Ekstraksi Ciri Warna, Bentuk, dan Tekstur untuk Pengenalan Citra Ikan

S. Fatimah dan S.H. Wijaya

Departemen Ilmu Komputer, Institut Pertanian Bogor
Kampus Darmaga, Jl. Meranti Wing 20 Level V, Bogor, Jawa Barat, Indonesia
Email: ilkom@ipb.ac.id

ABSTRACT
Fishes are the most numerous and diverse of the major vertebrate groups causing difficulties in
fish image recognition. Therefore, feature extraction in content-based image retrieval is needed to
obtain pattern or fish features. This research uses freshwater fish images categorized based on the
family. This research started with collected fish images from Axelrod’s Mini-Atlas of Freshwater
Aquarium Fishes Mini-Edition. The first step in this research is segmented fish images with
expectation maximization algorithm for grouping color contained into images. Next step is image
extraction method by using three image visual features (color, shape, texture). Color feature
extraction with Fuzzy Color Histogram (FCH) method is used through computing the membership
function using Cauchy function. Shape feature is extracted using Hough Transform Circle and Co-
occurrence Matrix method is computed for texture feature extraction. Similarity value between image
query and images in database is then computed based on its features (color, shape, and texture) using
cosine similarity. Those features were combined with Bayesian Network Model. Average precision
value on all families fish images database for color, shape, texture and bayesian network are 0.2586,
0.2589, 0.2479, 0.2639 respectively. However, they don’t significantly different.

Keywords: fishes, feature extraction, content-based image retrieval (CBIR), fuzzy color histogram,
hough transform circle, bayesian network model

LATAR BELAKANG Penelitian ketiga, Hastuti (2007)

