KLASIFIKASI JENIS POHON MANGGA GADUNG DAN CURUT BERDASARKAN TESKTUR DAUN

Transkripsi

1 SESINDO 011-Jurusan Siste Inforasi ITS KLASIFIKASI JENIS POHON MANGGA GADUNG DAN CURUT BERDASARKAN TESKTUR DAUN Soffiana Agustin 1), Eko Prasetyo ) 1,) Progra Studi Teknik Inforatika, Fakultas Teknik, Universitas Muhaadiyah Gresik ) Progra Studi Teknik Inforatika, Fakultas Teknologi Industri, Universitas Pebangunan Nasional Veteran Jati soffianasoffi@gail.co 1), eko1979@yahoo.co ) Abstrak Bagi petani atau asyarakat awa yang berinat untuk enana pohon angga selalu berharap bahwa buah angga yang dihasilkan dari pohon yang ditananya erupakan jenis buah angga sesuai dengan yang diinginkan. Otoatisasi yang dibuat dala penelitian ini adalah elakukan klasifikasi jenis pohon angga berdasarkan tekstur daun. Klasifikasi yang digunakan dala penelitian ini adalah etode K-Nearest Neighbor (K-NN) dan Jaringan Syaraf Tiruan (JST) Backpropagation pada fitur tekstur daun angga jenis gadung dan curut. Karena daun angga uunya berwarna hijau, aka fitur warna tekstur yang digunakan adalah fitur warna green dari bagian warna RGB (Red, Green, Blue). Fitur tekstur yang digunakan dala penelitian adalah : rata-rata intensitas, soothness, entropy, 5 oent invariant, energy, dan kontras. Klasifikasi dilakukan pada dua jenis daun pohon angga enggunakan 30 sapel daun angga gadung dan 30 sapel daun angga curut. Hasil penelitian enunjukkan bahwa klasifikasi dengan K-NN eberikan rata-rata hasil akurasi keseluruhan 54.4%, sedangkan dengan JST Backpropagation eberikan rata-rata akurasi keseluruhan 65.19%. Keywords : klasifikasi, k-nearest neighbor, jst backpropagation, daun angga, gadung, curut. 1. PENDAHULUAN Mangga adalah naa buah, deikian pula naa pohonnya [3]. Mangga terasuk ke dala arga Mangifera, yang terdiri dari anggota, dan suku Anacardiaceae. Naa iliahnya adalah Mangifera indica. Pohon angga terasuk tubuhan tingkat tinggi yang struktur batangnya (habitus) terasuk kelopok arboreus, yaitu tubuhan berkayu yang epunyai tinggi batang lebih dari 5, bahkan encapai tinggi Daun erupakan suatu bagian tubuhan yang penting dan pada uunya tiap tubuhan epunyai sejulah besar daun. Alat ini hanya terdapat pada batang saja dan tidak pernah terdapat pada bagian lain pada tanaan. Bagian batang tepat duduknya atau elekatnya daun disebut buku-buku (nodus) batang dan tepat di atas daun yang erupakan sudut antara batang dan ketiak (axilla). Daun biasanya berwarna hijau yang disebut klorofil [9]. Saat ini asyarakat gear enana pohon angga di pekarangan ruah, selain berguna untuk penghijauan lingkungan, buah yang didapat juga epunyai nilai gizi yang tinggi bagi anusia. Tetapi tidak jarang, asyarakat kadang tertipu dengan jenis pohon angga yang ditana, dikira bahwa jenis pohon angga yang ditana adalah jenis gadung, yang dikenal epunyai rasa yang anis, buah yang besar dan agak panjang, bebau wangi, tapi ternyata adalah angga jenis curut (=bahasa jawa) yang epunyai rasa yang asa, buahnya kecil dan berbau asa. Oleh karena itu, penulis berinisiatif untuk elakukan penelitian klasifikasi jenis pohon angga berdasarkan tekstur daun. Dengan siste yang dikebangkan ini, diharapkan dapat ebantu asyarakat dala engenali jenis angga yang akan ditananya, sehingga tidak erasa tertipu atau kecewa pada jenis angga yang ditananya. Sisteatika dala paper ini terbagi enjadi 6 bagian : bagian 1 euat pendahuluan, bagian ebahas penelitian sebelunya yang dilakukan terhadap buah, bagian 3 ebahas teori yang elandasi dala elakukan penelitian, bagian 4 adalah desain siste yang digunakan, bagian 5 adalah ebahas skenario pengujian, dan analisis hasil pengujian, sedangkan bagian 6 ebahas kesipulan yang didapat dari penelitian.. PENELITIAN SEBELUMNYA Penelitian yang dilakukan Ahad [1] adalah elakukan klasifikasi kualitas buah angga berdasarkan tekstur buah angga yang diaati. 58

