatu bagian objek tertutup objek lain.
Kejadian ini juga dikenal sebagai permasalahan overlap
pada digital image processing.
Referensi riset [1] menggunakan Genetic Algorithm
untuk melakukan deteksi objek dengan template berbentuk
lingkaran (circular). Proses deteksi dilakukan dengan cara
memosisikan template lingkaran pada bagian objek.
Dengan genetic algorithm, bentuk objek yang luas (akibat
overlap) dapat tetap ter-’cover’ dengan kombinasi
beberapa template berbentuk lingkaran.
Penelitian ini bertujuan untuk mengembangkan metode
deteksi objek berdasarkan template bebas (arbitrary
shape) dengan fokus pada permasalahan overlap. Objek
dalam kondisi overlap hanya dapat dikenali dengan
membaca fitur yang tampak. Fitur yang efektif untuk
digunakan dalam kasus ini adalah bentuk objek. Oleh
karena itu, metode deteksi objek dalam penelitian ini akan
menitik-beratkan pengenalan objek dari bentuknya.
Bentuk permasalahan pengenalan objek berdasarkan
bentuk tersebut mirip dengan bentuk permasalahan Bin
Packing. Bin Packing Problem merupakan permasalahan
pengisisan suatu kontainer dengan barang-barang tertentu
hingga ruang di dalam kontainer terpakai secara efisien.
Bila dihubungkan dengan permasalahan deteksi objek,
kontainer dapat dianalogikan dengan objek yang akan
diproses dan barang pengisi dapat dianalogikan dengan
template. Dengan demikian penelitian ini akan mencoba
menyelesaikan permasalahan deteksi objek dengan konsep
penyelesaian Bin Packing Problem.
Lebih lanjut, sistem deteksi objek dengan konsep Bin
Packing Problem ini memperlukan suatu algorima untuk
mencari solusinya. Riset-riset sebelumnya [2][3]
menggunakan Genetic Algorithm untuk menyelesaikan
permasalahan Bin Packing. Pada riset [2], Genetic
Algorithm mampu memposisikan barang ke dalam
kontainer dalam 1000 generasi. Namun, hasil pemosisian
barang masih mengalami permasalahan overlap. Pada riset
[3], desain Genetic Algorithm yang digunakan mampu
menyusun barang-barang dengan bentuk tidak beraturan
secara effisien di dalam kontainer berbentuk persegi.
Dengan dasar riset-riset tersebut, penelitian ini
menggunakan Genetic Algorithm untuk menyelesaikan
permasalahan deteksi objek. Genetic Algorithm dalam
program/sistem akan mengatur penempatan template
dalam kontanier (gambar objek yang akan dideteksi).
Dengan model Bin Packing Problem, permasalahan
overlap yang umumnya harus dihindari dapat
dimanfaatkan dalam sistem deteksi.
II. DASAR TEORI
A. Algoritma Genetika Klasik
Algoritma genetika atau disebut juga dengan Genetic
Algorithm (GA) merupakan suatu algoritma yang
didasarkan pada model evolusi alam. Pada alam, setiap
individu akan saling berkompetisi untuk dapat bertahan
dengan aturan yang telah ditetapkan. Individu yang
berkualitas (menurut aturan alam) akan bertahan dan
berkembang biak. Sedangkan individu yang tidak dapat
menyesuaikan kondisinya dengan alam akan dipaksa untuk
berubah atau musnah.
Pada umumnya, GA digunakan untuk menyelesaikan
masalah optimasi diskrit. GA memiliki heurisitik yang
baik untuk bentuk permasalahan kombinatorial. Ciri GA
adalah adalah menitik beratkan perolehan solusi dengan
cara rekombinasi (crossover). Genetic algorithm klasik
(Classical GA) merupakan bentuk GA yang paling
sederhana. GA modifikasi yang didesain khusus untuk
menyelesaikan permasalahan tertentu umumnya
didasarkan pada bentuk GA klasik.
Berikut ini adalah bentuk pseudo-code Genetic algorithm
klasik:
Bangkitkan populasi awal, N individu-kromosom
(inisialisasi)
Loop hingga kondisi penghentian terpenuhi
Dekodekan kromosom
Evaluasi individu (penilaian)
Seleksi individu (eliminasi)
Rekombinasi dengan probabilitas tertentu
Mutasi dengan probabilitas tertentu
Generasi = Generasi + 1
End
Pada GA klasik, jumlah kromosom dalam setiap
individu adalah tetap yaitu satu kromosom untuk satu
individu. Inisialisasi populasi awal dilakukan dengan
membentuk sejumlah individu (N) yang berisi kromosom
random. Jumlah gen pada setiap kromosom juga berjumlah
tetap. Format penulisan informasi dalam gen umumnya
menggunakan bentuk bilangan biner, integer atau
pengkodean lain yang disesuaikan dengan bentuk
permasalahan yang akan ditangani.
