SISTEM IDENTIFIKASI JENIS TANAMAN OBAT MENGGUNAKAN MATRIKS KOOKURENSI ARAS KEABUAN (GLCM) DAN JARAK CANBERRA

Transkripsi

1 SISTEM IDENTIFIKASI JENIS TANAMAN OBAT MENGGUNAKAN MATRIKS KOOKURENSI ARAS KEABUAN (GLCM) DAN JARAK CANBERRA Mentai Hidanti, Ajub Ajulian Zaha, R. Rizal Isnanto DepatemenTeknik Elekto, Fakultas Teknik Univesitas Diponegoo Semaang, Indonesia Abstak Obat-obatan hebal digunakan untuk mengobati bebagai macam penyakit dengan efektif dan muah. meupakan bagian dai tanaman yang seing dimanfaatkan sebagai bahan obat-obatan hebal. Namun, kaena kemampuan masyaakat untuk mengenali tanaman obat masih tebatas,dibutuhkan sebuah peangkat lunak yang dapat mengenali tanaman sehingga masyaakat dengan mudah dapat mengenali tanaman obat yang ada di sekita meeka. Pada penelitian ini diancang sebuah peangkat lunak untuk mengidentifikasi jenis tanaman obat bedasakan tekstu daun. Pada sistem ini cita uji hasil pemindaian akan melalui poses papengolahan yang kemudian akan di ekstaksi ciinya menggunakan Matiks Kookuensi Aas Keabuan (GLCM), pada tahap ini didapatkan 5 cii GLCM. Kemudian kelima ci i tesebut dicocokkan dengan hasil cii basis data menggunakan metode jaak Canbea. Pada penelitian ini menggunakan 25 vaiasi yang meupakan kombinasi dai 5 sudut oientasi GLCM dan jaak piksel dengan entang 1 sampai 5 piksel.tingkat pengenalan tetinggi tehadap 75 cita uji daun tanaman obat tedapat pada vaiasi sudut 90 o dengan jaak piksel 1 dengan pesentase sebesa 85,33. Sedangkan pengenalan teendah sebesa 57,33tedapat pada vaiasi sudut 135 o dengan jaak piksel 5. Pada pengujian 15 cita lua basis data didapatkan pesentase pengenalan sebesa 93,3. Kata Kunci : Identifikasi, tanaman obat, Matiks Kookuensi (GLCM), Jaak Canbea. 1. Pendahuluan Obat-obatan hebal yang beasal dai tumbuh-tumbuhan dapat mengobati bebagai macam penyakit dengan efektif dan muah[1]. Pada tanaman obat, daun meupakan bagian dai tanaman yang seing dimanfaatkan sebagai bahan obat-obatan hebal, kaena daun sangat mudah ditemukan dan diolah. Namun, kaena kemampuan masyaakat untuk mengenali tanaman obat yang tebatas, tanamanobat yang seing dijumpai dan memiliki khasiat sebagai obatpun tekadangdibiakan begitu saja tanpa dibudidayakan. Maka, dibutuhkansebuah peangkat lunak yang dapat mengenali tanaman sehingga masyaakat dengan mudah dapat mengenali tanamanobat yang ada di sekita meeka. Pada penelitian ini diancang sebuah peangkat lunakuntuk mengidentifikasi jenis tanaman obat dan manfaatnya dengan masukan sebuah cita daun tanaman obat yangtelah dipindai dan diolah kemudian diekstaksi cii untuk mempeoleh kaakteistik dai tekstu daun tesebut. Pada penelitian sebelumnya telah dilakukan ekstaksi cii dan pengenalan tehadap objek daun dengan bebagai macam metode, salah satunya yaitu pada penelitian yang dilakukan oleh [2] dengan membangun sebuah sistem identifikasi jenis tanaman obat-obatan bedasa pola daun menggunakan metode ekstaksi cii Tujuh Invaian Momen Hu dan Jaingan Saaf Tiuan Peambatan Balik. Mengacu pada penelitian tesebut yang menggunakan pola daun sebagai kaakteistiknya, maka dibuatlah penelitian yang masih bekaitan dengan pengenalan tanaman obat namun bedasakan tekstu daun dengan menggunakan metode Matiks Kookuensi Aas Keabuan GLCM meupakan metode ekstaksi cii bedasakan analisis tekstu[3]. Pada metode ini akan didapatkan 5 cii GLCM yang dihasilkan dai ekstaksi cii yaitu Angula Second Moment, Kontas, Invese Diffeent Moment, Entopi, dan Koelasi[4]. Setelah didapatkan cii-cii tesebut,poses selanjutnya yaitu mencocokkan data hasil ekstaksi dengan basis data yang telah dibuat sebelumnya. Pencocokkan data dilakukan dengan metode jaak Canbea yang meupakan salah satu metode pehitungan jaak yang dapat digunakan untuk pengenalan[5]. Dai peancangan sistem ini dihaapkan dapat diketahui apa saja yang dapat mempengauhi pesentase tingkat pengenalan menggunakan GLCM dan jaak Canbea.

