Ekstraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrival of Images (CLUE).

ISSN : 2302-450X

PROSIDING
PERTEMUAN DAN PRESENTASI KARYA ILMIAH
BALI, 23 OKTOBER 2015

PEMBICARA UTAMA SEMINAR PANEL DENGAN TEMA
“Inovasi Teknologi Informasi dan Komunikasi dalam
Menunjang Technopreneurship”
Ir.Onno Widodo Purbo.M.Eng.Ph.D
Putu Sudiarta, S.Kom

PENYUNTING AHLI
Dr. Ahmad Ashari.M.Kom
Dr. H. Agus Zainal Arifin, S.Kom.,M.Kom
Agus Muliantara, S.Kom., M.Kom.

PELAKSANA SEMINAR

PELINDUNG
Rektor Universitas Udayana, Bali

PENANGGUNG JAWAB
Dekan Fakultas MIPA Universitas Udayana
Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana

PANITIA
I Gusti Agung Gede Arya Kadyanan,S.Kom.,M.Kom.
I Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.
I Wayan Supriana,S.Si.,M.Cs.
Ida Bagus Made Mahendra, S.Kom., M.Kom.
I Komang Ari Mogi, S.Kom, M.Kom.
I Made Widi Wirawan, S.Si., M.Cs.
I Putu Gede Hendra Suputra, S.Kom., M.Kom.
Ngurah Agus Sanjaya ER., S.Kom., M.Kom.
Agus Muliantara, S.Kom.,M.Kom.
I Made Widiartha,S.Si., M.Kom.
Made Agung Raharja, S.Si., M.Cs.
I Gusti Ngurah Anom Cahyadi Putra, S.T., M.Cs.
I Gede Santi Astawa, S.T., M.Cs.
Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.

Dra. Luh Gede Astuti, M.Kom.

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya
penyusunan Proceeding SNATIA 2015 ini. Buku ini memuat naskah hasil penelitian dari
berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah
dipresentasikan dalam acara Seminar SNATIA tahun 2015 pada tanggal 23 Oktober 2015
di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.
Kegiatan SNATIA 2015 merupakan agenda tahunan Program Studi Teknik
Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2015 mengambil
tema

“Inovasi

Teknologi

Informasi

dan

Komunikasi

dalam

Menunjang

Technopreneurship”, dengan pembicara utama seminar yang terdiri dari pakar-pakar
peneliti dan Pemerhati dibidang Teknologi Informasi dan Technopreneurship.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah
dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu
panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas
kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat
diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui email snatia.unud@gmil.com.
Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam
penyelenggaraan

seminar,

dan

penyusunan

proceeding

SNATIA

2015,

panitia

mengucapkan terima kasih.

Denpasar, 17 Oktober 2015

Panitia SNATIA 2015

DAFTAR ISI
Kata Pengantar
Daftar Isi

Analisis dan Perancangan Sistem Informasi Kehadiran Pegawai pada Pusat
Penelitian Perkembangan IPTEK Lembaga Ilmu Pengetahuan Indonesia
Warkim .............. ...............................................................................................

1

Kompresi Citra Medis dengan Wavelet Packet
I Made Ari Dwi Suta Atmaja ..............................................................................

11

Ekstraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrival if Images
(CLUE)
Sugiartha I Gusti Rai Agung ...............................................................................

16

Peningkatan Kemampuan Guru dalam Menggunakan Geogebra sebagai
Media Pembelajaran Matematika SMP
Luh Putu Ida Harini ............................................................................................

21

Perbandingan Model Pembelajaran Kooperatif Tipe Belajar Bersama
Menggunakan Media Google Drive dan Tanpa Google Drive
Desak Putu Eka Nilakusuma...............................................................................

28

Analisa Faktor-Faktor yang Mempengaruhi Actual Usage dalam
Penggunaan Tiket Elektronik dengan Menggunakan Technology Acceptance
Model (TAM) Studi Kasus PT.KAI Commuter Jabodetabek
Enok Tuti Alawiah ..............................................................................................

35

Pemanfaatan Aplikasi Google Docs sebagai Media Pembinaan Karya Ilmiah
Remaja
Komang Dharmawan ..........................................................................................

