Gregory Dimas 1, T. Sutojo 2 1,2

Transkripsi

1 ANALISIS KLASIFIKASI TINGKAT KEMATANGAN BUAH MANGGA MANALAGI MENGGUNAKAN CBIR (CONTENT BASED IMAGE RETRIEVAL) BEDASARKAN WARNA ANALYSIS OF MANALAGI MANGO FRUIT MATURITY LEVEL CLASSIFICATION USING CBIR (CONTENT BASED IMAGE RETRIEVAL) BASED ON COLOR Gregory Dimas 1, T. Sutojo 2 1,2 Jurusan Teknik Informatika-S1, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang Jln. Nakula I no 5-17 Semarang 50131, (024) INDONESIA @mhs.dinus.ac.id 1, tsutojo@gmail.com 2 Abstrak - Pemilihan jenis buah mangga manalagi berdasarkan tingkat kematangan dan ciri ciri sangatlah mudah dilakukan oleh kasat mata, tetapi tidak mudah dilakukan oleh komputer. Persepsi manusia biasanya cenderung subyektif terhadap suatu objek, hal ini dikarenakan adanya faktor komposisi warna yang dimiliki oleh objek tersebut. Oleh karena itu, diperlukan sistem untuk melakukan pemilihan buah mangga manalagi berdasarkan tingkat kematangan yang dilakukan secara otomatis dan akurat. Penelitian ini bertujuan untuk mengidentifikasi tingkat kematangan buah mangga manalagi menggunakan CBIR (Content Based Image Retrieval) dan Histogram Equalization serta menggunakan penghitungan jarak Euclidean Distance. Pada penelitian yang dilakukan memiliki tiga modul utama yaitu prapengolahan, pemrosesan, dan klasifikasi. Hasil dari penelitian ini adalah sistem yang dapat menentukan tingkat kematangan buah mangga manalagi dengan tingkat akurasi sebesar 84%. Kata Kunci: CBIR, Histogram Equalization, Euclidean Distance, Mangga. Abstract - Selection of the type of mango manalagi based on the level of maturity and characteristic is very easily done by human vision, but it is not easily done by computer. Subjective human perception tends toward an object, this is due to factors possessed by the color composition of the object. Therefore, systems are needed to make a selection of mango manalagi by the level of maturity that is done automatically and accurately. This study aims to identify the degree of maturity of mangoes manalagi using CBIR (Content Based Image Retrieval) and Histogram Equalization and distance calculation using Euclidean Distance. In the study conducted has three main modules, namely pretreatment, processing and classification. Results from this study is that the system can determine the level of maturity of mangoes manalagi with an accuracy rate of 84%. Keywords : CBIR, Histogram Equalization, Euclidean Distance, Mango. I. PENDAHULUAN Buah-buahan merupakan bahan pangan sumber vitamin. Buah cepat sekali rusak oleh pengaruh mekanik, kimia dan mikrobiologi sehingga mudah menjadi busuk. Oleh karena itu, Identifikasi kematangan buah-buahan yang dilakukan secara manual tidak efisien dan kurang teliti. Pada penelitian ini dilakukan identifikasi kematangan sekumpulan buah mangga manalagi berdasarkan warna. Klasifikasi dilakukan pada sekelompok buah mangga yang berbeda-beda jenis kematangannya. Ciri pembeda yang digunakan adalah fitur warna (R, G dan B).