Tahap evaluasi individu dilakukan dengan memberikan
nilai fitness value pada setiap individu berdasarkan solusi
yang ditawarkan oleh individu tersebut. Bentuk
perhitungan yang diterapkan pada tahap ini umumnya
digunakan untuk mendefinisikan tujuan sistem, dimana
individu (solusi) yang memenuhi tujuan akan mendapat
nilai tinggi dan individu yang jauh dari tujuan akan
mendapat nilai rendah. Karena dalam GA klasik 1 individu
berisi 1 kromosom, maka fitness value dari individu juga
dapat disebut fitness value dari kromosom dalam individu
tersebut.
Fitness value dari setiap individu menentukan besar
kemungkinannya untuk bertahan dalam tahap eliminasi.
Bila suatu individu berhasil lolos dari tahap eliminasi,
maka ia akan masuk ke tahap evolusi untuk membentuk
generasi berikutnya.
Tahap evolusi pada GA klasik menggunakan operasi
rekombinasi dan mutasi. Rekombinasi atau crossover
melibatkan 2 individu / kromosom untuk melakukan
pertukaran gen seperti ilustrasi pada Gambar 2-1. Proses
rekombinasi umumnya terjadi dengan probabilitas tertentu.
Bila suatu individu / kromosom terpilih untuk melakukan
rekombinasi maka ia perlu memilih partner. Pada
penelitian ini, pemilihan partner dilakukan dengan metode
roulette-wheel. Metode roulette-wheel memberikan
probabilitas pemilihan yang proporsinal terhadap besar
fitness value dari setiap individu individu / kromosom.
Dengan kata lain, individu /kromosom yang memiliki
fitness value besar akan semakin mungkin terpilih.
Rekombinasi 1-point
cross point
Rekombinasi 2-point (multi point)
cross point
Gambar 2-1 : Rekombinasi (Crossover)
Operasi mutasi pada GA klasik dilakukan dengan merubah
nilai sebuah gen pada suatu kromosom. Mutasi umumnya
terjadi dengan probabilitas yang jauh lebih kecil dari
probabilitas kejadian crossover.
B. GA Referensi
Sistem deteksi pada referensi [1] dilakukan dengan
menemukan lokasi objek yang dicari. Untuk menemukan
lokasi objek tersebut, dilakukan penyebaran detektor
berbentuk lingkaran. Target dari sistem deteksi adalah
memposisikan lingkaran-lingkaran tersebut pada objek
sehingga di dalam satu lingkaran terdapat satu objek yang
dicari. Dalam hal ini GA berperan untuk mencari posisi
yang tepat untuk setiap lingkaran.
Dari riset [1] didapat hasil yang cukup optimal dengan
parameter GA sebagai berikut:
- Jumlah kromosom N=50.
- Batas generasi T=50.
- Probabilitas crossover Pc=80%.
- Probabilitas mutasi Pm=8%.
- Jumlah kromosom elite Pe=5.
Penempatan lingkaran pada objek dapat mencapai akurasi
100% pada kasus yang diujikan [1]. Hal ini membuktikan
bahwa dengan efek randomisasi yang tidak terprediksi,
GA mampu memberikan hasil yang akurat untuk model
sistem deteksi [1]. Pada riset ini juga diketahui bahwa
peningkatan nilai N dan T akan memberikan hasil GA
yang lebih baik dan parameter Pm yang baik adalah sekitar
10%.
C. Bin Packing Problem
Pada Bin Packing Problem (BPP), sistem berusaha
untuk mengisi ruang dalam sebuah kontainer dengan
berbagai benda yang disediakan hingga suatu target
tercapai. Target tersebut umumnya berupa penggunaan
seluruh ruang dalam kontainer (kontainer penuh terisi).
Suatu bentuk kontainer tentunya akan terisi penuh dengan
mudah bila diisi dengan benda yang memiliki bentuk sama
dengan bentuk kontainer tersebut. Kemungkinan pengisian
lain adalah dengan beberapa benda yang dapat
dikombinasikan menjadi bentuk yang sesuai dengan ruang
kontainer tersebut. Konsep penyelesaian bin packing
problem tersebut sangat mirip dengan proses deteksi atau
pengenalan objek pada gambar, dimana suatu objek pada
gambar input akan dicocokkan dengan template-template
yang telah diketahui. Pengenalan bentuk objek dilakukan
dengan meng-’isi’ objek tersebut dengan template yang
ada. Kesamaan problem tampak terutama saat suatu objek
menampung beberapa bentuk template sekaligus karena
kasus overlap, sehingga objek tersebut harus di-’isi dengan
sejumlah template untuk mengenalinya. Dari penjelasan
tersebut, disimpulkan bahwa deteksi objek dapat
diselesaikan menggunakan konsep Bin Packing Problem.
III. DESAIN DAN IMPLEMENTASI SISTEM
A. Desain Umum
Sistem didesain untuk menerima input berupa citra sel
darah berwarna (RGB) dan gambar template yang akan
digunakan sebagai acuan. Bentuk input tersebut perlu
diproses lebih lanjut untuk mempermudah
pembacaan/pemrosesan objek pada bagian genetic
algorithm. Tahap-tahap proses deteksi objek ditunjukkan
dalam Gambar 3-1.