45

Penerapan WAN dengan Protokol Routing RIP dan Passive Interfaces
sebagai Pemilihan Jalur Menggunakan GNS3
Anggarda Sanjaya ...............................................................................................

49

Perancangan dan Implementasi Sistem Informasi Maajemen Rumah Sakit
pada Unit Rawat Inap Studi Kasus Rumah Sakit Umum Famili Husada
I Dewa Ayu Kompyang Putri Utari ....................................................................

54

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit
Umum Famili Husada pada Unit Poliklinik
I G.Ag.Sri Ag. Chandra Kusuma ........................................................................

62

Mengukur Kinerja Load Balancing pada Sistem Cloud Computing dengan
Parameter Throughput
I Gusti Ngurah Ary Juliantara .............................................................................

71

Perancangan dan Implementasi Sistem Informasi Manajemen Gudang pada
Rumah Sakit Famili Husada
Luh Gede Apryta Astaridewi ..............................................................................

77

Perancangan Website E-Commerce pada Toko Gadget Online Store
Ni Kadek Dwi Asri .............................................................................................

85

Segmentasi Citra Tulisan Tangan Karakter Aksara Bali Menggunakan
Metode Profile Projection
Ni Wayan Deviyanti Septiari ..............................................................................

91

Klasifikasi Penyakit Anak pada Proses Retrieve dalam Sistem Pakar Berbasis
Case Based Reasoning (CBR) dengan Metode Nearest Neighbour
Ni Wayan Ririn Puspita Dewi ............................................................................

98

Perancangan dan Implementasi Sistem Informasi Manajemen Instalasi
Gawat Darurat pada Rumah Sakit Famili Husada
Putu Ita Purnama Yanti .......................................................................................

105

Analisis dan Perancangan Sistem Informasi Geografis Berbasis Web untuk
Mengetahui Ketersedian Air Tanah di Provinsi Bali
Made Dinda Pradnya Pramita .............................................................................

112

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit
pada Unit Radiologi – Studi Kasus Rumah Sakit Umum Famili Husada
I Putu Agustina .. ................................................................................................

120

Pengamanan File Video MP4 dengan Metode Enkripsi Menggunakan
Algoritma RC5
Rahmantogusnyta Mariantisna ...........................................................................

128

Perancangan dan Implementasi Sistem Informasi Geografis Pariwisata di
Bali Berbasis Web
Deni Supriawan.. ................................................................................................

133

EKTRAKSI FITUR WARNA DAN TEKSTUR UNTUK

CLUSTERED-BASED RETRIEVAL OF IMAGES (CLUE)
Sugiartha I Gusti Rai Agung 1 , Sudarma Made 2 , Oka Widyantara I Made 2
1

STMIK STIKOM Bali
Jl. Raya Puputan No 86 Renon, Denpasar, Bali
2
Magister Teknik Elektro, Universitas Udayana
Jl. PB. Sudirman, Denpasar, Bali
Email: sugiarta@stikom-bali.ac.id 1 , msudarma@unud.ac.id 2 , oka.widiantara@unud.ac.id 2

ABSTRAK
Ga mba r(citra ) merupa ka n media ya ng diguna ka n untuk menyimpa n da ta visua l, seba ga i contoh
ga mba r dua dimensi ya ng sering diperguna ka n untuk menyimpa n sua tu keja dia n. Tida k bisa dipungkiri
kebia sa a n untuk menyimpa n ga mba r pa da media internet sa nga t pesa t. Terda pa t ba nya k konten ga mba r, video,
teks a ta u konten ya ng la innya di ja ringa n Internet. Ima ge Index da n temu citra kemba li menja di topik penelitia n
da la m deka de tera khir ini dima na terkonsentra si pa da ba ga ima na ca ra menda pa tka n ma kna da ri sebua h
informa si ya ng terka ndung da la m sebua h ga mba r. Tiga met ode seca ra ga ris besa r da la m penca ria n sebua h
ga mba r, ya itu temu kemba li ga mba r berba sis teks, temu kemba li ga mba r berba sis konten, da n pengindeksa n
ga mba r denga n ta ta na n ba ha sa . Penelitia n ini berfokus pa da penyia pa n fitur da ri sebua h ga mba r berda sa rka n
wa rna da n tekstur. Fitur wa rna mengguna ka n nila i ra ta -ra ta Hue ga mba r, fitur tekstur mengguna ka n Gra y
Level Occura nce Ma trix (GLCM). Teknik ektra ksi wa rna da n tekstur mengha silka n 6 (ena m) bua h fitur ya ng
ma mpu diguna ka n seba ga i fitur di proses Clustering g a mba r.
Kata Kunci : Ektraksi Fitur Warna, Ektraksi Fitur Tekstur, Gra y Level Occura nce Ma trix, Clustered-Ba sed
Retrieva l of Ima ges.