2 Pemilihan objek buah mangga dalam penilitian ini disebabkan karena selama ini baik pasar buah maupun swalayan masih melakukan identifikasi buah-buahan secara manual. Sistem identifikasi buah-buahan juga bermanfaat pada bidang industri, perkebunan, pertanian dan sebagainya. Penelitian ini betujuan untuk mendapatkan pemilihan tingkat kematangan buah mangga yang akurat. Identifikasi kematangan buah mangga dapat bermanfaat, misalnya untuk penentuan harga buah dan keinginan konsumen [1]. Dalam menentukan kematangan mangga yang baik, manusia bersifat lebih subyektif dan tidak konsisten sehingga dari satu penilai dengan penilai lainnya hasilnya akan berbeda. Dengan adanya perkembangan teknologi informasi, memungkinkan identifikasi kematangan buah pada mangga dengan bantuan komputer. Tingkat kematangan buah mangga dapat diketahui dengan teknik pencarian gambar mengunakan kemiripan karakteristik dengan teknik Content Based Image Retrieval. Ciri merupakan suatu tanda yang khas pada buah mangga, yang membedakan antara satu gambar dengan gambar yang lain. Pada dasarnya suatu gambar memiliki ciri-ciri dasar yaitu: Warna, Bentuk, Tekstur. Dalam penelitian menentukan tingkat kematangan buah mangga ciri yang digunakan yaitu dengan bedasarkan warna. CBIR merupakan salah satu bentuk aplikasi komputer vision untuk pencarian citra berdasarkan fitur yang ada pada citra itu sendiri. Sistem yang dibangun dengan memfaatkan fitur utama dari citra yaitu fitur warna. Dalam menentukan kategori suatu citra atau gambar dapat dilakukan dengan menggunakan teknik pegukuran jarak yaitu Euclidean Distance. Euclidean Distance merupakan suatu teknik yang digunakan untuk menghitung kesamaan antara dua vektor dengan cara menghitung akar dari kuadrat perbedaan dari dua vektor tersebut [1]. Sebagai peneliti sebelumnya pernah menggunakan teknik histogram ekualisasi perataan histogram dengan meratakan distribusi suatu nilai derajat kebuan dari sebuah citra melakukan perhitungan jarak menggunakan Euclidean Distance dari kedua histogram tersebut. Sehingga dapat diketahui jarak antar citra yang dapat menentukan tingkat kematangan buah mangga [2]. II. STUDI PUSTAKA 2.1 Buah Mangga Buah Mangga atau dengan nama latin Mangifera Indica adalah tanaman yang berasal dari India, Srilanka dan Pakistan. Tanaman ini merupakan buah tropis yang biasa tumbuh baik di daerah beriklim kering. Ideal lingkungan yang cocok bagi tanaman mangga adalah iklim yang agak kering dengan curah hujan mm, ketinggian <300 m dpl dan suhu udara rata-rata berkisar Antara 25 C Setiap pohon mangga dewasa (berumur >10 tahun) dapat menghasilkan buah Antara kg per pohon/tahun [3]. 2.2 Pengolahan Citra Digital Pengolahan citra atau image processing merupakan bentuk pengolahan sinyal yang masukannya berupa gambar, sedangkan keluaran dari pengolahan gambar dapat berupa gambar atau sejumlah karakteristik yang berkaitan dengan gambar. Citra adalah gambar 2 dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Pada proses sampling biasanya dicari warna rata-rata dari gambar analog yang kemudian dibulatkan [4]. 2.3 Konversi Citra RGB menjadi Grayscale Proses pengubahan citra yang berwarna menjadi citra grayscale melalui beberapa tahap. Pertama adalah mengambil nilai R, G dan B dari suatu citra bertipe RGB. Pada tipe citra dipresentasikan dalam 24 bit, sehingga diperlukan proses untuk mengambil masing masing 3 kelompok 8 bit dari 24 bit. Perhitungan yang digunakan untuk mengubah citra berwarna yang mempunyai nilai matriks masing-masing R, G dan B menjadi citra grayscale dapat dilakukan dengan mengambil