2 SESINDO 011-Jurusan Siste Inforasi ITS Jenis buah angga yang diaati adalah jenis gadung dan aruanis, pengukuran tekstur yang digunakan adalah kontras pada indeks warna erah, alasannya adalah karena warna buah angga yang sudah asak biasanya didoinasi warna yang agak keerahan pada kulitnya. Akurasi yang didapatkan encapai 74.3%. Widyanto [] elakukan otoatisasi siste klasifikasi kualitas buah angga lokal berdasarkan 3 paraeter yaitu: cacat, ukuran, dan warna, yang dikelopokkan enjadi 3 kelas: bagus, sedang, dan jelek, etode yang digunakan adalah logika fuzzy. Akurasi yang didapat antara 66.7% dan 75% asing-asing untuk kualitas buah angga yang sedang dan bagus. Prasetyani [4] enggunakan basis ukuran buah, panjang, dan diaeter buah stroberi untuk elakukan klasifikasi kualitas buah stroberi, akurasi yang didapatkan dengan ketiga paraeter tersebut encapai 78.3%. Lebih lanjut, Ahad [1] enuturkan pentingnya siste koputer untuk ebantu elakukan klasifikasi produk hortikultura, dengan bantuan software koputer tersebut diharapkan dapat eningkatkan standart utu yang digunakan, selain itu dengan bantuan software ini aka pekerjaan yang awalnya dilakukan secara anual aka dapat dilakukan secara otoatis oleh siste koputer. Proposal penelitian yang diajukan Valerina et al [10] adalah siste untuk engidentifikasi jenis daun tanaan obat dengan basis ciri orfologi, bentuk, dan tesktur daun tanaan obat. Meskipun asih dala tahap pengajuan, tetapi target akurasi pengenalan yang diharapkan adalah endekati 100%. Belu diteukan hasil yang dipublikasikan, sehingga penulis encoba untuk enerapkan hal yang serupa pada jenis tanaan angga dengan berfokus pada tekstur daun. Dari proposal penelitian Valerina et al [10] aka dapat dikaitkan bahwa identifikasi jenis pohon angga dengan klasifikasi berdasarkan tekstur daun eungkinkan untuk dilakukan. 3. LANDASAN TEORI Pada bab ini akan dibahas engenai landasan teori yang akan dipakai dala penelitian ini, yaitu karakter daun angga dan analisis tekstur citra. 3.1 Karakter daun angga Daun pohon angga uunya tunggal, dengan letak tersebar, tanpa daun penupu [1][8]. Panjang tangkai daun bervariasi dari 1,5-1,5 c, bagian pangkalnya ebesar dan pada sisi sebelah atas ada alurnya. Aturan letak daun pada batang biasanya 3/8, tetapi akin endekati ujung, letaknya akin berdekatan sehingga napaknya seperti dala lingkaran (roset). Helai daun bervariasi naun kebanyakan berbentuk jorong sapai lanset, c, agak liat seperti kulit, hijau tua berkilap, berpangkal elancip dengan tepi daun bergelobang dan ujung eluncip, dengan 1-30 tulang daun sekunder [8]. Beberapa variasi bentuk daun angga [1]: 1. Lonjong dan ujungnya seperti ata tobak.. Berbentuk bulat telur, ujungnya runcing seperti ata tobak. 3. Berbentuk segi epat, tetapi ujungnya runcing. 4. Berbentuk segi epat, ujungnya ebulat. Daun yang asih uda biasanya bewarna keerahan, keunguan atau kekuningan [1]; yang di keudian hari akan berubah pada bagian perukaan sebelah atas enjadi hijau engkilat, sedangkan bagian perukaan bawah berwarna hijau uda. Uur daun bisa encapai 1 tahun atau lebih. 