Ikan adalah kelompok hewan tidak
bertulang belakang yang jumlahnya paling
banyak dan bermacam-macam jenisnya (Moyle
& Cech 2006). Hal tersebut menyebabkan
sulitnya pengenalan citra ikan. Oleh karena itu,
diperlukan ekstraksi ciri untuk sistem temu
kembali sebagai pengenalan citra ikan dengan
pendekatan Content Based Image Retrieval
(CBIR).
CBIR yaitu temu kembali citra yang
didasarkan pada informasi yang secara langsung
diekstrak dari piksel (Chen Y et al. 2004).
Informasi tersebut seperti warna, bentuk, dan
tekstur yang terkandung dalam citra. Tahap
utama CBIR antara lain praproses, ekstraksi
ciri, pengindeksan, dan penemuan kembali citra.
Ekstraksi ciri merupakan salah satu tahapan
penting dari pengenalan citra.
Terdapat empat penelitian sebelumnya yang
terkait dengan ekstraksi ciri. Pertama, Balqis
(2006) mengimplementasikan Fuzzy Color
Histogram untuk ekstraksi ciri warna pada citra
bunga. Kedua, Wahyuningsih (2006)
mengimplementasikan metode Hough
Transform untuk ekstraksi ciri bentuk pada
citra bunga.
menerapkan algoritme Expectation
Maximization (EM) untuk segmentasi citra pada
sistem CBIR. Penelitian tersebut menunjukkan
bahwa penerapan algoritme EM untuk
segmentasi citra memberikan hasil temu
kembali yang lebih baik daripada hasil temu
kembali dengan segmentasi manual.
Penelitian keempat, Pebuardi (2008)
mengimplementasikan Bayesian Network pada
pengukuran kemiripan citra berdasarkan warna
menggunakan Conventional Color Histogram
(CCH), bentuk menggunakan Edge Direction,
dan tekstur menggunakan Co-occurence Matrix
dengan data citra yang beragam. Secara umum,
model Bayesian Network tersebut dapat
digunakan untuk meningkatkan nilai precision
hasil temu kembali.
Penelitian ini mengimplementasikan metode
ekstraksi warna menggunakan Fuzzy Color
Histogram, ekstraksi bentuk dengan Hough
Transform dan ekstraksi tekstur menggunakan
Co-occurence Matrix dengan terlebih dahulu
menerapkan segmentasi menggunakan
algoritme EM. Penelitian ini juga menggunakan
Bayesian Network dalam pengukuran kemipiran
dengan menggabungkan informasi warna,
bentuk, dan tekstur pada citra ikan.
 METODE PENELITIAN
Data
Data yang digunakan adalah hasil
pengambilan citra menggunakan kamera digital
pada buku Mini-Atlas of Freshwater Aquarium
Fishes Mini-Edition (Axelrod 1995). Objek
citra ikan hias air tawar ini dikelompokkan
menjadi delapan berdasarkan famili. Setiap
kelompok ikan diambil sebanyak 40 citra yang
memiliki kualitas foto terbaik sehingga total
data yang digunakan sebanyak 320 citra.
Segmentasi
Pada tahap segmentasi dengan algoritme
EM, setiap citra akan disegmentasi untuk
mengelompokkan warna yang dikandung oleh
setiap piksel dari citra ke beberapa segmen yang
sudah ditentukan jumlahnya. Segmen ini
merupakan representasi dari warna-warna
dominan citra. Setiap piksel dari citra
dibangkitkan dari salah satu G segmen, masing-
masing segmen diasumsikan mempunyai
distribusi normal Gauss.
Algoritme EM mempunyai dua tahapan
utama yaitu tahapan Expectation (E-step) dan
Maximization (M-step). Pada tahapan
Expectation, data X diasumsikan sebagai data
yang tidak lengkap dengan missing value
berupa label yang menyatakan keanggotaan tiap
piksel dari X ke dalam salah satu G segmen.
Tahapan ini menghitung peluang tiap piksel dari
tiap segmen dan membentuk matriks Z yang
akan melengkapi data X sehingga data yang
lengkap dapat dinyatakan sebagai Y = (X,Z).
Label tiap piksel didapatkan dari segmen yang
mempunyai peluang tertinggi dalam Z.
Pada tahapan Maximization, parameter
untuk iterasi berikutnya ditentukan sesuai
dugaan variabel dari Z. Nilai parameter yang
baru dari M-step ini akan digunakan kembali
untuk E-step pada iterasi berikutnya. Proses E-
step dan M-step akan terus berulang sampai
didapatkan nilai likelihood yang kecil sehingga
hasil perhitungan sudah tidak terlalu banyak
mengalami perubahan. Ketika nilai likelihood
hanya sedikit berubah, maka hasil dianggap
konvergen.
Ekstraksi Ciri
a Ekstraksi ciri warna
Pada penelitian ini, nilai warna
kuantisasi awal tersebut didasarkan pada
sebaran warna citra dalam basis data yang
memiliki delapan kelompok famili citra ikan
dengan jenis dan warna yang bervariasi.
Setiap famili citra ikan diambil 10, 15, 20,
25, dan 30 warna piksel yang muncul
terbanyak. Warna piksel yang diambil
adalah 15 warna terbanyak yang muncul
pada setiap famili karena meningkatkan nilai
precision temu kembali sehingga dihasilkan
120 warna semesta tanpa ada warna yang
sama.
Dari histogram awal dihasilkan jumlah
ciri yang terlalu banyak sehingga diperlukan
waktu komputasi yang besar untuk ekstraksi
ciri sebuah citra. Oleh karena itu perlu
dilakukan pengelompokan warna