Setelah tahap pre-processing, sistem akan masuk ke
tahap pemrosesan objek menggunakan genetic algorithm.
Tahap pemrosesan objek ini menghasilkan output berupa
lokasi (koordinat) gambar template, untuk
menampilkannya (menggambarkan hasil deteksi)
digunakan tahap post-processing.
CITRA SEL DARAH TEMPLATE
PRE-PROCESSING
KONVERSI BINARY IMAGE
OBJECT LABELING
GENETIC ALGORITHM
UNTUK DETEKSI OBJEK
POST-PROCESSING
HASIL DETEKSI
Gambar 3-1 : Desain sistem
B. Pre-processing
Langkah pertama dari tahap pre-rocessing adalah
merubah gambar input ke bentuk binary image (gambar
dengan nilai 0 dan 1). Konversi ini dapat dilakukan dengan
beberapa metode thresholding (disesuaikan dengan
karakteristik gambar input). Gambar input yang digunakan
untuk pengujian dalam riset ini memiliki karakteristik
intensitas objek yang berbeda jauh dengan intensitas
backgroundnya dan bersifat homogen. Dengan kondisi
tersebut, kami memutuskan untuk menggunakan metode
global thresholding [1]. Operasi-operasi image
enhancement dapat diterapkan pada tahap ini untuk
menghasilkan bentuk binary image yang representatif
terhadap bentuk objek aktual.
Langkah berikutnya adalah proses object labeling.
Proses ini dilakukan dengan memberikan nomor pada
sekumpulan pixel objek yang terhubung secara 8-
connected, seperti ilustrasi pada Gambar 3-2. Setiap
kumpulan objek yang terlabel akan di-‘crop’ dan
dimasukkan ke dalam suatu bidang gambar berbentuk
kotak dengan ukuran yang sama dengan bentuk objek.
Proses ini bertujuan untuk memudahkan pembacaan setiap
objek pada sistem deteksi (GA). Hasil proses object
labeling ini dapat dilihat pada Gambar 3-3. Gambar 3-3b
merupakan hasil cropping dari kumpulan pixel objek di
tengah-tengah Gambar 3-3a. Dengan object labeling, hasil
crop Gambar 3-3b yang masih mengandung objek lain
dapat dibersihkan dengan memeriksa nomor objek yang
bersangkutan. Hasil crop setiap kumpulan pixel objek
tersebut akan diproses secara satu per satu oleh sistem
deteksi (GA).
Tahap pre-processing juga diterapkan pada setiap
template referensi (benda pengisi kontainer). Tiap
template referensi akan diberi nomor yang akan digunakan
pada gen BTK dari kromosom GA untuk deteksi objek.
 a : 4-connected b : 8-connected
Gambar 3-2 : Ilustrasi proses object labeling
b c
a memilih bentuk template yang dapat masuk tepat di dalam
Gambar 3-3 : Proses object labelling – object cropping
C. Genetic Algorithm untuk Deteksi Objek
Desain GA sistem deteksi ini merepresentasikan satu
solusi dalam bentuk satu individu yang dalam hal ini kami
sebut dengan Entity. Sebuah entity dapat berisi sejumlah
kombinasi kromosom, dimana satu kromosom
merepresentasikan sebuah benda (template) yang
ditempatkan di dalam kontainer (gambar objek). Dengan
kata lain, jumlah kromosom dalam sebuah entity dapat
berubah-ubah. Setiap kromosom menyimpan informasi
(gen) berupa bentuk template yang digunakan (BTK /
bentuk), sudut rotasi (SDT / sudut), besar gambar (SKL /
skala) dan posisi penempatan template tersebut (X,Y).
Setiap informasi tersebut dituliskan dalam format integer.
Gambar 3-4 menunjukkan bentuk kromosom yang
digunakan.
Kromosom BTK SDT SKL Y X
Entity .....
Gambar 3-4 : Entity - kromosom
Gambar 3-5 menunjukkan alur proses GA untuk deteksi
objek.
INISIALISASI
Set objek berikutnya
Penilaian fitness value
generasi awal
Tidak
Kondisi Ya
Seluruh objek
penghentian
terproses ?
tercapai ?
Tidak
Ya
Eliminasi
Selesai
Regenerasi - Evolusi
Penilaian fitness value
Gambar 3-5 : Alur proses genetic algorithm
Inisialisasi generasi awal dilakukan dengan mengisi
sejumlah entity dengan satu kromosom. Tiap elemen (gen)
pada kromosom awal tersebut ditentukan dengan hanya
objek atau dengan toleransi tertentu. Untuk melakukan hal
ini, gen SKL dari kromosom awal akan diset pada nilai
terkecil yang diperbolehkan untuk memperbesar
kesempatan pemilihan seluruh bentuk template referensi.