3. Analisis Tekstur Citra Analisis tekstur citra terbagi enjadi tiga bagian, yang pertaa adalah pendekatan statistik, yang kedua adalah oen invariant yang terakhir adalah atriks co-occurrence. Pendekatan Statistik Pendekatan yang sering digunakan untuk analisis tekstur didasarkan pada properti statistik histogra intensitas [5]. Satu kelas pengukuran didasarkan pada oent statistik. Untuk enghitung oent nth terhadap ean diberikan oleh: L 1 i0 n z pz (1) n i i di ana z i adalah variabel rando yang engindikasikan intensitas, p(z) adalah histogra level intensitas dala region, L adalah julah level intensitas yang tersedia, ean (rata-rata) intensitas dihitung dengan forula: L 1 zi p z i () i0 Ukuran soothness relatif dari intensitas dala region. R bernilai 0 untuk region dala intensitas konstan dan endekati 1 untuk region dengan ekskursi yang besar dala nilai level intensitas. Dala prakteknya, varian digunakan dala ukuran ini yang dinoralisasikan dala range [0,1] oleh pebagian dengan (L-1). Soothness dihitung dengan forula : R 11/ 1 (3) Diana adalah ukuran standart deviasi yang diukur dengan forula: 59

3 SESINDO 011-Jurusan Siste Inforasi ITS ( z ) (4) Entropy digunakan untuk engukur keacakan nilai intensitas citra, dihitung dengan forula: L 1 e p( zi )log p( z i ) (5) i0 Moent Invariants Moent -D dari order (p + q) pada citra digital f(x,y) didefinisikan sebagai [5]: p q x y f x, y) x y ( (6) Untuk p,q = 0, 1,,, di ana penjulahan lebih dari nilai koordinat spasial x dan y yang erentangkan citra. Central oent yang berhubungan didefinisikan sebagai: p q ( x x) ( y y) f ( x, y) (7) di ana 00 x y 10 x (8) dan 01 y (9) 00 Noralized central oent dari order (p + q) didefinisikan sebagai: (10) 00 Untuk p, q = 0, 1,,, di ana: p q 1 (11) Untuk p+q =, 3, Sejulah tujuh oent invariant yang tidak sensitif terhadap translasi, perubahan skala, pencerinan, dan rotasi dapat diturunkan dari persaaan berikut: (1) ( (13) 0 0) ( ) (3 1 03) (14) 4 ( 30 1) ( 1 03) (15) 5 ( )( 30 1)[( 30 1) 3( 1 03) ] (3 1 03)( 1 03) [3( ) ( ) ] (16) ( 0 0)[( 30 1) ( 1 03) 4 11( 30 1)( 1 03) ] 7 ( )( 30 1)[( 30 1) 3( 1 03) ] (3 1 30)( 1 03) [3( ) ( ) ] (17) Matrik Co-occurrence Matriks intensitas co-occurrence adalah suatu atriks yang enggabarkan frekuensi unculnya pasangan dua piksel dengan intensitas tertentu dala jarak dan arah tertentu dala citra [6]. Matriks intensitas co-occurrence p(i 1, i ) didefi-nisikan dengan dua langkah sederhana sebagai berikut. Langkah pertaa adalah enentukan lebih dulu jarak antara dua titik dala arah vertikal dan horizontal (vektor d=(dx,dy)), di ana besaran dx dan dy dinyatakan dala piksel sebagai unit terkecil dala citra digital. Langkah kedua adalah eng-hitung pasangan piksel-piksel yang epunyai nilai intensitas i 1 dan i dan berjarak di piksel dala citra. Keudian hasil setiap pasangan nilai intensitas diletakkan pada atriks sesuai dengan koordinat-nya, di ana absis untuk nilai intensitas i 1 dan ordinat untuk nilai intensitas i. Energi dala atrik co-occurence yaitu fitur untuk engukur konsentrasi pasangan intensitas pada atriks co-occurance, dan didefinisikan dengan: i1 i Energi p ( i, i ) (18) 1 Kontras yang digunakan untuk engukur kekuatan perbedaan intensitas dala citra dan dinyatakan dengan: ( i i1 i 1 i ) p( i1, i ) Kontras (19) 4. DESAIN SISTEM Siste untuk elakukan klasifikasi jenis pohon angga berdasarkan tekstur daun ini enggunakan siste kerja seperti pada gabar 1, sebagai berikut : 1. Preprocessing Pada bagian ini dilakukan pekerjaan awal sebelu perosesan citra lebih lanjut, seperti: cropping, resizing, dan pengura-ngan noise pada citra.. Segentasi Segentasi enggunakan etode K-eans clustering dengan julah k ulai 3 sapai 4 sesuai dengan kondisi terbaik hasil segentasi yang diberikan. 3. Ekstraksi fitur Pada bagian ini, dilakukan pengabilan koponen warna hijau pada citra daun yang sudah disegentasi. Keudian engekstrak fitur yaitu: rata-rata intensitas, soothness, dan entropy dari pendekatan statistik; 5 dari 7 60