2 Poceedings Semina Nasional Teknik Elekto (FORTEI 2016). Hal.115 Depatemen Teknik Elekto Undip, 19 Oktobe Metode Penelitian A. Peancangan Sistem Diagam ali sistem pengenalan jenis dauntanaman obatditunjukkan pada Gamba 1. Gamba 1. Diagam Ali Peancangan Sistem Gamba 1 menunjukkan sistem pengenalan jenis tanaman obat tedii dai dua poses utama yaitu poses pelatihan dan pengenalan. Poses pelatihan befungsi untuk mendaftakan dan menyimpan kaakteistik cita daun pada basis data yang kemudian akan dijadikan pembanding untuk menentukan i atau tidaknya cita daun pada poses pengenalan.sedangkan pada poses pengenalan dilakukan pengolahan pada cita daun bau (cita uji). Pengolahan dan ekstaksi cii akan menghasilkan kaakteistik dai cita uji yang kemudian dibandingkan dengan basis data sehingga didapatkan hasil pengenalannya. B. Konvesi RGB MenjadiAasKeabuan Konvesi cita bewana menjadi cita aas keabuan betujuan untuk menyedehanakan model citaaga mempemudah poses pemogaman, kaena jumlah bit aas keabuan lebih sedikit dibandingkan cita wana RGB. Pesamaanbeikut meupakan pesamaan yang digunakan untuk melakukan konvesi cita bewana atau RGB menjadi cita aas keabuan. Aas Keabuan= 0,2899*R + 0,5870*G + 0,1140*B (6) Keteangan: Aas Keabuan:nilai aas keabuan R :nilai matiks dai komponen meah G :nilai matiks dai komponen hijau B :nilai matiks dai komponen biu C. Segmentasi Segmentasi cita meupakan poses yang ditunjukan untuk mendapatkan objek-objek yang tekandung di dalam cita atau membagi cita ke dalam bebeapa daeah dengan setiap objek atau daeah memiliki atibut. Pada cita yang mengandung hanya satu objek, objek dibedakan dai lata belakangnya. 1. Thesholding Poses pengambangan cita ( image thesholding) meupakan metode yang paling sedehana untuk melakukan segmentasi. Opeasi pengambangan membagi cita menjadi dua wilayah, yaitu wilayah objek dan wilayah lata belakang[4]. Wilayah objek diset bewana putih sedangkan sisanya diset bewana hitam. Hasil dai opeasi pengambangan adalah cita bine yang hanya mempunyai dua deajat keabuan, yaitu hitam dan putih. 2. Bounding Box Bounding Box atau kotak pembatas adalah kotak tekecil yang dapat melingkupi sebuah objek[4]. Kotak Pembatasbeoientasi cita yang dimiliki suatu aea R dapat dinyatakan dengan, Kotak Pembatas(R) = {y min, y max, x min, x max} (2) Dalam hal ini, y min menyatakan Y tekecil, y max menyatakan Y tebesa, x min menyatakan X tekecil, dan x max menyatakan X tebesa. Adapun tinggi dan leba kotak beupa, Tinggi = y y, leba = x x (3) Gamba 2.Kotak pembatas D. Ekualisasi Histogam Ekualisasi histogam betujuan untuk mempeoleh histogam dengan mengubah intensitas deajat keabuan menjadi seagam pada sebuah cita[4]. Tujuannya untuk mempeoleh sebaan histogam dengan intensitas meata, sehingga setiap deajat keabuan memiliki jumlah piksel yang elatif sama. Pesamaan