3 rata-rata dari nilai R, G dan B sehingga dapat dituliskan menjadi:[9] Gambar 1 : Rumus Grayscale 2.4 Histogram Equalization Histogram citra memberikan informasi tentang penyebaran intensitas piksel-piksel di dalam citra. Misalnya, citra yang terlalu terang atau terlalu gelap memiliki histogram yang sempit. Agar kita memperoleh citra yang baik, maka penyebaran nilai intensitas harus diubah. Teknik yang lazim dipakai adalah perataan histogram (histogram equalization). Tujuan dari perataan histogram adalah untuk mendistribusikan histogram secara merata, sehingga setiap nilai keabuan memiliki jumlah piksel yang relatif sama [5]. 2.5 Content Based Image Retrieval Content Based Image Retrieval merupakan aplikasi Computer Vision yang berguna untuk melakukan pencarian (Search) kesamaan suatu gambar atau citra pada gambar tersebut. CBIR dapat juga disebut sebagai QBIC (Query by Image Content). Yang dimaksud dengan CBIR ini merupakan suatu proses analisa tentang kandungan aktual dari gambar yang dituju dengan mengambil informasi dari gambar/citra berdasarkan warna, bentuk maupun tekstur. Sedangkan parameter gambar yang digunakan untuk retrieval berupa sebuah histogram, warna, tekstur dan shape dari gambar yang diuji. Content Based Image Retrieval (CBIR) merupakan suatu teknik pencarian kembali gambar yang mempunyai kemiripan karakteristik atau content dari sekumpulan gambar. Proses umum dari CBIR adalah gambar yang menjadi query dilakukan proses ekstraksi fitur, begitu halnya dengan gambar yang ada pada sekumpulan gambar juga dilakukan proses seperti pada gambar query [6]. Gambar 2: Arsitektur CBIR [15] Keterangan arsitektur diatas adalah : Pada bagian interface merupakan interaksi pengguna dengan sistem CBIR melalui aplikasi berbasis GUI (Graphical User Interface). Dalam bagian ini terdiri dari data insertion yang berguna untuk memasukan gambar, query specification untuk menentukan citra query dan metode yang digunakan, visualization untuk menampilkan hasil pencarian [7]. Pada bagian query processing module terdiri dari feature vector extraction yaitu untuk mengekstraksi suatu citra, similarity computation untuk menghitung kesamaan dari citra,dan ranking bekerja untuk klasifikasi urutan citra dilihat dari tingkat kemiripannya [7]. Pada bagian image database terbagi menjadi dua yaitu feature vector yang digunakan untuk penyimpanan hasil ekstraksi kedalam database, dan images merupakan hasil kumpulan citra dalam database [7]. Teknik yang digunakan dalam Content Based Image Retrieval untuk melakukan perbandingan satu citra dengan yang lainnya dapat dilakukan dari hal berikut : a. Warna (Colour) Nilai-nilai piksel sebuah citra didapatkan dari kesamaan warna yang diambil dari citra uji untuk kemudian akan diidentifikasi. b. Tekstur Tekstur yang dibutuhkan untuk tenik CBIR dapat diambil dari ukuran yang kemudian divisualkan bagaimana citra tersebut dapat terdefinisi secara spasial.

4 c. Shape Shape tidak harus mengacu pada bentuk citra melainkan dapat dari citra daerah yang sedang dicari. 2.6 RGB (Red, Green, Blue) Model warna adalah sistem koordinat yang berfungsi untuk memetakan semua warna dengan sebuah titik. RGB (Red, Green, Blue) merupakan salah satu dari model warna selain CMY (Cyan, Magneta, Yellow) dan CMYK, HIS (Hue, Saturation, Interisty), NTSC dan YCbCr. Model warna RGB adalah model warna yang ditunjukan dari kombinasi tiga warna primer dimana dari tiga warna tersebut membentuk sistem koordinat Cartesian tiga dimensi. Karena kemudahan dalam perancangan hardware, RGB sering digunakan dalam pengolahan citra. Akan tetapi tidak cukup bagus untuk beberapa aplikasi yang menggunakan algoritma pemrosesan citra tertentu [8]. 2.7 Euclidean Distance Euclidean Distance adalah metrika yang paling sering digunakan untuk menghitung kesamaan dua vektor. Rumus euclidean Distance adalah akar dari kuadrat perbedaan 2 vektor. Euclidean Distance merupakan metode yang digunakan untuk menentukan atau klasifikasi dari dua buah citra sebagai objek dengan cara melakukan perhitungan jarak antara keduanya. Untuk perhitungan jarak dapat dilakukan dengan menggunakan rumus sebagai berikut [10] : d e = m k=1 (fd i.k k j ) 2 Keterangan : d e fd i k j m : jarak euclidean : bobot : data bobot test : jumlah data III. 3.1 Data METODOLOGI PENELITIAN Dalam analisa yang dilakukan, data yang digunakan atau yang didapat dari supermarket dan pasar tradisional. Data yang digunakan dalam penelitian ini berupa 100 buah mangga dengan 38 buah mangga matang, 12 buah manga setengah matang dan 50 buah mangga mentah. Seluruh data tersebut diambil gambarnya menggunakan kamera canon 60D dengan menggunakan background putih untuk semua data. 3.2 Pengolahan Data Awal Pada pengolahan data ini akan menggunakan resize. resize merupakan merubah resolusi atau ukuran horizontal dan vertika pada suatu citra yang akan diperlukan sewaktu melakukan penelitian. resize ini juga akan berguna pada penelitian ini untuk mengubah ukuran kilobyte pada suatu citra. Bila tidak menggunakan resize, aplikasi akan kesulitan untuk mengolah data data. 3.3 Metode yang Diusulkan Pengolahan Citra Hasil Identifikasi Histogram Warna Identifikasi Gambar 3: Proses Penelitian 1. Pengolahan Citra : Pengolahan yang dimaksudkan adalah pengolahan citra yang di ujikan melalui proses pengolahan yang dilakukan dengan penyamaan ukuran citra. 2. Histogram Warna : Representasi distribusi warna dalam sebuah gambar yang didapatkan dengan menghitung jumlah pixel dari setiap bagian range warna, secara tipikal dalam dua dimensi atau tiga dimensi.