4 SESINDO 011-Jurusan Siste Inforasi ITS oent invariants; energy dan kontras dari pendekatan atrik co-occurrence. 4. Peisahan data Dari 60 data citra dibagi enjadi kelopok: data training dan data uji, koposisi yang digunakan enyesuaikan hasil analisis dengan teknik K-fold Cross Validation yaitu nilai K-fold bernilai 5, 6 dan 10 dengan koposisi seperti dijelaskan dibagian 5. Masing-asing kelopok terbagi enjadi kelas dengan julah yang saa, yaitu kelas 1 untuk angga gadung dan 0 untuk angga curut. 5. Training dengan K-NN dan JST Backpropagation Training dengan K-NN [7] dan JST Backpropagation [11] dilakukan pada data training dengan label kelas yang sudah diberikan pada setiap data training. 6. Klasifikasi Proses klasifikasi dilakukan dengan eproses satu persatu data uji untuk diketahui keluaran kelas yang diberikan oleh siste. Pada K-NN, asing-asing data uji dilakukan pengujian 3 kali yaitu: 1-NN, 3- NN, dan 5-NN untuk setiap K-fold, sedangkan JST Backpropagation dilakukan pengujian 3 kali untuk asing-asing K- fold. Keudian hasilnya dilakukan pencocokan dengan kelas yang sesungguhnya sehingga diketahui akuransi siste dala elakukan klasifikasi. Citra daun angga Preprocessing Segentasi Ekstraksi fitur Peisahan data Training dengan K-NN dan JST Backpropagation 1 Data training Hasil analisis setiap fitur dari 3 pendekatan analisis tekstur dengan Principal Coponent Analysis (PCA) [7] didapatkan ada 10 fitur yang tepat untuk digunakan. Analisis citra dengan pendekatan statistik eberikan fitur rata-rata, soothness, dan entropy nilai intensitas warna hijau pada daun yang erupakan karakter orfologi alai daun [10]. Pendekatan oent invariant sudah terbukti robust terhadap per-geseran, perputaran dan penskalaan obyek dala citra, aka tepat jika digunakan dala penelitian ini untuk peletakan obyek dala citra yang bisa dipengaruhi oleh 3 hal tersebut [5]. Dari 7 fitur oent invariant, ada 5 yang epunyai pengaruh yang signifikan yaitu oent: 1,, 4, 6, dan 7. Sedangkan pendekatan atrik co-occurrence eberikan alternatif teknik analisis citra selain pendekatan statistik, fitur yang dieks-trak dari atrik ini adalah enegri, dan kontras. Energi untuk engukur kekonstanan intensitas, sedang-kan kontras untuk engukur tingkat perbedaan nilai intensitas warna hijau pada daun. Dari analisis dengan PCA, aka paraater tekstur yang digunakan adalah: (1) rata-rata intensitas; () soothness; (3) entropy; (4) 5 koponen oent invariants; (5) energy; (6) kontras. Pengujian dilakukan pada jenis daun angga: gadung, dan curut, asing-asing diabil sapel 30 citra daun dari 10 daun, sehingga total ada 60 citra daun yang digunakan sebagai data set dala penelitian. Berdasarkan analisis dengan teknik K-fold Cross Validation untuk nilai K-fold adalah 5 sapai 10 didapatkan laju error berturut-turut adalah: , , , , , Laju error terkecil didapatkan ketika K-fold bernilai 5. Koposisi data untuk training dan uji yang digunakan adalah nilai K-fold: 5,6 dan 10 berturutturut: (48;1), (50;10), (54;6). Citra daun angga yang diproses adalah yang sudah elalui preprocessing dan sudah di segentasi untuk eisahkan obyek daun dari latar belakang dala citra, contoh daun yang belu dan sudah disegentasi ditunjukkan pada gabar. Data uji Klasifikasi Hasil klasifikasi Gabar 1. Desain siste klasifikasi jenis pohon angga 5. PENGUJIAN DAN ANALISIS Penelitian yang dilakukan oleh penulis, elakukan otoatisasi klasifikasi jenis angga yaitu: gadung dan curut berdasarkan tekstur daun, karena warna daun uunya adalah hijau aka penulis enggunakan fitur warna hijau dari siste warna RGB. (a) (b) Gabar. Citra daun angga gadung; (a) belu di segentasi; (b) sudah di segentasi 61