ABSTRACT
Picture (ima ge) is a media tha t used for storing visua l da ta , for exa mple, two -dimensiona l ima ges a re
often used to store a n incident. Ima ges on the internet media growth very ra pidly. There a re a lot of ima ge,
video, text or other content on the Internet. Ima ge Index a nd ima ge ret rieva l a ga in become a topic of resea rch in
the la st deca de in which concentra ted on how to get the mea ning of a n informa tion conta ined in a n ima ge. Three
methods outlined in the sea rch for a n ima ge, the text -ba sed ima ge retrieva l, content-ba sed ima ge retrieva l a nd
indexing ima ges in the order of la ngua ge. This study focuses on the prepa ra tion of the fea tures of a n ima ge
ba sed on color a nd texture. Fea tures colors using the a vera ge va lue of Hue ima ge, texture fea tures using Gra y
Level occura nce Ma trix (GLCM). Color a nd texture extra ction technique resulted in six (6) fea ture tha t ca n be
used a s fea tures in the process of Clustering.
Keywords: isi kata kunci, Times New Roman 10, Normal, kecuali untuk kata asing harus Ita lic .

1

PENDAHULUAN

tema tertentu. Proses pencarian dan penjelajahan
sebuah gambar pada sekumpulan gambar yang
banyak tentu akan membutuhkan waktu yang sangat
lama. Image Index dan temu kembali gambar
menjadi topik penelitian dalam dekade terakhir ini
dimana terkonsentrasi pada bagaimana cara
mendapatkan makna dari sebuah informasi yang
terkandung dalam sebuah gambar. Secara garis besar
metode dalam pencarian gambar, yaitu temu kembali
gambar berbasis teks, temu kembali gambar berbasis
konten, dan pengindeksan gambar dengan tatanan
bahasa. Temu kembali gambar berbasis teks
merupakan pencarian gambar dengan format
permintaan biasa, dimana algoritmanya dibedakan
menjadi 2 (dua) yaitu berbasis teks dan metode
konten. Berbasis teks menggunakan kata kunci atau

Gambar(citra) merupakan media yang
digunakan untuk menyimpan data visual, sebagai
contoh gambar dua dimensi yang sering
dipergunakan untuk menyimpan suatu kejadian.
Gambar akan menyimpan data dan bisa dijadikan
sebuah informasi. Gambar akan dikumpulkan pada
sebuah tempat yang kemudian hari bisa diambil dan
dipergunakan. Tidak bisa dipungkiri kebiasaan untuk
menyimpan gambar pada media internet sangat pesat.
Terdapat banyak konten gambar, video, teks atau
konten yang lainnya di jaringan Internet. Ini
memberikan manfaat apabila ada pengguna yang
berkeinginan menggunakan sebuah gambar dengan
16

Sugiartha I Gusti Rai Agung, Ektraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrieval of
Images (CLUE)

kata yang secara kontekstual terkandung dalam
gambar tersebut. Metode ini sudah digunakan oleh
Google Image dan Lycos Multimedia Search. Temu
kembali gambar berbasis konten merupakan
pencarian gambar dengan format pencarian
menggunakan nilai dari piksel warna, metode ini
dinamakan Content-Based Image Retrieval (CBIR).
CBIR merupakan teknik yang dipergunakan untuk
pencarian dan penjelajahan di kumpulan gambar
yang jumlahnya besar. Teknik yang digunakan dalam
CBIR adalah mengumpulkan, mengurutkan dan
memilah beberapa gambar berdasarkan kemiripan
fitur yang terdapat dalam sebuah gambar (Chen,
Yixin. 2005).
Skema CLUE (CLustered-ba sed rEtrieva l of
ima ges) dengan menggunakan pembelajaran mesin
tanpa pengawasan (ma chine unsupervised lea rning )
dengan menggunakan metode clustering yang
berbasiskan dari kemiripan konten yang dijadikan
acuan pencarian oleh pengguna. Skema CLUE
memiliki 2 tahapan utama yaitu enrollment pha se dan
ima ge retrieva l . Pada penelitian ini berfokus pada
Enrollment Phase, dimana tahapan ini merupakan
proses ekstraksi gambar, penentuan fitur yang akan
digunakan dalam proses clustering gambar
berikutnya.