(clustering) dari 120 warna semesta tersebut
ke dalam beberapa pusat cluster. Beberapa
jumlah bin untuk kuantisasi warna yang
digunakan adalah 10, 15, 20, 25, dan 30. Hal
ini bertujuan untuk mencari kuantisasi yang
optimal. Nilai bin yang digunakan yaitu 30
bin karena bin tersebut meningkatkan hasil
precision temu kembali.
Pada perhitungan FCH diperlukan
matriks derajat keanggotaan. Matriks ini
diperoleh dari fungsi Cauchy. Persamaan
fungsi Cauchy dapat dilihat pada Persamaan
1.
1
𝜇𝑐 𝑐 ′ = ′ 𝛼 , (1)
1+ 𝑑(𝑐 ,𝑐)/𝜎
dengan
d(c’,c) = jarak Euclid antara warna c
dengan c’,
c’ = warna pada bin FCH,
c = warna semesta,
α = digunakan untuk menentukan
kehalusan dari fungsi,
σ = untuk menentukan lebar dari
fungsi keanggotaan.
Percobaan dilakukan dengan nilai σ
sebesar 10, 15, 20, 25, dan 30. Nilai yang
digunakan σ =30 karena meningkatkan hasil
precision temu kembali.
Matriks derajat keanggotaan dari fungsi
Cauchy ini kemudian dikalikan dengan nilai
histogram. Perhitungan FCH ini dapat
dilihat pada Persamaan 2.
ℎ2 𝑐 = 𝑐 ′ ∈𝜇 ℎ1 𝑐 ′ 𝜇𝑐 𝑐 ′ , (2)
dengan
h2 𝑐 = fuzzy color histogram (FCH),
h 𝑐 = conventional color histogram,
µ𝑐 (𝑐 ′ ) = nilai keanggotaan dari warna c ke
warna c’.
Hasil perhitungan FCH ini kemudian
dinormalisasi. Persamaan normalisasi
tersebut dapat dilihat pada Persamaan 3.
ℎ2 𝑐
ℎ 𝑐 = ′ . (3)
𝑚𝑎𝑥 𝑐 ′ ∈𝜇 ℎ 2 𝑐
2
b Ekstraksi ciri bentuk
Tahap awal ekstraksi ciri bentuk
dilakukan pendeteksian tepi menggunakan
metode canny edge detector. Pendeteksi tepi
canny akan menandai piksel-piksel yang
mengalami perubahan intensitas gradien
yang cukup signifikan dan memberi nilai nol
pada piksel-piksel lain yang tidak
mengalami perubahan intensitas gradien
yang signifikan.
Tiap piksel yang ditandai oleh
pendeteksi tepi atau yang bernilai 1
kemudian diperiksa untuk mencari
kemungkinan kurva yang melalui piksel
tersebut. Setiap piksel pada citra yang dilalui
representasi bentuk diberi voting 1. Begitu
seterusnya sampai semua piksel pada citra
biner diperiksa. Pada bagian akhir, semua
nilai akumulasi untuk masing-masing piksel
untuk mengetahui kemungkinan bentuk
yang terbaca pada citra. Nilai-nilai tersebut
menandakan frekuensi banyaknya
representasi bentuk yang melalui titik
tersebut dan nilai-nilai tertinggi menandakan
bahwa kemungkinan besar bentuk-bentuk
yang (membentuk voting) melalui titik-titik
tersebut memang berada di dalam citra.
Titik-titik yang memiliki nilai voting
tertinggi disebut sebagai peak atau local
maxima. Peak yang ditemukan kemudian
diperiksa kembali apakah kurva yang
berasal dari titik tersebut benar mendekati
data sebenarnya dalam citra. Peak yang
nantinya menjadi fitur ciri dari citra adalah
peak yang paling banyak mendekati data
pada citra sebenarnya.
Pada penelitian ini dilakukan
pengambilan seratus buah peak yang
memiliki nilai voting tertinggi melalui
hough transform dan dibuat threshold untuk
pengambilan jumlah kurva yang paling
dekat dengan citra sebenarnya. Nilai
threshold yang diambil mulai dari 5, 10, 15,
dan 20. Pengambilan nilai threshold yang
bervariasi bertujuan untuk melihat
banyaknya jumlah kurva yang paling
optimal dalam mendekati data dalam citra.
c Ekstraksi ciri tekstur
Langkah awal yang dilakukan untuk
mendapatkan informasi tekstur dari sebuah
citra hasil segmentasi adalah dengan
menentukan co-occurrence matrix. Co-
occurrence matrix menggunakan beberapa
level keabuan yaitu 8, 16, 32 dan 64. Level
keabuan yang dipakai adalah delapan level
keabuan karena mengoptimalkan nilai
precision citra ikan.
Co-occurrence matrix dihitung dalam
empat arah yaitu 00, 450, 900, dan 1350. Jadi,
untuk setiap citra akan dihasilkan empat co-
occurrence matrix. Setelah itu, nilai energy,
IDM, entropy, MP, contrast, correlation,
dan homogenity dihitung untuk setiap co-
occurrence matrix sehingga untuk setiap
fitur akan diperoleh empat nilai, masing-
masing untuk arah 00, 450, 900, dan 1350.
Nilai dari setiap fitur diperoleh dengan
menghitung rata-rata keempat nilai fitur
yang bersangkutan. Informasi tersebut
kemudian direpresentasikan dengan sebuah
vektor yang memiliki tujuh elemen dan nilai
akhir dari informasi tekstur diperoleh
dengan melakukan normalisasi terhadap
vektor masing-masing citra.
Pengukuran Kemiripan
Pengukuran kemiripan antara citra kueri
dengan citra yang ada dalam basis data untuk
salah satu informasi warna, bentuk, dan tekstur
menggunakan ukuran kesamaan cosine. Rumus
ukuran kesamaan cosine dapat dilihat pada
Persamaan 4 (Rodrigues dan Araujo 2004).
𝑛
𝐼𝑡 𝑄 𝑖=1 𝐼𝑖 ×𝑄𝑖
𝑠𝑖𝑚(→ →
𝐼 , 𝑄 )= = , (4)
𝐼 𝑄 𝑛 𝑄 2× 𝑛 𝐼 2
𝑖=1 𝑖 𝑖=1 𝑖
dengan
I = citra dalam basis data
Q = citra kueri.
Pengukuran citra kueri dengan citra di dalam
basis data berdasarkan gabungan ketiga