5 SESINDO 011-Jurusan Siste Inforasi ITS Skenario pengujian yang dilakukan adalah dengan engunakan data training sebagai pelatihan terhadap siste, keudian easuk-kan data uji untuk elakukan klasifikasi. Hasil klasifikasi data uji oleh siste dibandingkan dengan klasifikasi data uji yang sesungguhnya (anual). Analisis dilakukan dengan eban-dingkan antara data uji yang berhasil diklasifi-kasi dengan benar dengan seua data uji, aka didapatkan akurasi siste klasifikasi jenis pohon angga tersebut berdasarkan tekstur daunnya. Sebanyak 10 fitur dari asing-asing data training digunakan sebagai data training dala K- Tabel 1. Fitur 1 data uji citra angga gadung dan curut untuk K-fold = 5 DATA FITUR NN dan JST Backpropagation. Selanjutnya 10 fitur dari asing-asing data uji satu persatu dilakukan klasifikasi data uji dengan etode K-NN dan JST Backpropagation, 10 fitur dari asing-asing 1 citra uji untuk K-fold = 5 ditapilkan pada tabel 1. Untuk JST Backpropagation, enggunakan 1 hidden layer dengan julah neuron 150, sedangkan output layer enggunakan 1 neuron. Paraeter-paraeter pelatihan yang digunakan: target error enggunakan kriteria Su Squared Error (SSE), laju pelatihan 0., oentu 0.95, dan julah iterasi aksial 5000 kali. UJI RTA SMO ENT M1 M M4 M6 M7 ENE KON Keterangan kolo tabel 1: RTA : Rata-rata intensitas ENT : Entropy KON : Kontras M : Moent M6 : Moent 6 SMO : Soothness ENE : Energy M1 : Moent 1 M3 : Moent 4 M7 : Moent 7 Tabel. Hasil pengujian klasifikasi citra daun angga gadung dan curut untuk K-fold = 5 HASIL KLASIFIKASI DATA K-NN JST BACKPROPAGATION UJI KELAS TARGET 1-NN 3-NN 5-NN PERC. 1 PERC. PERC Hasil benar Prosentasi 66.67% 58.33% 50.00% 66.67% 91.67% 75% Akurasi Rata-rata 58.33% 77.78% Untuk K-fold=5, pengujian pada etode K-NN dilakukan 3 kali, yaitu: 1-NN, 3-NN, dan 5-NN, sedangkan JST Backpropagation dilakukan 3 kali: percobaan 1, percobaan, dan percobaan 3. Kelas citra angga yang sesungguhnya pada data uji ditunjukkan pada kolo 8 di tabel, kelas 1 untuk angga gadung, kelas 0 untuk angga curut. Hasilnya seperti yang ditunjukkan pada tabel, klasifikasi dengan 1-NN eberikan akurasi hasil 66.67% atau 8 dari 1 data uji berhasil 6

6 SESINDO 011-Jurusan Siste Inforasi ITS diklasifikasikan dengan benar. Untuk 3-NN eberikan akurasi hasil 58.33% atau 7 dari 1 data uji berhasil diklasifikasikan dengan benar. Untuk 5-NN eberikan akurasi hasil 50% atau 6 dari 1 data uji berhasil diklasifikasikan dengan benar. Rata-rata akurasi etode K-NN untuk K- fold = 5 adalah 58.33%. Sedangkan etode JST Backpropagation pada percobaan 1 eberikan akurasi 66.67% atau 8 dari 1 data uji berhasil diklasifikaskan dengan benar, percobaan eberikan akurasi 91.67% atau 11 dari 1 data uji berhasil diklasifikaskan dengan benar, sedangkan percobaan 3 eberikan akurasi 75% atau 9 dari 1 data uji berhasil diklasifikaskan dengan benar. Rata-rata akurasi etode JST Backpropagation untuk K-fold = 5 adalah 77.78%. Ringkasan hasil pengujian untuk K-fold bernilai 5, 6 dan 10 ditunjukkan pada tabel 3. Dari tabel 3, didapatkan rata-rata akurasi terbaik untuk K-NN pada saat K-fold bernilai 6, sedangkan JST Backpropagation pada saat K-fold bernilai 5. Ratarata akurasi untuk keseluruhan untuk K-NN adalah 54.4%, sedangkan JST Backpropagation adalah 65.19%. Tabel 3. Rata-rata hasil percobaan untuk 3 nilai K-fold K-FOLD RATA-RATA AKURASI K-NN