untuk menghitung ekualisasi histogam pada cita dengan skala keabuan k bit adalah: = (2 1) Keteangan: Ci : distibusi kumulatif dai nilai skala keabuan ke-i dai cita asli Ko : nilai keabuan hasil ekualisasi histogam w : leba cita h : tinggi cita h (4) E. Ekstaksi CiiMatiks Kookuensi Aas Keabuan GLCM adalah matiks pembantu yang befungsi untuk mengelompokkan seta menghitung elemen-elemen matiks GLCM, yang meupakan sepasang piksel yang memiliki nilai intensitas tetentu. Dimana pola pasangan piksel tesebut tepisah jaak sejauh d, dan dengan aah oientasi θ. Jaak dinyatakan dalam piksel dan oientasi

3 Poceedings Semina Nasional Teknik Elekto (FORTEI 2016). Hal.116 Depatemen Teknik Elekto Undip, 19 Oktobe 2016 sudut dinyatakan dalam deajat. Ketetanggaan piksel dalam metode ekstaksi cii GLCM ini dapat diilustasikan dalam empat aah pilihan dengan inteval sudut 45 o, antaa lain sudut 0 o, sudut 45 o, sudut 90 o, dan sudut 135 o. Gamba 3. Ilustasi aah GLCM bedasa sudut Tahapan ketika melakukan pengolahan cita dengan metode GLCM adalah[6]: 1. Kuantisasi piksel cita aas-keabuan ke matiks bentukan. 2. Membuat aea keja matiks GLCM. 3. Menentukan hubungan spasial antaa piksel efeensi dengan piksel tetangga untuk nilai d dan sudut θ. 4. Menghitung jumlah pasangan piksel yang memiliki intensitas sama dan memasukkan nilainya ke dalam aea keja matiks GLCM, sehingga menghasilkan matiks kookuensi. 5. Mengubah matiks kookuensi aga menjadi simetis dengan caa menjumlahkan matiks kookuensi tesebut dengan tansposenya. 6. Menomalisasi matiks GLCM simetis menjadi bentuk pobabilitas. Tedapat 5 paamete GLCM untuk menghitung cii statistik ode dua dai cita[4]: 1. ASM (Angula Second Moment) ASM atau enegi befungsi untuk menguku konsentasi pasangan piksel dengan intensitas keabuan tetentu pada matiks GLCM. Nilai ASM akan semakin besa jika vaiasi intensitas dalam cita mengecil. Fungsi untuk menghitung ASM ditunjukkan oleh pesamaan (5). = { (, )} (5) 2. Kontas Kontas adalah cii yang digunakan untuk menguku pebedaan intensitas atau vaiasi keabuan piksel dalam cita. Pesamaan ( 6) digunakan untuk menguku kontas suatu cita. Kontas = ( ) (, ) 3. IDM (Invese Diffeent Moment) IDM adalah fitu penunjuk kehomogenan cita yang memiliki deajat keabuan sejenis pada matiks kookuensi. Nilai IDM akan semakin besa bila pasangan piksel yang memenuhi syaat matiks intensitas (6) kookuensi tekonsentasi pada bebeapa koodinat dan akan mengecil apabila letaknya menyeba. Rumus yang digunakan untuk menghitung nilai IDM tedapat pada pesamaan (7). = { (, )} 1 + ( ) 4. Entopi Entopi pada GLCM menyatakan ukuan ketidakteatuan distibusi aas keabuan suatu cita pada matiks kookuensi. Nilainya tinggi jika elemen-elemen GLCM mempunyai nilai yang elatif sama.untuk menghitung nilai entopi, dapat menggunakan pesamaan (8). (7) Entopi = { (, )} log{ (, )} (8) 5. Koelasi Meupakan ukuan ketegantungan linea anta nilai aas keabuan dalam cita. Fungsi koelasinya dapat dilihat pada pada pesamaan (9). Koelasi = )( { (, )} (9) F. Jaak Canbea Jaak meupakan pendekatan yang umum dipakai untuk mewujudkan pencaian cita. Fungsinya adalah menentukan kesamaan atau ketidaksamaan dua fitu vekto. Pengukuan jaak dilakukan dengan metode jaak Canbea. Setiap nilai dai dua fitu vekto akan dicocokkan, kemudian dihitung dengan jaak Canbea dengan membagi absolut selisih dua nilai dengan jumlah dai absolut dua nilai tesebut. Hasil dai setiap dua nilai yang dicocokkan lalu dijumlahkan untuk mendapatkan nilai jaak Canbea[5]. Pehitungan jaak Canbea ditunjukkan pada pesamaan (10)., = + (10) Keteangan: D A,B= jaak Canbea cita A dan cita B n = jumlah vekto cii X Ak= fitu vekto cita uji X Bk= fitu vekto cita pembanding atau efeensi Pengenalan dilakukan dengan menghitung jaak tedekat atau tekecil antaa cita uji dengan cita pada basisdata atau efeensi. basisdata dengan jaak tedekat yang akan i sebagai cita uji. Semakin kecil nilai D A,Bmaka semakin miip kedua vekto yang dicocokkan. Sebaliknya semakin besa nilai D A,Bmaka semakin bebeda kedua vekto cii tesebut.

4 Poceedings Semina Nasional Teknik Elekto (FORTEI 2016). Hal.117 Depatemen Teknik Elekto Undip, 19 Oktobe Hasil dan Analisis A. Ekstaksi Cii GLCM Nilai hasil ekstaksi cii dengan GLCM ditampilkan di dalam tabel cii. Tedapat lima cii yang digunakan antaa lain ASM, kontas, IDM, entopi, dan koelasi. Beikut contoh nilai cii GLCM dai cita uji oleh 2 jenis daun tanaman obat pada jaak piksel 1 dan sudut oientasi 0 o yang dapat dilihat pada Tabel 1. Tabel 1. Nilai cii GLCM cita uji sudut 0 o jaak piksel 1. Nama ASM Kontas IDM Entopi Koelasi Jaak (1) Jaak (2) Pepaya (1) Pepaya (2) Tabel 1 menunjukkan bahwa antanilai cii GLCM yang digunakan pada sistem pengenalan ini tepaut selisih yang cukup jauh. Atinya adalah nilai ASM bebeda jauh dengan kontas, dengan entopi, dengan IDM, dan koelasi, sehingga, kelima paamete tesebut dapat dijadikan sebagai cii pembeda untuk masing-masing cita daun tanaman obat. B. Pengenalan Latih Pengenalan cita latih adalah pengenalan yang dilakukan tehadap cita yang sebelumnya sudah ada di dalam basis data. Pengujian dengan cita latih ini betujuan untuk validasi apakah jaak Canbea yang dihasilkan benilai nol atau tidak. Beikut tabel hasil pengujian cita latih. Tabel 2. Pengujian Latih Jaak Nama Data Uji Canbe a Dikenali Sebagai Jaak (10) 0 Jaak Pepaya (31) 0 Pepaya Mangkokan (19) 0 Mangkokan Ket. Hasil jaak Canbea pada pengujian cita latih benilai nol yang meupakan hasil selisih dai vekto cii cita latih yang diuji dan cita latih pada basis data. Dengan demikian, diketahui bahwa pogam pengenalan befungsi dengan baik kaena cita latih yang diujikan sama pesis dengan cita yang