2

MODEL, ANALISIS, DESAIN, DAN
IMPLEMENTASI

2.1 Sistematika Penelitian
Penelitian merupakan suatu investigasi yang
empiris, sistematis, terkontrol, dan kritis dari suatu
proposal hipotesis mengenai hubungan tertentu antar
fenomena. Penelitian disini bertujuan untuk
memberikan kontribusi terhadap ilmu pengetahuan
dalam memecahkan masalah dengan menggunakan
metode-metode yang sesuai. Alur analisis penelitian
dilakukan berdasarkan permasalahan yang akan
ditangani oleh sistem, dimana sistematika penelitian
yang digunakan pada penelitian ini sebagai berikut:

Studi Pustaka

Pengumpulan Data

2.2 Desain Umum Sistem
Sistem yang dibangun terlihat seperti pada
gambar 2. Kumpulan dari beberapa gambar, akan di
hitung masing-masing fitur warna dan fitur
teksturnya. Fitur yang sudah dibangkitkan akan
disimpan ke dalam simpanan data.
Image Feature Stored

Pre- Processing

Transformation
Feature
Extraction

Collected Data
Image Database

Gambar 2. Gambaran Umum Sistem
2.3 Implementasi
Pada tahapan implementasi, penelitian
menggunakan ektraksi fitur warna dan fitur tekstur
untuk masing-masing gambar.
2.3.1 Fitur Warna
Pada proses ektraksi ciri warna diawali
dengan pengambilan warna RGB tiap pixel yang
kemudian dikonversi ke HSV. Warna masing-masing
piksel
kemudian
dikuantitasi
menjadi
64
kemungkinan warna. Cara ini menghasilkan nilai H
berkisar antara 0 sampai dengan 3, S berkisar antara
0 sampai dengan 3, dan V berkisar antara 0 sampai
dengan 3. Kemudian melakukan proses normalisasi
sehingga menghasilkan histogram HSV.
Pengambilan nilai Hue dari suatu pixel warna
menggunakan rumus (Parker, 2011):
Cmax=max(R,G,B)
(1)
Cmin=min(R,G,B)
(2)
∆ = Cmax-Cmin
(3)
Hue
=

(3)

Pengembangan sistem
Image Retrieval

{

Fitur Warna =

Analisis dan Evaluasi
Hasil

Gambar 1. Sistematika Penelitian

Pengujian

∑

∑

}

(4)

2.3.2 Fitur Tekstur
Ciri tekstur merupakan ciri penting dalam
sebuah gambar yang merupakan informasi berupa
susunan struktur permukaan suatu gambar. Dalam
penelitian ini menggunakan Gray Level oCcurance
Matrix (GLCM) sebagai matrik pengambilan nilai
keabuan dari sebuah gambar. Berikut merupakan
17

ISSN : 2302 – 450X

tahapan yang digunakan dalam pengambilan ciri
tekstur dari sebuah gambar.
1. Citra warna dirubah menjadi citra grayscale.
2. Segmentasi nilai warna ke dalam 16 bin.
3. Hitung nilai-nilai co-occurance matrix dalam
empat arah masing-masing 00 , 450 , 900 , dan
1350
4. Hitung informasi ciri tekstur yaitu yaitu
contrast, correlation, energy, homogeneity, dan
entropy
5. Masing-masing matriks akan dihitung tekstur
citra yaitu : Contrast, Correlation, Energy,
Homogeneity, dan Entropy. Jeremiah (2007)
Contra st : ∑

Correla tion : ∑

Energy : ∑

Homogeneity : ∑

[∑ ∑

(

)

]

(5)
(6)
(7)
(7)