informasi (warna, bentuk, dan tekstur) dihitung
menggunakan Bayesian Network (Rodrigues &
Araujo 2004). Rumus Bayesian Network dapat
dilihat pada Persamaan 5.
𝑃 𝐼𝑗 𝑄 = 𝜂 [1 − 1 − 𝑃 𝐶𝐶𝑗 | 𝐶𝐶 … 𝑥 1−
𝑃 𝐶𝑆𝑗 | 𝐶𝑆 𝑥 1 − 𝑃 𝐶𝑇𝑗 | 𝐶𝑇 ], (5)
dengan
P(CCj|CC) = nilai kemiripan warna
P(CSj|CS) = nilai kemiripan bentuk
P(CTj|CT) = nilai kemiripan tekstur.
Evaluasi Temu Kembali Citra
Evaluasi dilakukan untuk mengukur tingkat
keberhasilan dalam proses temu kembali citra
ikan. Proses evaluasi dilakukan dengan
menghitung nilai interpolasi dari recall dan
precision berdasarkan penilaian relevansinya
terhadap masing-masing famili citra ikan.
Semua citra di basis data dijadikan sebagai
3
kueri sehingga total kueri yang digunakan
sebanyak 320 citra.
HASIL PERCOBAAN
Segmentasi
Segmentasi pada citra ikan dilakukan untuk
mengelompokkan warna yang dikandung oleh
setiap piksel dari citra ke beberapa segmen
(cluster) yaitu dua, tiga, empat, lima, enam, dan
tujuh. Cluster ini merupakan representasi dari
warna-warna dominan citra. Pada tahap ini
diambil sebanyak sepuluh citra ikan berbagai
karakter yang dijadikan sample untuk
menentukan cluster terbaik pada citra ikan.
Tahapan segmentasi ini bertujuan mendapatkan
kelompok-kelompok warna dominan dan
mengurangi jumlah warna citra asli.
Berdasarkan hasil percobaan, jumlah cluster
terbaik yang digunakan untuk segmentasi citra
ikan adalah tujuh cluster. Citra hasil segmentasi
ini selanjutnya digunakan untuk tahapan
ekstraksi ciri warna, bentuk, dan tekstur.
Hasil Ekstraksi Ciri
a Ekstraksi ciri warna
Ekstraksi ciri warna menggunakan FCH
untuk seluruh citra yang ada di basis data
adalah matriks berukuran 30 x 320. Hal ini
dikarenakan jumlah bin yang digunakan
merupakan jumlah bin yang optimal, yaitu
30 dengan 320 citra yang ada di basis data.
b Ekstraksi ciri bentuk
Setelah didapatkan hasil segmentasi,
dilakukan proses pendeteksian tepi
menggunakan pendeteksi tepi Canny dengan
nilai threshold 0.5 dan variant 1.3. Contoh
citra biner hasil pendeteksi tepi Canny untuk
setiap famili dapat dilihat pada Gambar 1.
Hasil citra biner kemudian menjadi masukan
bagi penerapan metode HT.
(a) Family Cichlidae
(b) The Anabantoids
(c) Killifishes and Relatives
(d) The Characoid Fishes
(e) The Catfishes
(f) The Livebearers
(g) Barbs and Minnows
(h) Other Families
Gambar 1 Contoh citra deteksi tepi Canny.
HT menggunakan pendekatan lingkaran,
dari tiap titik tepi pada citra biner akan
dibuat sejumlah lingkaran dengan nilai
radius yang berbeda-beda pada rentang nilai
r =1 piksel hingga r = N piksel dengan N
adalah ukuran panjang citra maksimum. Hal
tersebut dilakukan untuk mendefinisikan
semua kemungkinan lingkaran yang terdapat
pada citra yang dipusatkan pada titik tepi
tersebut. Accumulator array (x0, y0, r)
mencatat jumlah lingkaran dengan radius r
yang melalui (x0, y0).
Pada akhir proses HT dipilih jumlah
voting pada accumulator array yang
memiliki voting paling banyak untuk
masing-masing nilai radius yang disebut
sebagai nilai peak. Kemudian diperiksa
kembali apakah kurva (lingkaran) yang
ditandai oleh peak tersebut benar mendekati
data sebenarnya di dalam citra. Dari proses
tersebut dihasilkan matriks dua dimensi
berukuran sama dengan ukuran citra yang
diolah. Pada matriks tersebut terdapat
sejumlah peaks yang menandai keberadaan
kurva (lingkaran) yang sesuai dengan citra.
Hasil HT dapat dilihat pada Gambar 2.
Untuk setiap percobaan dilakukan
pengambilan jumlah peak yang berbeda.
Berdasarkan percobaan, pengambilan
jumlah peak yang optimal sebanyak lima
peak.
Berdasarkan percobaan awal terhadap
jenis HT yang digunakan untuk citra ikan,
HT lingkaran lebih meningkatkan precision
temu kembali citra daripada HT elips. Oleh
karena itu, metode penciri bentuk yang
digunakan adalah HT lingkaran.
(a) Family Cichlidae
4
 keberhasilan dalam proses temu kembali citra.
Perhitungan nilai precision dari suatu famili
dilakukan dengan cara menjadikan setiap citra
yang ada di famili tersebut sebagai citra kueri.
(b) The Anabantoids Nilai yang disajikan adalah nilai precision
berdasarkan ciri warna, bentuk, tekstur dan
penggabungan ketiganya dengan Bayesian
Network.
(c) Killifishes and Relatives Perbandingan rata-rata nilai precision untuk
seluruh famili dapat dilihat pada Tabel 1. Nilai
rata-rata precision terbesar untuk seluruh famili
diperoleh menggunakan gabungan warna,
(d) The Characoid Fishes bentuk, dan tekstur (model Bayesian Network)
yaitu sebesar 0.2639. Namun demikian, nilai
rata-rata precision terkecil untuk seluruh famili
diperoleh menggunakan penciri tekstur. Hal ini
disebabkan tekstur pada citra ikan umumnya
(e) The Catfishes lebih beragam.
Tabel 1 Perbandingan nilai recall precision
untuk seluruh famili