ada pada basis data. Jika pada pengujian cita latih tidak menghasilkan jaak Canbea nol, atinya masih tedapat kesalahan pada pogam yang membuat pogam pengenalan tidak befungsi dengan baik. C. Pengenalan Uji Pengenalan cita uji daun tanaman obat dilakukan untuk mencai pesentase kebehasilan pengenalan dai 15 jenis daun tanaman obat. Tiap jenis daun diambil 5 cita sebagai cita uji yang tidak melalui tahap pelatihan, kemudian diujikan tehadap 5 vaiasi sudut oientasi GLCM dan 5 jaak piksel. Untukmenghitungpesentase tingkat kebehasilanpengenalan dapat menggunakan pesamaan 11. = uji yang i bena Seluuh data cita uji 100 Beikut contoh hasil pengujian pada vaiasi oientasi 90 o dengan jaak piksel1. Tabel 3. Hasil pengujian cita uji sudut 90 o, d=1. Jaak Nama Data Uji Canbe a Dikenali Sebagai (11) sudut Ket. Beluntas (1) Binahong Salah Beluntas (2) Beluntas Mangkokan (1) Mangkokan Mangkokan (2) Mangkokan Pepaya (1) Pepaya Pepaya (2) Pepaya Hasil tingkat pengenalan seluuh pengujian yang telah dilakukan tehadap 75 cita uji dengan semua vaiasi tedapat dalam Tabel 4. Tabel 4.Pesentase pengenalan seluuh vaiasi paamete GLCM Sudut Oientas i Semua sudut Sudut 0 o Sudut 45 o Sudut 90 o Jaak Piksel d=1 d=2 d=3 d=4 d= Sudut o

5 Poceedings Semina Nasional Teknik Elekto (FORTEI 2016). Hal.118 Depatemen Teknik Elekto Undip, 19 Oktobe 2016 Semua Sudut Sudut 0 Sudut 45 Sudut 90 Sudut , , ,66 57 d= 1 d= 2 d=3 d= 4 d= 5 Gamba 4.Gafik tingkat kebehasilan pengenalan cita uji Pada gafik di atas meupakan gafik tingkat kebehasilan pengenalan 75 cita uji. Setelah dilakukan pengujian, sistem pengenalan dengan metode GLCM dan jaak Canbea ini menghasilkan tingkat akuasi tetinggi sebesa 85,33 yaitu pada vaiasi jaak 1 piksel dengan sudut oientasi tunggal 90 o. Pada vaiasi ini tedapat banyak kemiipan nilai cii antaa cita uji dengan cita yang tedapat di dalam basis data, sedangkan angka pesentase teendah adalah 57,33 ketika menggunakan aah oientasi sudut 135 o bejaak 5 piksel tetangga.. Dai hasil tesebut dapat dilihat bahwa tingkat kebehasilan tetinggi dengan metode GLCM bebedabeda untuk setiap cita dan tingkat kebehasilan pengenalan pada setiap vaiasinya bebeda-beda. Hal tesebut disebabkan olehpengauhaah sudut oientasi GLCM dan jaak ketetanggan piksel pada posespembentukan matiks kookuensi. Dai gafik tesebut juga dapat dilihat bahwa kombinasi dengan jaak 5 piksel pada setiap sudutnya menghasilkan tingkat pengenalan teendah. Hal tesebut mempelihatkan bahwa semakin jauh jaak ketetanggaan akan menghasilkan nilai pengenalan yang semakin jauh atau buuk. D. Pengenalan Poses veifikasi betujuan aga cita uji yang tidak tedafta dalam basis data automatis tidak dapat i pada saat melakukan poses pengenalan. Di dalam poses veifikasi membutuhkan sebuah nilai ambang. Nilai ambang yang digunakan dalam sistem pengenalan