5 Histogram warna menunjukkan hasil perbedaan anatara citra acuan dengan citra yang akan di ujikan dalam bentuk grafik. 3. Identifikasi : cara yang dilakukan untuk mengabil ciri-ciri dalam data tersebut. Identifikasi melakukan penghitungan rata-rata pada citra acuan yaitu semua buah mangga yang matang dengan data sample pada citra uji yang menghasilkan patokan berupa angka yg akan digunakan sebagai acuan nantinya. Citra acuan yang sudah ditentukan akan dipadukan dengan citra uji yang hasilnya menentukan tingkat kematangan buah tersebut. 4. Hasil Identifikasi : Setelah melalui proses identifikasi terhadap citra acuan maka citra uji menemukan kesamaan tingkat kematangan buah atau tidaknya terhadap citra acuan. IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Kebutuhan Data Citra Citra yang dipakai dalam menganalisis CBIR (Content Based Image Retrieval) untuk menentukan tingkat kematangan buah mangga manalagi yang terdiri dari 100 data citra. 38 buah mangga yang telah diketahui matang, 12 buah mangga setengah matang dan 50 buah mangga mentah. Buah mangga matang yang ditentukan sebagai acuan untuk membandingkan dengan citra uji Pembuatan histogram citra ini menggunakan Matlab R2014b yang bertujuan untuk menunjukan nilai distribusi dari intensitas citra dan dimunculkan dalam bentuk grafik. Nilai tersebut digunakan untuk menghitung pada tahap penelitian selanjutnya. Gambar 5: Citra acuan dan histogram citra acuan 4.3 Pencarian Range Nilai Deviasi Buah Mangga Acuan (Mangga Matang) Pencarian citra acuan melalui proses merubah citra menjadi keabuan / grayscale, memasukan citra ke dalam histogram, dan menghitung nilai histogram dengan Histogram Equalization. Hasil histogram equalization dijumlahkan dengan rumus berikut : C=(c1+c2+c3+ +c38)/38 ΔC = [c1 c2 c3 c4 c5 c38] Δmin = C ΔC Δmax = C + ΔC Keterangan : C = hasil histogram equalization citra acuan c1;c2;c3; = data semua histogram equalization citra buah mangga matang. Δ = Standar deviasi Δmin = nilai deviasi minimal Δmax = nilai deviasi maksimal Gambar 4: Citra Objek Penelitian 4.2 Pembuatan Histogram Citra Nilai C digunakan sebagai acuan untuk menghitung jarak antara C dengan citra buah mangga.

6 Tabel 1 : Tabel Pencarian Deviasi Buah Mangga Matang No Citra Buah Mangga Matang Hasil Jarak Dari C 1 1.jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg Dihasilkan jarak antara dari nilai standar deviasi untuk buah mangga matang. Tabel 2 : Tabel Pencarian Deviasi Buah Mangga Setengah Matang No Citra Buah Mangga Setengah Matang Hasil Jarak Dari 1 39.jpg jpg jpg jpg jpg jpg jpg jpg jpg jpg C