(f) The Livebearers Recall Warna Bentuk Tekstur Bayesian

0 1 1 1 1
0.1 0.3411 0.3283 0.2866 0.3363
0.2 0.2396 0.2381 0.2097 0.2423
0.3 0.1959 0.1980 0.1785 0.2040
(g) Barbs and Minnows 0.4 0.1824 0.1830 0.1738 0.1944
0.5 0.1659 0.1704 0.1656 0.1810
0.6 0.1538 0.1620 0.1570 0.1696
0.7 0.1468 0.1531 0.1485 0.1582
(h) Other Families 0.8 0.1441 0.1461 0.1419 0.1473
0.9 0.1422 0.1391 0.1357 0.1408
Gambar 2 Hasil hough transform lingkaran. 1 0.1333 0.1295 0.1292 0.1298
Rataan 0.2586 0.2589 0.2479 0.2639
c Ekstraksi ciri tekstur
Pengujian
Hasil dari ekstraksi ciri tekstur untuk
seluruh citra hasil segmentasi yang ada di Pengujian digunakan untuk menguji
basis data adalah sebuah matriks berukuran kesamaan kinerja antara beberapa metode, yaitu
7 x 320, karena terdapat 320 buah citra di penciri warna, bentuk, tekstur dan bayesian.
basis data dan setiap citra direpresentasikan Pengujian dilakukan dengan menghitung nilai
dengan sebuah vektor yang memiliki ANOVA berdasarkan pendekatan rataan
elemen sebanyak tujuh buah yaitu energy, precision setiap famili ikan hias air tawar. Hasil
IDM, entropy, MP, contrast, correlation, ANOVA dengan α=0.05 dapat dilihat pada
dan homogeneity. Tabel 2.
Hasil Temu Kembali Tabel 2. ANOVA berdasarkan rataan
precision
Temu kembali yang dihasilkan merupakan
citra-citra yang memiliki kemiripan yang paling Fkritis
SK JK db KT FHit
tinggi dengan citra kueri berdasarkan ciri (F(α))
bentuk, ciri tekstur dan gabungan ketiganya Perlakuan 0.00110 3 0.00036 0.16 2.9467
dengan model Bayesian Network. Hasil temu 84
kembali menggunakan model Bayesian Network
dapat dilihat pada Gambar 3. Galat 0.06098 28 0.00217