Gen BTK akan dipilih secara random. Sedangkan gen
SDT, Y dan X ditentukan berdasarkan suatu catatan / list
penempatan. Catatan / list penempatan tersebut berisi
kombinasi rotasi (SKL) dan posisi (X dan Y) dari bentuk
template tertentu yang memenuhi syarat penempatan (tepat
berada di dalam luasan gambar objek atau dengan toleransi
tertentu). Bila tidak terdapat bentuk template yang dapat
ditempatkan ke dalam gambar objek, maka gambar objek
tersebut dapat dianggap sebagai noise. Dalam hal ini,
proses deteksi GA untuk objek (noise) tersebut akan
langsung dihentikan dengan menset kondisi penghentian
dan GA akan mengambil gambar objek berikutnya untuk
diproses.
Tahap penilaian fitness value (evaluasi) dilakukan untuk
entity dan kromosom. Penilaian fitness value kromosom
dilakukan berdasarkan efektivitas suatu kromosom untuk
mengisi ruang / luasan gambar objek. Sedangkan penilaian
fitness value entity dilakukan berdasarkan luasan gambar
objek yang berhasil diisi dan sekaligus menjadi kriteria
penghentian utama GA (sebagai target). Luas dalam hal ini
dihitung dalam satuan pixel.
Fitness Value Kromosom
Penilaian fitness value kromosom dilakukan
berdasarkan 4 kriteria dan dilakukan dalam lingkup satu
entity. Kriteria pertama bertujuan untuk menghilangkan
kromosom kembar (memiliki gen yang sama). Hal ini
dilakukan dengan membaca seluruh bentuk kromosom
dalam sebuah entity. Bila terdapat sekelompok kromosom
kembar, maka GA akan langsung mengeliminasi seluruh menset nilai fitness value akhirnya sebesar
kromosom kembar dengan menyisakan satu kromosom 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣.
dari kembaran tersebut. Kromosom yang dieliminasi akan
mendapat nilai fitness value sebesar 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 dan Fitness Value Entity
tidak akan mendapat proses penilaian berikutnya. Fitness value entity digunakan sebagai kriteria
penghentian operasi GA. Berikut ini adalah bentuk
Kriteria yang kedua adalah jumlah luasan template yang perhitungan yang digunakan:
berada didalam gambar objek (overlap antara luasan 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 = ∑𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 ℎ 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑓𝑓𝑓𝑓𝑓𝑓 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ∩
template dengan luasan gambar objek). Berikut ini adalah 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜.....(3-6)
bentuk perhitungan yang digunakan:
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 = 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 =
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
.....(3-7)
𝐿𝐿 𝑖𝑖𝑖𝑖 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
100 × , 𝐿𝐿 𝑖𝑖𝑖𝑖 ≥ 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
� 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ..... (3-1) 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 didapat dengan mengabungkan/menjumlahkan
𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 , 𝐿𝐿 𝑖𝑖𝑖𝑖 < 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 seluruh luasan template yang memiliki fitness value lebih
Bobot penilaian adalah 100, dengan 𝐿𝐿 𝑖𝑖𝑖𝑖 sebagai luasan dari nilai 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 . Range nilai fitness value
template yang berada tepat di dalam luasan gambar objek. entity adalah 0 hingga 1. Proses optimasi GA akan
Pembagian dengan luas template dimaksudkan agar dihentikan bila salah satu entity memiliki nilai fitness
populasi tidak didominasi oleh template-template value yang sama atau lebih tinggi dari target yang
berukuran besar. Bila suatu luasan template yang berada di ditentukan.
dalam objek terlalu sedikit (lebih kecil dari suatu nilai
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ), maka nilai fitness value akhir kromosom
tersebut akan langsung diset kenilai 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣. Eliminasi
Sistem eliminasi diterapkan untuk skala kromosom
Kriteria ketiga adalah himpitan tepi (border) template (entity tidak mengalami eliminasi sehingga jumlahnya
dengan tepi objek. Bentuk perhitungan yang digunakan akan selalu tetap) dengan tujuan untuk menimbulkan
adalah sebagai berikut: kompetisi antar kromosom dan menjaga kualitas rata-rata
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦 𝑏𝑏𝑏𝑏𝑏𝑏 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 = 400 × 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
.....(3-2) kromosom di dalam entity. Sistem eliminasi ini juga
Dengan bobot/skala yang tinggi (400), kriteria ini dilakukan dengan batasan setiap entity harus berisi
digunakan untuk mengarahkan sistem untuk membentuk minimal satu kromosom. Digunakan dua variabel sebagai
solusi yang lebih terfokus pada bentuk objek (tidak hanya acuan eliminasi yaitu 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑡𝑡ℎ𝑟𝑟𝑟𝑟𝑟𝑟ℎ𝑜𝑜𝑜𝑜𝑜𝑜 dan
pada penutupan/pemenuhan ruang di dalam objek). 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣. Kromosom yang memiliki nilai fitness
value sama dengan atau lebih kecil dari kedua variabel
Kriteria keempat adalah overlap antar template. tersebut akan tereliminasi. Berikut ini adalah bentuk
Penilaian untuk kriteria ini dilakukan dalam dua bentuk. perhitungan 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑡𝑡ℎ𝑟𝑟𝑟𝑟𝑟𝑟ℎ𝑜𝑜𝑜𝑜𝑜𝑜:
Perhitungan pertama melakukan penilaian berdasar jumlah
lapisan overlap dengan template lain dengan bentuk 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑡𝑡ℎ𝑟𝑟𝑟𝑟𝑟𝑟ℎ𝑜𝑜𝑜𝑜𝑜𝑜 =
∑𝑛𝑛 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 𝑖𝑖
sebagai berikut: 𝐴𝐴𝐴𝐴𝐴𝐴 × 𝑖𝑖=1 .....(3-8)
𝑛𝑛
𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 1 =
100 × Perhitungan tersebut mengambil nilai rata-rata fitness
𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 ℎ 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘
( 𝑍𝑍 ×𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑎𝑎)– ∑𝑛𝑛 = 1 ( 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑛𝑛 ∩𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑎𝑎) value dari seluruh kromosom yang berada di dalam suatu
.....(3-3)
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑎𝑎 entity, dengan 𝑛𝑛 adalah jumlah kromosom pada entity
Bobot penilaian pertama adalah 100 dan menetralkan tersebut. Dari rataan tersebut diberikan faktor pengali 𝐴𝐴𝐴𝐴𝐴𝐴
dominasi template berukuran besar. Nilai 𝑍𝑍 digunakan (average tolerance) yang digunakan sebagai faktor
sebagai suatu toleransi jumlah lapisan overlap yang toleransi. Nilai 𝐴𝐴𝐴𝐴𝐴𝐴 sebaiknya menggunakan angka antara
diperbolehkan. 0,5 hingga 1.
