DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN

Transkripsi

1 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari Jurusan T. Informatia, Institut Sains & Tenologi AKPRIND Yogyaarta, INTISARI Manusia memilii emampuan yang luar biasa untu mengenali obe-obe berdasaran cirri-ciri atau pengetahuan yang pernah diamatinya. Komputer merupaan alat pengolah data yang bai, cepat, aurat, dan efesien selain itu uga dapat untu menyelesaian masalah-masalah yang tida terstrutur, informasi tida lengap, dan data yang bersifat ualitatif (masalah Artificial Intelligence). Pengenalan pola yang merupaan salah satu apliasi dalam AI (Artificial Intelligence) bertuuan untu menglasifiasian dan mendetesi pola atau obe omples melalui penguuran sifat-sifat atau cirri-ciri obe (warna, bentu, testur). Pada penelitian ini dibuat suatu sistem yang dapat mengenali pola dua buah obe yang hampir mirip bentunya tapi mempunyai perbedaan warna yang mencolo, oleh arena itu diambil feature (cirri) warna pada pengenalan pola obenya. Sistem pengenalan pola tersebut dibuat dengan salah satu metode Jaringan Syaraf Tiruan yang terawasi (Supervised Learning) yaitu Bac Propagation. Hasil penelitian ini menunuan dengan pembelaaran yang dilauan beberapa ali sistem dapat mengenali dua buah citra obe sederhana yaitu citra Jeru dan Apel berdasaran ciri warnanya. Jia error < 0.5 sistem dapat mengenali edua citra tersebut. Kata Kunci : Bac Propagation, Pengenalan Pola, colour feature PENDAHULUAN Manusia memilii emampuan yang luar biasa untu mengenali obe-obe berdasaran cirri-ciri atau pengetahuan yang pernah diamatinya. Perembangan tenologi omputer searang ini sangat cepat, selain omputer merupaan alat pengolah data yang sangat bai, cepat, aurat, dan efesien, omputer uga dapat berfungsi yang lebih auh lagi yaitu emampuan omputer untu menyelesaian masalah-masalah yang tida terstrutur, informasi tida lengap, dan data yang bersifat ualitatif. Masalah-masalah tersebut harus diselesaian berdasaran pengalaman dan membutuhan pengetahuan (nowledge) atau fata dari permasalahan yang ada. Dengan ata lain omputer harus mempunyai intelegensia atau ecerdasan. Dengan ecerdasan tersebut omputer dapat mengambil esimpulan atau solusi berdasaran masalah yang diinputan. Artificial Intelligence merupaan ilmu omputer yang mengembangan emampuan omputer agar dapat membantu pemecahan masalah yang membutuhan ecerdasan dan fungsi-fungsi husus yang mempunyai analogi terhadap tingah lau manusia. Banya apliasi yang termasu dalam Artificial Intelligence (AI) misalnya di robotia, games, expert system, penginderaan, pemahaman bahasa, problem solving, pengenalan pola (pattern recognition) dan lain-lain. Jaringan Syaraf Tiruan (JST) adalah suatu sistem pemroses informasi yang berdasaran model aringan Syaraf biologi, bermacam-macam apliasi berbasis aringan syaraf tiruan telah diembangan di berbagai bidang salah satunya dalam hal pengenalan pola (Pattern and Recognition). Dengan adanya tenologi ini omputer dapat menganalisa serta mengetahui obe-obe yang ada bai berbentu 2 dimensi maupun 3 dimensi sesuai dengan tuuan yang aan diimplemetasian edalam perangat luna dan perangat eras. Contoh implementasi pengenalan pola yaitu sebagai apliasi untu pengenalan pola citra buah berdasaran ciri warna dimana fungsi utamanya menganalisa berdasaran data yang telah ada melalui proses belaar dan proses pengenalan arater, hal ini memanfaatan algoritma Propagasi Bali (Bacpropagation) arena algoritma ini termasu e dalam proses belaar terawasi (Supervised Learning) dimana proses atau tahap pelatihan