jenis daun tanaman obat ini ditentukan dai nilai tebesa dai kumpulan jaak Canbea tekecil hasil pengujian seluuh cita uji. Pada sistem ini nilai ambang yang digunakan sebesa 0,919.Tabel 5 beikut menujukkan hasil pengenalan 15 cita lua. Tabel 5. Pengujian N o Nama Uji 1.jpg 2.jpg 3.jpg 4.jpg 5.jpg 6.jpg 7.jpg 8.jpg 9.jpg 10.jpg 11.jpg 12.jpg 13.jpg 14.jpg 15.jpg Data Jaak Canbe a Dikenali Sebagai Keji Beling Ket Salah Bedasakan Tabel 5 dapat diketahui bahwa jumlah pengujian bena dengan tidak inya cita lua sebanyak 14 kali dan 1 cita yang masih i. Pengujian dilakukan pada 15 cita lua. yang tidak i memiliki nilai Canbea lebih besa dai nilai ambang yang ditentukan.sehinggapada pengujian ini nilai pesentase tingkat kebehasilan pengujian cita lua didapatkan sebesa 93,3. 4. Kesimpulan 1. Tingkat kebehasilan pengenalan jenis daun tanaman obat didapatkan dai jumlah cita yang i bena pada sistem ini dibandingkan dengan keseluuhan data yang diujikan. Pengenalan yang dilakukan divaiasikan pada dua paamete yakni,sudut oientasi GLCM 0 o, 45 o, 90 o, 135 o dan gabungan dai semua sudut dengan vaiasi jaak piksel 1 sampai 5. Dai kombinasi kedua vaiasi tesebut, pesentase pengenalan tetinggi sebesa 85,33 dipeoleh pada kombinasi sudut 90 o dengan vaiasi jaak piksel 1, sedangkan pengenalan teendah dipeoleh dai kombinasi sudut 135 o

6 Poceedings Semina Nasional Teknik Elekto (FORTEI 2016). Hal.119 Depatemen Teknik Elekto Undip, 19 Oktobe 2016 dengan jaak piksel 5 dengan pesentase sebesa 57, Penggunaan aah sudut oientasi GLCM membei pengauh pada pembentukan matiks kookuensi, sehingga tiap sudut oientasi akan menghasilkan nilai cii GLCM yang belainan pada setiap citanya. Pesentase kebehasilan pengenalan benilai optimal pada sudut 90 o. 3. Vaiasi jaak ketetanggaan piksel bepengauh tehadap tingkat kebehasilan pengenalan. Pesentase kebehasilan teendah pada setiap sudutnya tedapat pada jaak ketetanggaan 5 piksel. Dai hasil tesebut dapat disimpulkan, semakin jauh jaak ketetanggaan akan menghasilkan nilai pengenalan yang semakin jauh atau buuk. Hal ini mempengauhi poses pembentukan matiks GLCM dan akan menyebabkan tingkat pengenalan yang endah. 4. Nilai ambang meupakan nilai batasan yang digunakan untuk membatasi cita uji yang tidak tedafta dalam basis data aga tidak dapat i pada saat melakukan poses pengenalan. Penggunaan nilai ambang dalam sistem pengenalan ini yaitu sebesa 0,919.Pesentase kebehasilan pengenalannya sebesa 93,3. Refeensi [1] [1] Hutagalung. A. K., Peancangan Sistem Infomasi Obatobatan Hebal dengan Menggunakan Pemogaman PHP dan MySQL, Makalah Tugas Akhi, D-3 Teknik Infomatika, Univesitas Sumatea Utaa, [2] [2] Eskanesiai, Hidayatno. A., Isnanto. R. R., Sistem Identifikasi Jenis Tanaman Obat-Obatan Bedasa Pola Menggunakan Tujuh Invaian Momen Hu dan Jaingan Saaf Tiuan Peambatan Balik,Makalah