Perhitungan overlap kedua dilakukan berdasarkan luasan
template yang tidak ter-overlap oleh template lainnya atau Regenerasi – evolusi
disebut dengan exclusive area. Bentuk perhitungannya Berikut ini adalah list operasi yang digunakan :
adalah sebagai berikut: 1. Breed new chromosome
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑎𝑎𝑟𝑟𝑟𝑟𝑟𝑟
𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 2 = 100 × ( 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑎𝑎
− 0,5).....(3-4) 2. Growth
Bentuk peniliaian akhir untuk kriteria overlap adalah 3. Modified crossover
sebagai berikut: 4. Mutation
𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 =
𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 1 + 𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 2 , 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 > 0 a. Soft mutation
� .....(
𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑢𝑢𝑢𝑢 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣, 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 = 0 b. Harsh mutation
3-5)
Bentuk penilaian (3-5) akan menghilangkan template- Breed new chromosom melakukan operasi penambahan
template yang memiliki luasan tertutup total (completely kromosom pada suatu entity. Operasi ini akan selalu
overlapped) oleh template lain. Hal ini dilakukan dengan berjalan pada tiap generasi untuk setiap entity. Proses
pembentukan kromosom baru sama dengan proses
inisialisasi generasi yaitu dilakukan berdasarkan suatu
catatan / list penempatan dengan SKL terkecil dan BTK
random.

Growth merupakan operasi yang melakukan

penambahan nilai pada gen SKL. Hal ini berhubungan erat
dengan nilai SKL awal dari seluruh kromosom yang diset
ke nilai terendah. Kromosom yang berhasil masuk dalam
generasi baru akan mengalami perkembangan. Operasi ini
selalu berjalan pada tiap generasi untuk setiap kromosom.
Operasi penambahan ini dilakukan dengan syarat setelah Gambar 4-1 : Gambar awal citra sel darah RGB[6]
pembesaran skala, kondisi template harus tetap berada
dalam toleransi (berada di dalam luasan gambar objek).
Bila pembesaran tidak dapat dilakukan, maka operasi akan
beralih ke pengurangan nilai SKL. Pada generasi
berikutnya nilai SKL kromosom tersebut akan kembali
ditingkatkan. Hal ini dimaksudkan untuk memberi
kesempatan perubahan rotasi kecil (mutasi) pada saat SKL
dikecilkan sementara.

Model operasi crossover pada GA ini berbeda dengan

model GA klasik. Crossover modifikasi ini dilakukan
memasukkan kromosom baru yang dipilih dari suatu entity
ke dalam entity lainnya. Operasi crossover modifikasi ini
berjalan dengan probabilitas tertentu per entity. Bila suatu
entity terpilih untuk melakukan crossover maka ia akan
memilih kromosom lain yang akan diambil dari entity
lainnya. Pemilihan entity dan kromosom partner ini
dilakukan dengan metode roulette wheel.
Operasi mutasi terbagi menjadi dua tipe yaitu soft dan
harsh mutation. Soft mutation melakukan operasi mutasi
dalam skala yang kecil dan dilakukan dengan syarat
mutasi tersebut tidak menyebabkan sutau kromosom
menyalahi toleransi.
Operasi harsh mutation bekerja layaknya mutasi pada
umumnya (dengan mengikuti batasan range nilai untuk
setiap gen).
D. Post-processing
Tahap ini dilakukan untuk menggambarkan ulang hasil
deteksi. Dari hasil akhir GA, dipilih entity yang memiliki
fitness value terbaik dan dilakukan pembacaan terhadap
setiap kromosom didalamnya. Sistem akan
menggambarkan setiap informasi dalam kromosom-
kromosom tersebut pada sebuah bidang gambar output.