7 11 49.jpg jpg Dihasilkan jarak antara dari nilai standar deviasi untuk buah mangga setengah matang. 4.4 Pengujian Data Gambar 6: Tampilan Aplikasi Hasil pengujian 100 data citra terhadap nilai acuan buah mangga matang No 1 Nilai Tabel 3. Hasil penentuan kematangan Perhitungan Antara Histogram Equalization Acuan Buah Mangga Matang (A) 2 Nilai 3 Nilai 4 Nilai 5 Nilai 6 Nilai Citra Uji (B) Hasil Jarak Euclidean Distance Hasil 1.jpg MATANG 2.jpg MATANG 3.jpg MATANG 4.jpg ½ MATANG 5.jpg MATANG 6.jpg MATANG 7 Nilai 8 Nilai 9 Nilai 10 Nilai 11 Nilai 12 Nilai 13 Nilai 14 Nilai 15 Nilai 16 Nilai 17 Nilai 18 Nilai 19 Nilai 20 Nilai 21 Nilai 22 Nilai 23 Nilai 24 Nilai 25 Nilai 26 Nilai 27 Nilai 28 Nilai 29 Nilai 30 Nilai 31 Nilai 32 Nilai 33 Nilai 7.jpg MATANG 8.jpg ½ MATANG 9.jpg MATANG 10.jpg ½ MATANG 11.jpg ½ MATANG 12.jpg MATANG 13.jpg ½ MATANG 14.jpg MATANG 15.jpg MATANG 16.jpg MATANG 17.jpg MATANG 18.jpg MATANG 19.jpg MATANG 20.jpg MATANG 21.jpg MATANG 22.jpg MATANG 23.jpg MATANG 24.jpg MATANG 25.jpg MATANG 26.jpg MATANG 27.jpg ½ MATANG 28.jpg MATANG 29.jpg MATANG 30.jpg MATANG 31.jpg MATANG 32.jpg MATANG 33.jpg MATANG

8 34 Nilai 35 Nilai 36 Nilai 37 Nilai 38 Nilai 39 Nilai 40 Nilai 41 Nilai 42 Nilai 43 Nilai 44 Nilai 45 Nilai 46 Nilai 47 Nilai 48 Nilai 49 Nilai 50 Nilai 51 Nilai 52 Nilai 53 Nilai 54 Nilai 55 Nilai 56 Nilai 57 Nilai 58 Nilai 59 Nilai 60 Nilai 34.jpg MATANG 35.jpg MATANG 36.jpg MATANG 37.jpg MATANG 38.jpg MATANG 39.jpg ½ MATANG 40.jpg MATANG 41.jpg MATANG 42.jpg MATANG 43.jpg MATANG 44.jpg ½ MATANG 45.jpg MENTAH 46.jpg MENTAH 47.jpg MENTAH 48.jpg MENTAH 49.jpg MENTAH 50.jpg ½ MATANG 51.jpg MENTAH 52.jpg MATANG 53.jpg MENTAH 54.jpg MENTAH 55.jpg MENTAH 56.jpg MENTAH 57.jpg MENTAH 58.jpg MENTAH 59.jpg MENTAH 60.jpg MENTAH 61 Nilai 62 Nilai 63 Nilai 64 Nilai 65 Nilai 66 Nilai 67 Nilai 68 Nilai 69 Nilai 70 Nilai 71 Nilai 72 Nilai 73 Nilai 74 Nilai 75 Nilai 76 Nilai 77 Nilai 78 Nilai 79 Nilai 80 Nilai 81 Nilai 82 Nilai 83 Nilai 84 Nilai 85 Nilai 86 Nilai 87 Nilai 61.jpg MENTAH 62.jpg MENTAH 63.jpg MENTAH 64.jpg MENTAH 65.jpg MENTAH 66.jpg MENTAH 67.jpg MENTAH 68.jpg MENTAH 69.jpg MENTAH 70.jpg MENTAH 71.jpg MENTAH 72.jpg MENTAH 73.jpg MENTAH 74.jpg MENTAH 75.jpg MENTAH 76.jpg MENTAH 77.jpg MENTAH 78.jpg MENTAH 79.jpg MENTAH 80.jpg MENTAH 81.jpg MENTAH 82.jpg MENTAH 83.jpg MENTAH 84.jpg MENTAH 85.jpg MENTAH 86.jpg MENTAH 87.jpg MENTAH