dilauan dengan perbaian esalahan serta pencapain suatu target tertentu. Model arsitetur aringan yang digunaan adalah aringan layar ama (multi layer networ) arena Bacpropagation mempunyai beberapa lapisan seperti lapisan masuan, lapisan eluaran dan lapisan tersembunyi, sedang fungsi Ativasi yang dipaai adalah fungsi biner sigmoid arena sangat sesuai dengan algoritma Propagasi Bali. Penelitian di bidang pengenalan pola ini telah banya digunaan untu apliasi-apliasi misalnya untu pemetaan tanah melalui foto udara, pengenalan huruf, mendetesi elainan tubuh berdasaran foto sinar X dan lain sebagainya. Penelitian tentang pengenalan pola ini telah dilauan uga oleh beberapa peneliti diantaranya Ang Wie Siong d (2000) yang membuat sistem pengenalan pola obe sederhana dengan menggunaan metode Jaringan Syaraf Tiruan Self Organizing Map (SOM). Pada penelitian ini aringan dilatih untu mengenali pola sebanya lima belas macam meliputi tiga bentu (ubus, tabung, dan erucut). Jaringan dilatih terus menerus sampai diperoleh error tertentu dan diharapan sistem dapat mengenali citra dengan eror yang minimum. A-152

2 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 Pada penelitian ini bertuuan untu menelaah lebih auh pembelaaran (learning) pada asus feature based image processing untu asus pengenalan obe berdasaran pola warna (colour feature) dengan menggunaan salah satu metode Jaringan Syaraf Tiruan yaitu metode Bac Propagation. Untu pengenalan obe dalam citra, dilauan dengan memasuan citra e sistem, disini penulis memberian contoh untu citra Apel dan Jeru dimana bentu edua buah tersebut hampir mirip hanya warna yang membedaan. Dari ciri (feature) tersebut diambil ciri warna untu pembedanya dan diharapan sistem dapat mengenali apaah citra tersebut buah Apel atau Jeru berdasaran ciri warnanya. Sistem pengenalan pola ini mempunyai batasan-batasan yaitu: citra hanya terdiri dari satu obe, perbedaan warna obe satu citra dengan obe citra yang lain sangat mencolo, warna latar belaang (bacground) pada setiap citra dibuat sama, bentu obe pada setiap citra hampir sama dengan warna yang berbeda, di sini penulis menggunaan citra dengan obe eru dan apel, dan citra sudah terbebas dari noise. Pola adalah intensitas yang terdefinisi dan dapat diidentifiasi melalui ciri-cirinya (features). Ciri-ciri tersebut digunaan untu membedaansuatu pola dengan pola lainnya. Ciri yang bagus adalah ciri yang memilii daya pembeda yang tinggi, sehingga pengelompoan pola berdasaran ciri yang dimilii dapat dilauan dengan eauratan yang tinggi. Secara umum pengenalan pola bertuuan untu menglasifiasian dan mendetesi pola atau obe omples melalui penguuran sifat-sifat atau cirri-ciri obe. Tahapan dan tuuan proses pengenalan pola dibedaan menadi dua yaitu: a. Memasuan pola edalam suatu ela spola yang belum dienal prosesnya disebut clustering atau lasifiasi tida terawasi b. Mengidentifiasian pola sebagai anggota dari elas yang sudah dienal, prosesnya disebut lasifiasi terawasi. Fase proses pengenalan pola beroperasi dalam dua fase yaitu: 1. Fase latih Pada fase ini pengestrasi cirri menentuan ruang cirri yang sesuai untu merepresentasian pola, 2. Fase Pengenalan Penglasifiasi menentuan suatu pola masuan sebagai salah satu ategori obe yang telah dspesifiasian menurut cirri-ciri obe. Pola Proses pra pengolaha n Estrasi Ciri Klasifiasi Citra Fase Pengenalan Sampel Pola Fase Latih Selessi Ciri Latihan Gambar 1 Model proses pengenalan pola Citra Digital Citra didefinisian sebagai fungsi intebsitas cahaya dua dimensi f(x,y), dimana x dan y merupaan oordinat