IV. PENGUJIAN DAN ANALISA
Riset ini menggunakan kasus pengujian berupa deteksi
sickle cell pada gambar sel darah yang diambil
menggunakan mikroskop digital. Gambar 4-1
menunjukkan gambar input yang digunakan dan Gambar
4-2 menunjukkan hasil konversi binary image-nya.
Gambar 4-2: Hasil konversi citra sel darah
Dari perhitungan secara manual didapat data jumlah objek
sebagai berikut:
 Jumlah normal cell = 54
 Jumlah sickle cell = 4
A. Uji Desain Genetic Algorithm
Pada tahap ini, diujikan 3 desain Genetic Algorithm
(sistem deteksi). Berikut ini adalah bentuk desain setiap
Genetic Algorithm yang diujikan:
GA 1:
1. Inisialisasi Generasi sesuai desain.
2. Peniliaian kromosom sesuai desain, kecuali:
a. Penilaian border tanpa toleransi (tanpa
dilatasi) dan dengan bobot 100.
b. Penilaian overlap hanya menggunakan
bentuk pertama (𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 1).
3. Proses eliminasi sesuai desain.
4. Proses regenerasi-evolusi sesuai desain, kecuali:
a. Tanpa operasi Growth.
b. Mutasi hanya menggunakan Harsh
mutation.
GA 2:
1. Inisialisasi Generasi sesuai desain.
2. Penilaian kromosom sesuai desain, kecuali :
a. Penilaian border tanpa toleransi (tanpa
dilatasi).
b. Penilaian overlap hanya menggunakan
bentuk pertama (𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂𝑂 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 1).
3. Proses eliminasi sesuai desain.
 4. Proses regenerasi-evolusi sesuai desain, kecuali:
a. Mutasi hanya menggunakan Harsh Tabel 4-2 : Precision – Recall (uji desain sistem deteksi)
mutation. GA1 GA2 GA3
Sickle
Precision 0,1429 0,2857 0,4000
Recall 0,7500 1,0000 1,0000
GA 3: Accuracy 0,7121 0.8485 0.9063
1. Inisialisasi Generasi sesuai desain. Normal
2. Penilaian kromosom sesuai desain. Precision 0,5802 0,6935 0,7031
3. Proses eliminasi sesuai desain. Recall 0,8704 0,7963 0,8333
Accuracy 0.5729 0.6341 0.6364
4. Proses regenerasi-evolusi sesuai desain.

Tiga desain Genetic Algorithm tersebut menggunakan Desain GA1 memiliki akurasi deteksi sickle cell yang
parameter input yang sama. Berikut ini adalah parameter- terendah diantara ketiga desain. Hasil output GA1
parameter yang digunakan: memberikan banyak deteksi yang terlalu ‘brutal’ dan
1. number_of_entity = 20 jumlah overlap yang berlebihan. Pergerakan fitness value
2. maximum_generation = 100 pada populasi GA1 cenderung konstan setelah beberapa
generasi, hal ini diprediksi akibat persebaran kromosom
3. entity_fitness_value_target = 0,8
defective yang tidak terkontrol. Bentuk penilaian pada
4. size_tolerance = 0,35
GA1 kurang mampu mendefinisikan tujuan sistem dan
5. template_fill = 1,0 berakibat pada kondisi populasi yang tidak terfokus pada
6. maximum_overlaps = 2 tujuan deteksi.
7. elimination_threshold_limit = 0
8. 𝐴𝐴𝐴𝐴𝐴𝐴 = 0,85 Desain GA2 mampu mendeteksi seluruh sickle cell
9. Crossover chance = 50% aktual yang ada pada gambar input (recall 100%).
10. Soft mutation chance = 10% Precision GA2 untuk sickle cell juga meningkat bila
11. Harsh mutation chance = 0,1% dibandingkan dengan GA1, namun masih dapat dikatakan
rendah. Kondisi false positive GA2 lebih banyak terjadi
Template yang digunakan sebagai referensi dibagi menjadi akibat deteksi ulang terhadap sickle cell yang telah
dua kelompok yaitu kelompok sickle cell dan kelompok terdeteksi (1 sickle cell aktual terdeteksi sebagai 3-4 sickle
normal cell. Template referensi yang digunakan diambil cell). Hal ini diakibatkan proses penilaian overlap yang
dari objek dalam Gambar 4-2 sendiri. Dengan demikian kurang efisien (tidak menggunakan bentuk perhitungan
tidak terjadi permasalahan skala/zoom. Dalam uji coba ini kedua).
digunakan satu template untuk masing-masing kelompok Bentuk penilaian border yang ketat pada GA2 umumnya
seperti terlihat pada Gambar 4-3. mengakibatkan sistem semakin sulit untuk mencapai target
Kelompok 1 – Sickle cell Kelompok 2 – Normal cell
(membutuhkan generasi berlebih). Namun dengan bantuan
operasi growth GA2 justru menjadi jauh lebih cepat
dibandingkan dengan GA1. Hal ini sekaligus
membuktikan manfaat operasi growth dalam pencapaian
target deteksi dengan memperkecil jumlah generasi total
Gambar 4-3 : Template referensi yang dibutuhkan oleh GA2.