Tugas Akhi, S-1 Teknik Elekto, Univesitas Diponegoo, 2014 [3] [3] Pasetyo. E., Pengolahan Digital dan Aplikasinya menggunakan Matlab. Yogyakata: ANDI, [4] [4] Kadi. A., Susanto. A., Teoi dan Aplikasi Pengolahan Digital. Yogyakata: ANDI, [5] [5] Hanapi. Y., Ningum. I. P., Ramadhan. R., Discete Wavelet Tansfom dan Canbea Distance, Junal, Teknik Infomatika, Univesitas Halu Oleo, vol. 1, no. 1, pp [6] [6] Mantika. F., Isnanto. R. R., Zaha. A. A., Pengenalan Gais Utama Telapak Tangan dengan Ekstaksi Cii Matiks Kookuensi Aas Keabuan Menggunakan Jaak Euclidean, Makalah Tugas Akhi, S-1 Teknik Elekto, Univesitas Diponegoo, [7] [7] Khisan. I., Ekstaksi Cii Telapak Tangan Dengan Alihagam Gelombang Singkat Haa Menggunakan Pengenalan Jaak Euclidean, Makalah Tugas Akhi, S-1 Teknik Elekto, Univesitas Diponegoo, [8] [8] Puta. D., Bineisasi Tangan dengan Metode Otsu, Junal, Teknik Elekto, Univesitas Udayana, vol. 3, no. 2, pp , [9] [9] Puta. D., Pengolahan Digital. Yogyakata: ANDI, [10] [10] Maques. O., Pactical Image and Video Pocessing using Matlab. Kanada: Wiley, [11] [11] Angkoso. C. V., Nutanio. I., Punama. I. K. E., Analisa Tekstu Untuk Membedakan Kista dan Tumo Pada Panoamik Rahang Gigi Manusia, Junal, Semina on Intelligent Technology and Its Applications, Teknik Infomatika,Univesitas Tunojoyo, [12] [12] Falasev. R. S., Hidayatno. A., Isnanto. R. R., Pengenalan Sidik Jai Manusia dengan Matiks Kookuensi Aas Keabuan (Gay Level Co-ocuence Matix), Makalah Tugas Akhi, S-1 Teknik Elekto, Univesitas Diponegoo, [13] [13] Ganis. Yudhistia, Santoso. I., Isnanto. R. R., Klasifikasi dengan Matiks Ko-Okuensi Aas Keabuan (Gay Level Co- Occuence Matix -GLCM) Pada Lima Kelas Biji-Bijian, Makalah Tugas Akhi, S-1 Teknik Elekto, Univesitas Diponegoo, [14] [14] Neneng, Adi. Kuswoo, Isnanto, R. Rizal., Suppot Vecto Machine Untuk Klasifikasi Jenis Daging Bedasakan Tekstu Menggunakan Ekstaksi Cii Gay Level Co-Occuence Matices (GLCM ), Junal Sistem Infomasi Bisnis, [15] [15] Puta, Toni Wijanako, Hasil Pengenalan Wajah Ditinjau dai Jaak Piksel pada Gay Level Co- Occuence Matix dan Pobabilistic Neual Netwok, Posiding Semina Nasional Aplikasi Sains & Teknologi (SNAST), [16] [16] Jamaluddin. M., Suciati. Nanik, Wiajaya. Aya Yudhi, Implementasi Temu Kembali Tekstu Menggunakan Rotated Wavelet Filte, Makalah Tugas Akhi, Teknik Infomatika, Institut Teknologi Sepuluh Novembe, [17] [17] Agmalao. Muhammad Asyha, Kustiyo. Aziz, Akba. Auiza Rahmad, Identifikasi Tanaman Buah Topika Bedasakan Tekstu Pemukaan, Junal, Ilmu Kompute Agi-Infomatika, vol. 2, no. 2, pp , [18] [18] Rakasiwi. Intan Puti, Pamunenda, Ricadus Anggi, Temu Kembali Untuk Pengenalan Batik Pada 2d Menggunakan Fitu Tekstu Matiks Kookuensi Aas Keabuan dan Fungsi Jaak Canbea, Makalah Tugas Akhi, Teknik Infomatika,Univesitas Dian Nuswantoo, 2015.