spasial dan nilai f pada suatu titi (x,y) adalah intensitas cahaya (brighness/gray level) dari citra tersebut di titi (x,y). Citra digital adalah citra dengan f(x,y) yang nilainya didigitalisasi (dibuat disrit) bai dalam ordinat spasialnya maupun gray levelnya. Digitalisasi dari oordinat spasial citra disebut dengan image sampling, sedangan digitalisasi dari gray level citra disebut dengan gray level quantization. Citra digital dapat didesripisian sebagai suatu matris dimana baris dan olomnya menunuan suatu titi dalam citra, dan nilai elemen matris tersebut menunuan gray level di titi tersebut. Elemen-elemen dari citra tersebut disebut pixel (picture elements). Persepsi visual citra berwarna (color image) umumnya lebih aya dibandingan dengan citra hitam putih (grayscale). Citra berwarna menampilan citra obe seperti warna aslinya. Warna yang diterima oleh mata dari sebuah obe ditentuan oleh warna sinar yang dipantulan oleh obe tersebut. Warna sinar yang direspon ileh mata adalah sinar tampa (visible spectrum) dengan panang gelombang 400 (biru) sampai 700 nm (merah). Kombinasi warna yang memberian rentang warna yang paling lebar adalah red (R), green (G), dan blue (B). Ketiga warna tersebut dinamaan warna poo (primaris), dan sering disingat sebagai warna dasar A-153

3 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 RGB. Warna-warna lain dapat dihasilan dengan mengombinasian etiga warna poo tersebut dengan persentase tertentu. W = a R + b G + c B W : warna ombinasi; a,b,c : persentase dari masing-masing warna poo; R,G,B: red, green, blue Gambar 2 : Spetrum Warna Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang cara eranya memilii esamaan tertentu dengan aringan syaraf biologis (Fausett, 1994). Jaringan syaraf tiruan diembangan sebagai model matematis dari syaraf biologis dengan berdasar asumsi bahwa : 1. Pemrosesan teradi pada elemen-elemen sederhana yang disebut neuron 2. Sinyal dilewatan neuron melalui penghubung 3. Setiap penghubung mempunyai bobot yang aan mengalian sinyal yang lewat 4. Setiap neuron memilii fungsi ativasi yang aan menentuan nilai sinyal output Jaringan syaraf dapat digolongan menadi berbagai enis berdasaran arsiteturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung. Untu memyelesaian masalah ini, digunaan metode algoritma bacpropagation. Gambar 3. JST Propagasi Bali dengan empat node pada input layer, satu hidden layer dengan empat node, dan dua node pada output layer Metode yang digunaan untu menyelesaian masalah di atas adalah dengan menggunaan aringan syaraf tiruan dengan metode bacpropagation / feedforward dengan algoritma pelatihan yang sederhana. Pelatihan dilauan untu pengauturan bobot-bobot yang bai. Selam proses pelatihan, bobot-bobot diatur secara iteratif untu meminimuman fungsi inera aringan. Fungsi inera aringan yang sering digunaan untu bacpropagation adalah mean square error (MSE), fungsi ini aan mengambil rata-rata uadrat error yang teradi antara output aringan dan target. Sebagian besar algoritma pelatihan untu aringan feedforward menggunaan gradien dari fungsi inera untu menentuan bagaimana mengatur bobot-bobot untu meminimuman inera. Gradien ini ditentuan dengan menggunaan suatu teni yang disebut bacpropagation. Pada dasarnya algoritma pelatihan bacpropagation aan menggeraan bobot dengan arah gradien negatif. Prinsip dasar algoritma bacpropagation sederhana adalah memperbaii bobot-bobot aringan dengan arah yang membuat fungsi inera turun dengan cepat. Metode Bacpropagation Bacpropagation meripaan algoritma pembelaaran yang biasanya digunaan oleh perseptron dengan banya lapisan untu mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma bacpropagation menggunaan error output untu mengubah nilai bobot-bobotnya dengan arah mundur (bacward). Untu mendapatan error tersebut tahap perambatan mau harus dieraan A-154