Entropy : - ∑
(8)
dengan P(i,j) merupakan elemen baris ke-i, kolom kej dari occurance matrix.
adalah nilai rata-rata baris
ke-i dan
adalah nilai rata-rata kolom ke-j pada
matrix P.
adalah standar deviasi baris ke-i dan
adalah standar deviasi kolom ke-j pada matriks P.
Contrast menunjukkan ukuran penyebaran
elemen-elemen matriks
citra. Contrast akan
memberikan nilai maksimum apabila suatu gambar
grayscale memiliki penyebaran piksel warna yang
tinggi.
Correlation menunjukkan ukuran hubungan
linear dari nilai graylevel piksel ketetanggaan.
Energy menunjukkan tingkat keseragaman
piksel-piksel suatu citra. Semakin tinggi nilai energy,
maka semakin seragam teksturnya.
Homogenity menunjukkan ukuran kedekatan
setiap elemen dari co-occurrence matrix.
Entropy menunjukkan tingkat keacakan
piksel-piksel suatu citra. Semakin tinggi nilai
entropy, maka semakin acak teksturnya.
2.4 Instrumen Penelitian
Instrumen penelitian yang digunakan dalam
penelitian
untuk
mengolah,
mengumpulkan,
menganalisa dan menyajikan data diantaranya:
1. Perangkat Lunak
a. Sistem Operasi Windows 8.1
b. Bahasa Pemrograman C#
c. Database SQL Server 2008
2. Perangkat Keras
a. Proc. Intel Core i3
b. RAM 4 GB
c. Hardisk 280 GB
d. VGA 1 GB

3

SKENARIO UJI COBA

Pengujian teknik ekstraksi fitur yang
diimplementasikan pada sistem image retrieval ini
memerlukan suatu data uji untuk mengetahui hasil
dan kinerja dari algoritma ini. Data uji yang
digunakan dalam kasus ini adalah berupa citra atau
gambar yang berwarna.
Citra uji yang digunakan pada penelitian ini
adalah Corel Photo Gallery yang diperoleh dai situs
sites.google.com/site/dctresearch/Home/contentbased-image-retrieval yang disediakan oleh Corel
Database, dimana situs ini menyediakan berbagai
macam citra uji yang khusus digunakan untuk sistem
image retrieval. Berbagai macam citra uji dengan
beragam variasi dan karakteristik tersebut dibungkus
kedalam sebuah dataset yang dapat diunduh secara
gratis. Dari sekian banyak kategori citra uji yang
tersedia, pada penelitian ini hanya digunakan lima
belas kategori citra uji yang sudah dipilih secara
acak. Contoh gambar yang digunakan pada penelitian
ini dapat dilihat pada gambar 3 berikut ini:

(a)

(b)

(c)
Gambar 3. Gambar Uji : kategori : (a) Anjing, (b)
Ballon, (c) Bunga

4

HASIL UJI COBA

Aplikasi yang dibangun untuk penyimpanan
data citra hasil dari clustering image untuk image
retrieval menggunakan bahasa pemrograman C# dan
18

Sugiartha I Gusti Rai Agung, Ektraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrieval of
Images (CLUE)

basis data SQL Server 2008 R2. Berikut merupakan
halaman utama dari aplikasi yang dibangun:

mengambil suatu ciri dalam suatu citra. Berikut
merupakan gambaran hasil dari ektraks i fitur tekstur
dari sebuah gambar.

Gambar 4 Halaman Ekstraksi Tekstur

5
Gambar 4 Halaman Utama Aplikasi Image
Retrieval
Langkah berikutnya adalah memilih gambar latih
dengan memilih menu [Open Folder Image], gambar
5 menunjukkan dialog berkas yang muncul ketika
pengguna ingin memilih folder citra yang ingin
dijadikan citra latih.