9 88 Nilai 89 Nilai 90 Nilai 91 Nilai 92 Nilai 93 Nilai 94 Nilai 95 Nilai 96 Nilai 97 Nilai 98 Nilai 99 Nilai 100 Nilai 88.jpg MENTAH 89.jpg MENTAH 90.jpg MENTAH 91.jpg MENTAH 92.jpg MENTAH 93.jpg MENTAH 94.jpg MENTAH 95.jpg MENTAH 96.jpg MENTAH 97.jpg MENTAH 98.jpg MENTAH 99.jpg MENTAH 100.jpg MENTAH V. KESIMPULAN 1. Analisis buah mangga manalagi menggunakan CBIR (Content Based Image Retrieval) bisa menghasilkan informasi matang atau tidaknya buah mangga manalagi. 2. Dengan menggunakan Histogram Equalization serta menggunakan teknik Euclidean Distance untuk pengukuran jarak, menghasilkan 89 citra yang tepat dari 100 citra. 3. Penggunaan Euclidean Distance Untuk membatasi tingkat kematangan buah mangga tersebut. Jarak antara diambil dari rata rata nilai buah mangga matang dengan nilai standar deviasi Hasil dari pengujian citra acuan dan citra uji mendapatkan keakurasian 84% yang menunjukan bahwa dari citra buah mangga manalagi dapat menentukan tingkat kematangan buah mangga tersebut. Hasil pengujian 100 data citra terhadap nilai acuan buah mangga matang Pada tabel tersebut menunjukan bahwa citra yang diujikan menjukkan hasil yang berbeda-beda sesuai dengan jarak kematangan buah yang telah ditentukan. Diuji dari 100 data diatas memperlihatkan bahwa hasil buah mangga yang tepat adalah 84 data citra dengan 16 data citra yang salah. hasil dari tabel tersebut nantinya akan dijadikan parameter untuk menentukan tingkat keakurasian dari analisa CBIR (Content Based Image Retrieval) untuk menentukan tingkat kematangan buah mangga manalagi. Penghitungan Tingkat Akurasi : Hasil Ketepatan Ekstraksi = 84 Junlah Citra yang Diujikan = 100 Akurasi = % Akurasi = 84%. VI. SARAN 1. Penambahan citra acuan dan citra uji baru yang lebih banyak lagi untuk mendapatkan akurasi yang lebih presisi. 2. Penambahan algoritma agar bisa menentukan jenisnya dari sudut manapun selain foto / gambar / citra. 3. Kedepanya penelitian ini dapat diaplikasikan via mobile untuk perkembangan jaman supaya pengkasifikasiannya lebih cepat dan mudah digunakan. DAFTAR PUSTAKA [1] Isma Husnu Nida, Analisis Daya Saing Komoditas Jeruk Di Desa Selorejo Kecamatan Dau Kabupaten Malang, Universitas Jember, [2] Setiawardhana, Identifikasi Kematangan Buah Tomat, PENS

10 ITS, Proposal_Penelitian (diakses pada ). [3] Balai Penelitian Tanah, Tanaman Mangga (Mangifera Indica). Badan Penelitian Dan Pengembangan Pertanian. Bogor, [4] Syarif, H, Content Based Image Retrieval Berbasis Color Histogram Untuk Pengklasifikasian Ikan Koi Jenis Kohaku. Skripsi. Universitas Dian Nuswantoro Semarang, [5] Ade Dwi Harisna, ndoware refensi teknologi dan elektronika Indonesia. [Online]. (diakses pada ). [6] Hastuti, Ida.,Mochammad Hariadi & I Ketut Eddy Purnama, Content Based Image Retrieval [7] Sumarna, Agus, CBIR Berdasarkan Ekstraksi Fitur Warna Menggunakan Java, Universitas Gunadarma, Depok, [8] Kadir, Abdul & Adhi Susanto. (2013). Pengolahan Citra Teori dan Aplikasi. Yogyakarta : Andi. [9] Candra Noor Santi, Mengubah Citra Berwarna Menjadi Grayscale dan Citra biner. Universitas Stikubank Semarang, [10] K. A. Nugraha, W. Hapsari dan N. A. Haryono, Analisis Tekstur pada Citra Motif Batik untuk Klasifikasi Menggunakan K-NN, Informatika, vol. 10, Dosen Pembimbing, Penulis,. T. Sutojo,S.Si, M.Kom Gregory Dimas Rudy NPP NIM. A