4 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 lebih dahulu. Pada saat perambatan mau, neuron-neuron diatifan dengan menggunaan ativasi yang dapat dideferenialan, seperti sigmoid: 1 y f ( x) ; dengan : f '( x) f ( x)[1 f ( x)] x 1 e atau tansig : x x 2x e e 1 e y f ( x) atau y f ( x) x x 2x e e 1 e f '( x) [1 f ( x)][1 f ( x ; atau purelin: y f ( x) x dengan f '( x) 1 dengan : )] Algoritma Bacpropagation Inisialisasi bobot (ambil bobot awal dengan nilai random yang ecil) Tetapan : Masimun Epoh, Target Error, dan Learning Rate ( ). Keraan langaah-langah beriut selama (Epoh < Masimum Epoh) dan (MSE > Target Error): 1. Epoh = Epoh+1 2. Untu tiap-tiap pasangan elemen yang aan dilauan pembelaaran, eraan: feedforward: a. Tiap-tiap unit input ( X i, i = 1,2,3,,n) menerima sinyal X i dan menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya 9lapisan tersembunyi). b. Tiap-tuap unit pada suatu lapisan tersembunyi ( Z, = 1,2,3, p) menumlahan sinyal-sinyal input terbobot: n z _ in b1 x v, gunaan fungsi ativasi untu menghitung sinyal i1 i i ( outputnya: z f z _ in ), dan iriman sinyal tersebut e semua unit di lapisan atasnya (unitunit output). c. Tiap-tiap unit output ( Y, = 1,2,3, m) menumlahan sinyal-sinyal input terbobot: y _ in b2 y f ( y _ in ) p i1 z w i, gunaan fungsi ativasi untu menghitung sinyal outputnya:, dan iriman sinyal tersebut e semua unit lapisan atasnya (unit-unit output). Catatan : langah (b) dilauan sebanya umlah lapisan tersembunyi. Bacpropagation a. Tiap-tiap unit output ( Y, = 1,2,3, m) menerima target pola yang berhubungan dengan pola input pembelaaran hitung informasi errornya: ( t t ) f '( y _ in ) 2 z ; 2 emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai w 2 hitung uga orelasi bias (yang nantinya aan digunaan untu memperbaii nilai b2 : b2 2 w ): langah (d) ini uga dilauan sebanya lapisan tersembunyi e lapisan tersembunyi sebelumnya. b. Tiap-tiap unit tersembunyi ( Z, = 1,2,3, p) menumlahan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya: m _ in 2 w 1 alian niali ini dengan turunan dari fungsi ativasinya untu menghitung informasi error: 1 _ in f '( z _ in ) ; 1i 1 x ; 1 1 emudian hitung oresi bobot-bobot (yang nantinya aan digunaan untu memperbaii nilai v 1 i i v i ): A-155

5 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai b1 ) : c. Tiap-tiap unit output ( Y, = 1,2,3, m) memperbaii bias dan bobotnya ( = 0,1,2,.,p): w ( baru) w ( lama) w ; b2 ( baru) b2 ( lama) b2 Tiap-tiap unit tersembunyi ( v Z, = 1,2,3, p) memperbaii bias dan bobotnya ( i = 0,1,2, n): i ( baru) vi ( lama) vi ; b1 ( baru) b1 ( lama) b1 b1 1 d. Hitung MSE. Inisialisai bobot awal secara random. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 dsampai 0.5 (atau -1 sampai 1, atau interval lainnya). PEMBAHASAN Sistem pengenalan obe sederhana ini diimplementasian dengan program Matlab 7. File yang digunaan berupa file citra dengan format JPEG dan TIF dengan 16 gray scale. Secara garis besar proram ini aan dilauan langah-langah sebagai beriut: - Membua file citra digital dengan format TIF. - Membaca file citra digital dalam bentu matris, dengan nilai matris tersebut adalah merupaan warna dan citra telah diresolusi menadi 10 x 10 pixel matris untu memudahan dan menyederhanaan perhitungan. - Membuat pelatihan pola warna