Pergerakan fitness value GA2 memasuki kondisi ‘statis’
pada nilai yang lebih dekat dengan target bila
Tabel 4-1 dan 4-2 menunjukkan data ROC hasil pengujian:
dibandingkan dengan GA1.
Tabel 4-1 : Analisa hasil uji coba desain sistem deteksi
GA1 GA2 GA3
Desain GA3 memiliki akurasi deteksi sickle cell yang
Sickle Detection 21 14 10
terbaik dari dua desain lainnya. GA3 juga memiliki nilai
True positive 3 4 4 precision yang terbaik untuk sickle dan normal cell.
False positive 18 10 6 Jumlah deteksi normal cell GA3 dapat dikatakan hampir
True negative 44 52 54 sama dengan GA1 dan GA3.
False negative 1 0 0 False positive pada GA3 dapat dikatakan lebih baik dari
GA1 dan GA2. Hal ini dapat dilihat pada deteksi sickle
Normal Detection 81 62 64
True positive 47 43 45
cell, kondisi false positive hanya terjadi akibat deteksi
False positive 34 19 19 ulang terhadap objek sickle cell aktual. GA3 berhasil
True negative 8 9 4 untuk tidak membaca bentuk lain diluar bentuk referensi
False negative 7 11 9 yang diberikan.
Total generasi yang dibutuhkan GA3 dalam proses
Total generations 2453 1324 1054 deteksi merupakan yang terkecil. Hal ini didapat dari
Average generation 37,7385 20,3692 16,2154
bentuk penilaian yang tepat, operasi growth dan tambahan Tabel 4-5: Precision – Recall (uji parameter)
soft mutation. Desain soft mutation memungkinkan suatu GA3α GA3β GA3γ
entity untuk meningkatkan fitness valuenya tanpa Sickle
mengacaukan atau bahkan mengulang kombinasi Precision 0,2857 0,4000 0,2500
kromosom di dalamnya. Recall 0,5000 1,0000 1,0000
Accuracy 0.8772 0.9063 0.8154
Pergerakan fitness value pada GA3 lebih dinamis bila
Normal
dibandingkan dengan GA1 dan GA2, hal ini menunjukkan Precision 0,5506 0,6769 0,6301
efektivitas operasi soft mutation. Recall 0,9074 0,8148 0,8519
Accuracy 0.5213 0.6076 0.5882
B. Uji Parameter Genetic Algorithm
Pada tahap ini akan dilakukan pengujian parameter
genetic algorithm dengan gambar input dan template
referensi yang sama dengan pengujuan desain GA. V. PENUTUP
Pengujian parameter ini dilakukan menggunakan desain
A. Kesimpulan
GA3. Pilihan desain ini didasarkan pada hasil pengujian
sebelumnya dimana desain GA3 dinilai sebagai desain Sistem deteksi menggunakan genetik algorithm (GA3) ini
yang terbaik dari dua desain lainnya. Pengujian ini dapat mencapai nilai akurasi rata-rata 73,23% pada
menggunakan tiga kelompok parameter pada Tabel 4-3. pengujian deteksi sickle cell. False positive pada hasil
deteksi umumnya dikarenakan deteksi berulang untuk
Tabel 4-3 : Tiga kelompok parameter yang diujikan suatu objek yang sama.
Pemilihan beberapa parameter GA pada sistem deteksi ini
GA 3α GA 3β GA 3γ
sangat bergantung dari karakteristik objek yang akan
number_of_entity 20 20 30 dideteksi. Berikut ini adalah poin-poin utama yang dapat
maximum_generation 100 100 150 digunakan sebagai acuan pemilihan parameter:
entity_fitness_value_target 0,8 0,85 0,75 1. number_of_entity : Jumlah minimal yang
size_tolerance 0,35 0,3 0,35 diperlukan untuk deteksi yang baik adalah
template_fill 0,5 1,0 1,0 sejumlah template referensi yang digunakan.
maximum_overlaps 2 2 3 Semakin besar jumlah entity yang digunakan,
elimination_threshold_limit 0 0 0 semakin tinggi akurasi deteksi. Untuk kasus yang
𝑨𝑨𝑨𝑨𝑨𝑨 0,85 0,85 0,8 diujikan pada penelitian ini, jumlah entity terbaik
Crossover chance 50% 80% 50% adalah 20.