JST BACKPROPAGATION % 77.78% 6 60% 73.33% % 44.44% Rata-rata 54.4% 65.19% 6. KESIMPULAN Dari hasil penelitian yang dilakukan, dapat ditarik kesipulan sebagai berikut : 1. Klasifikasi jenis angga berdasarkan tekstur daun eungkinkan dilakukan untuk eban-tu asyarakat atau pihak-pihak terkait untuk engenali jenis pohon angga berdasarkan tekstur daun.. Karena akurasi yang didapatkan asih jauh dari target yang diinginkan yaitu diatas 90%, aka siste ini belu sepenuhnya berhasil dala pekerjaan klasifikasi berdasarkan tekstur daun. 3. Fitur rata-rata intensitas, soothness, entropy, energy, kontras, dan 5 oent belu bisa dika-takan tepat digunakan sebagai fitur yang dieks-trak dari citra daun untuk pekerjaan klasifikasi. 4. Koponen warna daun yang digunakan dala penelitian ini adalah hijau, artinya tidak eandang daun yang didoinasi warna kuning atau erah, sehingga ungkin saja hal inilah yang enjadi salah satu faktor penyebab kurang berhasilnya proses klasifikasi. Penelitian ini asih eungkinkan untuk dilakukan penelitian lebih lanjut, diantaranya : 1. Penetapan usia daun yang digunakan dala klasifikasi juga perlu ditetapkan, karena berpengaruh pada warna yang endoinasi tekstur daun, seperti daun yang berusia lebih udah warna didoinasi kuning atau ungu, jika sudah dewasa akan berubah enjadi warna hijau.. Penggunaan fitut bentuk daun juga penting untuk diperhitungkan, engingat secara kasat ata, jenis angga yang berbeda juga epunyai bentuk daun yang sedikit berbeda. 3. Penggunaan kelas jenis angga asih perlu di-tabah, engingat julah spesies angga yang sangat banyak diteukan di dunia. 4. Siste yang dikebangkan penulis ini asih bekerja secara offline, diana klasifikasi dilakukan pada citra diluar proses pengabilan secara langsung. Perlu diintegrasikan dengan edia kaera agar siste dapat bekerja secara online dan real tie. 5. Pendekatan dengan etode lain juga penting untuk diperhatikan engingat etode K-NN dan JST Backpropagation juga epunyai keleahan disaping kelebihan yang diberikan. DAFTAR PUSTAKA [1] Ahad, U., 010. Pangan, Vol. 19 No. 1, pp [] Widyanto, M.R., Kreshna, P.E., 007. Klasifikasi Mangga Lokal Menggunakan Fuzzy Logic, In: The Japanese Study Centre Building, University of Indonesia, National Conference on Coputer Science & Inforation Technology 007, Depok Jawa Barat, Indonesia, 9-30 January 007. University of Indonesia: Depok [3] Wikipedia Indonesia ensiklopedia bebas, 011, Mangga, [online] (Updated 13 Juli 011) Available at: [Accessed 5 Agustus 011] [4] Prasetyani, E., 008. Evaluasi Paraeter Peutuan buah Stroberi Menggunakan Pengolahan Citra, Skripsi, Departeen Teknik Pertanian, Fakultas Teknologi Pertanian, Bogor: Institut Pertanian Bogor. [5] Gonzalez, R.C, Wood, R.E., 008. Digital Iage Processing, 3 rd Edition, Pearson Prentice Hall: New Jersey [6] Ahad, U., 005. Pengolahan Citra Digital & Teknik Perograannya, Edisi 1, Graha Ilu: Yogyakarta 63

7 SESINDO 011-Jurusan Siste Inforasi ITS [7] Tan, P., Steinbach, M., Kuar, V., 006. Introduction to Data Mining, 1 st Ed, Pearson Education: Boston San Fransisco New York [8] Rukana, R., Mangga Budidaya dan Pasca panen, Kanisius: Yogyakarta [9] Tjitrosoepoo G., Morfologi Tubuhan, Gajah Mada University Press: Yogyakarta. [10] Valerina, F., Ratu, D.A., Nuryunita, K., 011. Siste Identifikasi Daun Tanaan Obat dengan Penggabungan Ciri Morfologi, Bentuk, dan Tesktur Menggunakan Probabilistic Neural Network pada Perangkat Mobile, PM-GT, Institut Pertanian Bogor, Bogor. [11] Negnevitsky, M., 00. Artificial Inteligence A Guide to Intelligent Systes, nd Ed, Addison-Wesley: Edinburgh Gate. 64