dengan data sebanya 14 file citra warna dengan format TIF dan uuran matris pixel 10 x Dibuat matrix 10 x 10 dar data pelatihan meadi vetor olom untu semua data pelatihan - Menentuan data penguian dengan data sebanya 3 file citra warna yang diinputan dengan format TIF dengan uuran matris pixel 10 x Membuat nilai-nilai warna citra yang berupa matris pixel menadi nilai riel dengan type double. - Mencari niali masimal dari nilai masimal vetor matis data pelatihan maupun data penguian - Menormalisasi data pelatihan dan penguian - Menentuan data target latih dan data target ui - Membangun aringan syaraf tiruan dengan metode feedforward - Menentuan masimun epoh, learning rate, show step - Melauan pembelaaran - Menampilan bobot-bobot awal input, lapisan, dan bias - Melauan simulasi - Melauan penguian data - Menentuan error - Menari esimpulan Pada pembuatan sistem menggunaan fungsi-fungsi yang yang ada di Matlab diantaranya fungsi: - Imread, fungsi ini berguna untu membaca citra dari suatu file. Jia citra yang dibaca memilii format warna grayscale, fungsi ini aan menghasilan array dua dimensi yang berisi informasi intensitas grayscale dari citra tersebut. Fungsi ini menduung format BMP, JPEG, TIF, PNG, HDF, PCX, dan XWD. - Reshape, menampilan matrix m x n yang mana setiap elemen diletaan dalam bentu olom (vetor olom) - Double, berfungsi membuat nilai suaatu variabel X menadi double array - net=newff Berfungsi untu membangun aringan syaraf feedforward - traingdx, memperbaii bobot-bobot dw lr * gw dan gw = gradien inera A-156, dimana dw = perubahan bobot, lr = learning rate, - logsig, fungsi sigmoid biner, fungsi ativasi identitas. - net.trainparam.epochs = MaxEpoh, menentuan masimum epoch, yaitu umlah epoch masimum yang boleh dilauan selama pelatihan. Iterasi aan dihentian apabila nilai epoch melebihi nilai masimum epoch. - net.trainparam.goal = TargetError, menentuan inera tuuan, yaitu target nilai fungsi inera. Iterasi aan dihentian apabila fungsi inera urang dari atau sama dengan inera tuuan.

6 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember net.trainparam.max_perf_inc = MaxPerfinc,menentuan masimum enaian inera, yaitu nilai masimum enaian error yang diizinan, antara error saat ini dan error sebelumnya. - net.trainparam.ir = LearningRate,menentuan learning rate, yaitu lau pembelaaran. - net.trainparam.ir_inc = IncLearningRate, menentuan rasio yang berguna sebagai fator pengali untu enaian learning rate apabila lerning rate yang ada terlalu rendah atau mencapai eonvergenan. - net.trainparam.ir-dec = DecLearningRate, menentuan rasio untu menurunan learning rate. Rasio ini berguna sebagai fator pengali untu menurunan lerning rate apabila learning rate yang ada terlalu tinggi dan menuu e etidastabilan. File citra yang disimpan untu Implementasi Program adalah sebagai beriut: - Untu citra appel dengan format JPEG dapat dilihat pada Gambar 4, sebagai beriut: Gambar 4 Citra Apel format JPEG emudian untu proses implementasi program file-file citra apel tersebut diresolusi menadi matris pixel 10 x 10 dengan format TIF sebagai beriut: Gambar 5 Citra Apel dengan Format TIF - Untu File citra eru dengan format JPEG dapat dilihat pada gambar 6. sebagai beriut: Gambar 6 Citra Jeru dengan Format JPEG Kemudian untu proses implementasi program file-file citra eru tersebut diresolusi menadi matris pixel 10 x 10 dengan format TIF dapat dilihat pada Gambar 7. sebagai beriut: Gambar 7 Citra Jeru dengan Format TIF - File citra yang digunaan untu data pelatihan/pebelaaran dapat dilihat pada gambar 8. adalah sebagai beriut: A-157