Soft mutation chance 10% 30% 10% 2. maximum_generation : Nilai yang besar
Harsh mutation chance 0,1% 1% 0,1% dapat memungkinkan populasi untuk mencapai
fitness value yang lebih tinggi. Hal ini berarti
peningkatan batas generasi dapat meningkatkan
Tabel 4-4 dan 4-5 menunjukkan data ROC hasil pengujian. hasil deteksi. Namun batas generasi yang terlalu
besar dapat menyebabkan sistem berjalan terlalu
Tabel 4-4 : Analisa hasil uji coba parameter lama akibat pergerakan fitness value yang mulai
GA3α GA3β GA3γ statis. Fitness value statis dapat diakibatkan
Sickle Detection 7 10 16 populasi yang gagal membentuk solusi atau
True positive 2 4 4 akibat bentuk objek yang tidak sesuai dengan
False positive 5 6 12 template referensi. Nilai
True negative 48 54 49
False negative 2 0 0 maximum_generation sebaiknya
dikoordinasikan dengan probabilitas mutasi dan
Normal Detection 89 65 73 crossover. Untuk kasus yang diujikan pada
True positive 49 44 46 penelitian ini, batas generasi terbaik berkisar
False positive 40 21 27 antara 100 hingga 1000.
True negative 0 4 4
3. entity_fitness_value_target : Nilai
False negative 5 10 8
yang optimal untuk digunakan adalah 0,70 - 0,85.
Total generations 318 1598 587 Nilai yang terlalu rendah mengakibatkan deteksi
Average generation 4,8923 24,5846 9,0308 kurang akurat terhadap bentuk objek keseluruhan.
Sedangkan nilai yang terlalu tinggi dapat
mengakibatkan peningkatan jumlah generasi
tanpa peningkatan kualitas deteksi.
4. size_tolerance : Bergantung dari
karakteristik objek yang akan dideteksi. Untuk
 kasus yang diujikan pada penelitian ini, nilai
terbaik adalah 0,2 hingga 0,4.
5. template_fill : Untuk objek dengan bentuk
tanpa lekukan yang tajam, disarankan
menggunakan nilai 0,8 hingga 1,0. Namun untuk
objek dengan lekukan tajam (misal berbentuk zig-
zag), disarankan menggunakan nilai di bawah 1,0.
6. maximum_overlaps : Bergantung dari
permasalahan deteksi. Dapat menggunakan nilai
2 – tak terhingga. Nilai batas overlap 1 dapat
mengakibatkan efek negatif yang besar pada nilai
fitness value total kromosom. Oleh karena itu,
bila menggunakan nilai 1 maka parameter 𝐴𝐴𝐴𝐴𝐴𝐴
harus mengimbangi bentuk persaingan overlap
yang ketat.
7. elimination_threshold_limit :
Disarankan menggunakan nilai 0. Namun dapat
diubah sesuai dengan kebutuhan deteksi dengan
batas nilai 700.
8. 𝐴𝐴𝐴𝐴𝐴𝐴 : Nilai terbaik adalah 0,8 – 0,85. Namun
dapat diubah sesuai kebutuhan deteksi dengan
batas minimum 0,1.
9. Crossover chance : Nilai terbaik adalah
50% (untuk batas generasi 100).
10. Soft mutation chance : Nilai terbaik
adalah 10% (untuk batas generasi 100).
11. Harsh mutation chance : Nilai terbaik
adalah 1% (untuk batas generasi 100).
B. Saran
Pengembangan selanjutnya dapat menambahkan elemen
grayscale dari objek-template dalam proses penilaian
fitness value. Deteksi dapat menjadi lebih akurat dengan
referensi warna grayscale dari template dan objek. Hal ini
membutuhkan perhitungan ulang komposisi bobot antara
kriteria penilaian yang telah ada.
Sistem deteksi ini dapat dikembangkan lebih lanjut
untuk mendeteksi objek 3 dimensi. Hal ini memperlukan
perubahan bentuk kromosom yang menapung gen
koordinat X,Y dan Z. Demikian pula dengan rotasi
terhadap sumbu X,Y dan Z. Untuk deteksi objek 3 dimensi
ini disarankan menggunakan array 3 dimensi sebagai
pengganti bidang gambar 2 dimensi yang digunakan.
VI. REFERENSI
[1] G.Karkavitsas, M.Rangoussi, "Object localization in
medical images using genetic
algorithms,“ International Journal of Signal
Processing, vol. 1, No. 4, pp. 204-207, 2005.
[2] Armando Ponce-Pérez, Arturo Pérez-Garcia, Victor
Ayala-Ramirez, "Bin-Packing Using Genetic
Algorithms," conielecomp, pp.311-314, 15th
International Conference on Electronics,
Communications and Computers
(CONIELECOMP'05), 2005
[3] Mei Ying, Zhu Liangsheng, Ye Jiawei, "An
Improved Immune Genetic Algorithm for Solving the
Packing Problem in the Hull Construction Automatic
Packing System," iitaw, pp.464-467, 2009 Third
International Symposium on Intelligent Information
Technology Application Workshops, 2009
[4] Otsu, N., "A Threshold Selection Method from Gray-
Level Histograms," IEEE Transactions on Systems,
Man, and Cybernetics, Vol. 9, No. 1, 1979, pp. 62-66.
[5] Gonzalez, R. C., Woods, R. E., and Eddins, S. L.
[2004]. Digital Image Processing Using MATLAB,
Prentice Hall, Upper Saddle River, NJ.
[6] http://imagebank.hematology.org/default.aspx
[7] MATLAB version 7.11.0.584. Natick,
Massachusetts: The MathWorks Inc., 2010.