Evaluasi Temu Kembali Citra Total 0.06208 31

Perhitungan nilai recall dan precision
dilakukan untuk menentukan tingkat

5
 Gambar 3 Hasil temu kembali menggunakan model Bayesian Network.
Hipotesis Pengujian:
H0 : tidak ada metode yang berbeda nyata
H1 : minimal ada sepasang metode yang
berbeda nyata
Keputusan terima H0 dapat diambil karena
Fhit < Fα. Kesimpulan yang didapat adalah tidak
ada metode yang berbeda nyata antara penciri
warna, bentuk, tekstur dan bayesian.
KESIMPULAN DAN SARAN
Kesimpulan
Ekstraksi ciri warna, bentuk, dan tekstur
pada citra ikan hias air tawar berhasil dilakukan.
Nilai rata-rata precision seluruh citra dalam
database paling baik menggunakan penciri
bentuk, yaitu sebesar 0.2589 sedangkan untuk
penciri warna sebesar 0.2586, dan penciri
tekstur menghasilkan nilai terkecil yaitu 0.2479.
Gabungan ketiga ciri (warna, bentuk, dan
tekstur) dapat menghasilkan nilai rata-rata
precision sebesar 0.2639. Tidak ada metode
yang berbeda nyata antara penciri warna,
bentuk, tekstur dan gabungan ketiganya.
Saran
Penelitian lebih lanjut berupa ekstraksi ciri
warna, bentuk, dan tekstur pada citra ikan
menggunakan tahap segmentasi dengan
pendekatan lokal (local-based) dan pendekatan
bagian (part-based).
DAFTAR PUSTAKA
Aunuddin. 2005. Statistika: Rancangan dan
Analisis Data. Bogor: IPBPRESS.
Axelrod HR. 1995. Mini-Atlas of Freshwater
Aquarium Fishes Mini-Edition. United
States: T. F. H. Publications, Inc.
Belongie S, et al. 1998. Color- and Texture-
Based Image Segmentation Using EM and
Its Application to Content-Based Image
Retrieval. Berkeley: ICCV.
Balqis DP. 2006. Fuzzy Color Histogram untuk
Temu Kembali Citra Bunga. [Skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Chen Y, et al. 2004. Machine Learning and
Statistical Modeling Approaches to Image
Retrieval. United States of America: Kluwer
Academic Publishers.
Han J, Ma K. 2002. Fuzzy Color Histogram and
Its Use in Color Image Retrieval. IEEE
Transaction on Image Processing, vol 11,
no. 8.
Hastuti YP. 2007. Analisis Kinerja Algoritma
Expectation Maximization untuk Segmentasi
dan Sistem Temu Kembali Citra. [Skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
McAndrew A. 2004. Introduction to Digital
Image Processing with MATLAB. Boston:
Thomson.
Moyle PB, Cech JJ. 1992. Fishes: An Yates B & Neto R. 1999. Modern Information
Introduction to Ichthyology. New York: Retrieval. New York: Addison Wesley.
Prentice Hall.
Zhang R, Zhang Z. 2004. A Robust Color
Nixon MS, Aguado AS. 2002. Feature Object Analysis Approach to Efficient
Extraction and Image Processing. London: Image. EURASIP Journal on Applied Signal
Newnes.
Processing, 6, 871-885.
Osadebey ME. 2006. Integrated Content-Based
Image Retrieval Using Texture, Shape and
Spasial Information. [Thesis]. Umea:
Department of Applied Phyiscs and
Electronics, Umea University.
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk, dan Tekstur
Menggunakan Bayesian Network. [Skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengethuan Alam, Institut Pertanian Bogor.
Rodrigues PS & Araujo A. 2004. A Bayesian
Network Model Combining Color, Shape
and Texture Information to Improve Content
Based Image Retrieval System. Brazil:
LNCC.
Wahyuningsih Y. 2006. Metode Hough
Transform untuk ekstraksi ciri bentuk pada
citra bunga. [Skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Walpole RE. 1992. Pengantar Statistika.
Jakarta: PT Gramedia Pustaka Utama.