Gambar 5 Folder Browser pemilihan citra
Apabila folder citra latih sudah dipilih, halaman citra
akan terlihat seperti terlihat pada gambar 6 berikut
ini:

Gambar 6 Halaman Tampilan Citra Latih
Sebelum data latih digunakan sebagai atribut dalam
proses
clustering, diperlukan proses untuk

KESIMPULAN

5.1 Simpulan
Tujuan utama dari penemuan gambar
adalah untuk menghapus kehilangan data dan
penggalian bermakna informasi kepada kebutuhan
manusia yang diharapkan. Di sini, kami telah
dilengkapi beberapa teknik, yang dapat diterapkan
untuk setiap sistem proposal baru di masa depan.
Dalam sistem ini, teknik baru yang disebut image
pengambilan dari cluster diperkenalkan untuk
mengurangi ruang waktu pencarian. Selain itu, RGB
komponen gambar warna diklasifikasikan dalam
dimensi yang berbeda dalam rangka menciptakan
Merah, Biru dan cluster gambar hijau. Texture
extraction menggunakan LGCM. Selanjutnya, semua
atribut digunakan dalam proses clustering.
5.2 Saran
Pengembangan lebih lanjut adalah
membangun sistem temu citra kembali dengan
menggabungkan sistem CBIR (Content Base Image
Retrieval), hasil citra kemudian di urutkan, hasil citra
ini kemudian lagi dilakukan proses clustering.
Metode untuk clustering bisa menggunakan
unsupervised machine learning seperti metode Self
Optimizing Map (SOM)

6

DAFTAR PUSTAKA

[1] Chen, Yixin. 2004. Machine Learning and
Statistical Modelling Approaches To Image
Retrieval.Kluwer Acedemic Publisher:Boston
[2] Ferguson, Jeremiah R. 2007. Using the GrayLevel Co-Occurrence Matrix to Segment and
Classify Radar Imagery. Reno: University of
Nevada
[3] Han, J. & Kamber, M., 2006. Data Mining :
Concepts and Techniques. San Faransisco:
Morgan Kaufmann.
[4] He, Daan.2007.Applying the Extend Massconstraint
EM
algortihm
to
Image
Retrieval.Computer and Mathematics with
Applications
[5] Hearst, M. A. and Pedersen, J. O. (1996).
Reexamining
The
Cluster
Hypothesis:
Scatter/Gather On Retrieval Results . In Proc.
of
the
19th
International
ACM
19

ISSN : 2302 – 450X

SIGIRConference
on
Research
and
Development
in
Information
Retrieval
(SIGIR’96), pages 76–84
[6] Jain,
A.K.1999.
Data
Clustering:
A
Review.ACM Computing Survey, Vol 31, No 3.
Hal 264-323
[7] Jogiyanto, HM., 1989, Analisis & Disain
Sistem Informasi : Pendekatan Terstruktur,
Yogyakarta : Andi Offset.
[8] Laaksonen, Jorma.1999. Content Based Image
Retrieval using Self Organizing Maps . Visual
Information and Information Systems Lecture
Notes in Computer Science, Vol. 1614, Hal
541-549
[9] Madhulata, Soni. 2012. An Overview On
Clustering Methods. IOSR Journal of
Engineering, Vol2(4), Hal: 719-725
[10] Matsuyama,Yasuo.2007.
Image-to-Image
Retrieval Using Computationally Learned
Bases dan Color Information.Proceedings of
International Joint Conference on Neural
Network
[11] Ma, Hao. 2010. Bridging the Semantic Gap
Between Image Contents and Tags. IEEE
Transaction on Multimedia

20

[12] Parker, J.R. 2011. Algorithms for Image
Processing
and
Computer
Vision.
Indianapolis: Wiley Publishing, Inc
[13] Pao,H.T. 2008. An EM Based Multiple
Instance Learning Method for Image
Classification
[14] Raghavan,
Vijay.
1989.
A
Critical
Investigation of Recaal and Precision as
Measures of Retireval System Performance.
ACM Transactions on Information Systems,
Vol.7, Hal 205-229
[15] Setiawan, Wawan & Munir, 2006. Pengantar
Teknologi Informasi : Basis Data. Bandung:
Universitas Pendidikan Indonesia.
[16] Vercellis, C., 2009. Business Intelligence :
Data Mining dan Optimization for Decision
Making. Chichester: John Wiley & Sons.
[17] Warsito,
B.
2008.
Clustering
Data
Pencemaran Udara Sektor Industri di Jawa
Tengah dengan Kohonen Neural Network.
Jurnal PRESIPITASI, Vol. 4
[18] Zhang, L. 2003. Automated Annotation of
Human Faces in Family Albums . Prosiding
ACM International Conference on Multimedia