7 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 Gambar 8 Citra Apel dan Jeru untu proses Pelatihan File citra yang digunaan untu data ui dapat dilihat pada gambar 9. adalah sebagai beriut: Gambar 9 Citra yang aan diui Hasil Running Program untu langah-langah pada implementasi program di atas adalah sebagai beriut: Running program yang pertama: Error Penguian Dengan Data Ui ====== EU = Tida Dienal Running program edua: ===== Error Penguian Dengan Data Ui ===== EU = Jeru Tida Dienal Running program etiga: ==== Error Penguian Dengan Data Ui ==== EU = A-158

8 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 Jeru Running program eempat: ==== Error Penguian Dengan Data Ui ===== EU = Jeru Running program elima adalah : ===== Error Penguian Dengan Data Ui ===== EU = Jeru >> Running program eenam adalah: ===== Error Penguian Dengan Data Ui ===== EU = Jeru >> Running program etuuh: ==== Error Penguian Dengan Data Ui ==== EU = Jeru >> A-159

9 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 KESIMPULAN Pada data penguian pertama, diinputan data eru untu input yang pertama, untu eru diperoleh target untu eru adalah 1, maa apabila diperoleh R1 =1 dan nilai error urang dari 0.5 maa data input pertama yang berupa eru dapat dienali sebagai eru, namun selain eadaan itu maa input tida dapat dienali (nilai error lebih dari 0.5). Pada data penguian edua dan etiga, diinputan data Apel, diperoleh target adalah 0 maa apabila diperoleh R2 dan R3 =0 dan nilai error urang dari 0.5 maa data input edua dan etiga yang berupa Apel dapat dienali sebagai Apel, selain eadaan itu maa input tida dapat dienali (nilai error lebih dari 0.5). Dari delapan ali running program, dapat ditari esimpulan bahwa sistem pengenalan obe melalui pola warna dengan algoritma Bacpropagation di sini, dapat mengenali input data ui yang dimasuan, yaitu Jeru, Apel, Apel. Masih terdapat error yang cuup besar, arena pelatihan data hanya sediit, yaitu 14 citra warna dengan uuran matris pixel 10 x 10, serta pemilihan bobot dilauan secara random, ssehingga adang-adang error yang diperoleh cuup besar, sehingga penulis memberi batasan ia error melebihi 0.5 maa sistem ini tida dapat mengenali data input yang diuian. Untu mendapatan etelitian yang cuup tinggi, diperluan data pelatihan yang lebih banya. Perlu dilauan penelitian lanutan untu citra yang terdiri dari satu enis obe dan warna yang lebih omples serta citra warna yang masih terdapat noise dan belum dilauan perbaian (enhancement) citra. DAFTAR PUSTAKA Borah, S., Bhuyun, M., Saia, H., ANN Based Colour Detection in Tea Fermentation,, Dept. of Electronics Tezpur University, Napam, Tezpur, Assam, India {surait, manab}@tezu.ernet.in Fausett L, R, 1994, Fundamental of neural Networ, Arcitectures, Algorithms, and Applications, USA, Pratice-Hall, INC Gonzales, R, and Woods, R, 1999, Digital Image Processing, Penerbit Addison-Wesley Publishing Company, New Yor. Kusumadewi, S.,2002, Membangun Jaringan Syaraf Tiruan menggunaan MATLAB & EXCEL LINK, Penerbit Graha Ilmu, Yogyaarta Munir, R., 2002, Pengolahan Citra Digital dengan Pendeatan Algoritmi, Penerbit Informatia Bandung Nalwan, A., 2001, Pengolahan Gambar Secara Digital, Penerbit PT Elex Media Komputindo, Kelompo Gramedia-Jaarta Schaloff, R., 2000, Pattern Recognition: Statistical, Structural and Neural approaches, John Wiley and Sons Inc, New Yor Siong, A.W., Resmana, Pengenalan Citra Obe Sederhana dengan Menggunaan Metode Jaringan Syaraf Tiruan SOM, Prosiding Seminar Nasional Kecerdasan Komputasional, Universitas Indonesia, Juli A-160