Proposal TESIS
Disusun Oleh :
PROGRAM PASCASARJANA
MAGISTERTEKNIK INFORMATIKA
2019
BAB I
PENDAHULUAN
1
perubahan (muncul dan atau hilangnya) objek - objek atau vegetasi yang ada
dipermukaan bumi, hanya saja foto udara atau aerial photography cukup mahal
jika diperlukan dengan frekuensi tinggi.
Dengan adanya penelitian ini diharapkan dapat memetakan daerah - daerah
yang telah mengalami kerusakaan dan atau perubahan. Penelitian ini juga
dimaksudkan untuk membangun suatu sistem aplikasi perangkat lunak untuk
mendeteksi terjadinya perubahan kualitas permukaan daratan secara cepat, akurat
dan otomatis.
Berdasarkan uraian diatas maka penulis tertarik untuk memilih judul
“Segmentasi Citra Landsat Untuk Monitoring Kualitas Permukaan Daratan
Menggunakan Sistem CBIR (Content Based Image Retrieval)”.
2
4. Citra yang digunakan menggunakan format JPEG.
BAB II
3
TINJAUAN PUSTAKA
4
3. Penelitian dengan judul Content Based Image Retrieval Citra Sidik Jari
Menggunakan Metode Wavelet Daubechies Dan Diagram NOHIS-Tree, yang
telah diteliti oleh Agung Satrio Buwono, pada tahun 2014. Pada penelitian ini
disimpulkan bahwa performa Wavelet Daubechies sebagai metode ekstraksi
fitur pada aplikasi Content Based Image Retrieval citra sidik jari terbagi
menjadi 4 hasil denganmasing-masing memiliki akurasi yang berbeda-beda,
performa CBIR dengan menggunakan metode NOHIS-Tree mempunyai
efisiensi waktu pencarian lebih cepat daripada metode brute force, sedangkan
CBIR dengan menggunakan metode brute force membutuhkan waktu lebih
lama.
4. Penelitian dengan judul Content-Based Image Retrieval Menggunakan
Metode Block Truncation Algorithm dan Grid Partitioning, yang telah diteliti
oleh Duman Care Khrisne, dan Mohamad David Yusanto, pada tahun 2015.
Pada penelitian ini disimpulkan bahwa penggunaan metode Grid Partitioning
(GP) dalam proses optimalisasi hasil temu kembali gambar nilai presisi
berhasil bertambah, dan nilai recall menjadi lebih kecil dibandingkan dengan
penelitian sebelumnya. Terjadi hubungan tarik-ulur (trade-off) antara presisi
dengan recall, dengan kondisi nilai presisi yang tinggi dan nilai recall yang
rendah. Sehingga dapat diartikan aplikasi dapat mengembalikan gambar dan
hampir semuanya relevan, tetapi sejumlah besar gambar relevan lain
terabaikan.
5. Penelitian dengan Judul Content Based Image Retrieval Menggunakan
Moment Invariant, Tekstur Dan Backpropagation, yang telah diteliti oleh Ni
G.A.P Harry Saptarini, dan Rocky Yefrenes Dillak, pada tahun 2012. Pada
penelitian ini disimpulkan bahwa Metode yang dikembangkan mampu
melakukan query terhadap image dalam database citra dengan precision
sebesar 75%, fitur – fitur bentuk dan tekstur merupakan fitur yang sangat baik
dalam mengenali suatu image pada sistem, penelitian lanjutan dapat
dilakukan untuk mereduksi jumlah ciri yang digunakan pada fase pelatihan
sehingga dapat mempersingkat waktu komputasi CBIR.
6. Penelitian dengan Judul Implementasi Content Based Image Retrieval (CBIR)
Pada Citra Batik Besurek Yang Tidak Utuh Menggunakan Metode Speeded
5
Up Robust Features (Surf) dan Fast Library Approximated Nearest Neighbor
(Flann), yang telah diteliti oleh Rezki Oksaputri, Ernawati, dan Desi
Andreswari, pada tahun 2018. Pada penelitian ini disimpulkan bahwa Metode
Speeded Up Robust Features (SURF) dan Fast Library Approximated
Nearest Neighbor (FLANN) dapat mengenali citra yang tidak utuh yang
ditutupi 10% hingga 90%. Nilai recall terbesar dimiliki motif burung kuau
dan raflesia yaitu sebesar 88,89% dan nilai precision terbesar dimiliki oleh
motif kaligrafi dan raflesia yaitu 78.82%.
7. Penelitian dengan Judul Purwarupa Sistem Content Based Image Retrieval
untuk Pencarian Produk Sepatu, yang telah diteliti oleh Baldri, Septia Rani,
dan Izzati Muhimmah, pada tahun 2018. Pada penelitian ini disimpulkan
bahwa sistem yang dibangun sudah dapat memberikan hasil pencarian dengan
menampilkan citra-citra yang relevan. Untuk ke depannya, data citra yang
digunakan sebagai basis data perlu ditambah lagi jumlahnya. Selain itu juga
perlu dieksplorasi pengaruh metode ektraksi fitur yang berbeda terhadap
tingkat presisi sistem.
8. Penelitian dengan Judul Content Based Image Retrieval (CBIR) Berdasarkan
Fitur Low Level : Literature Review, yang telah diteliti oleh Rahmad Hidayat,
Agus Harjoko, dan Anny Kartika Sari, pada tahun 2012. Pada penelitian ini
disimpulkan bahwa kedepan proses tinjauan terhadap makalah CBIR dapat
dilakukan dengan menggunakan klasifikasi yang lebih detail, seperti
klasifikasi berdasarkan fitur-fitur low level pada gambar secara lokal.
Ekstraksi fitur lokal pada gambar dilakukan berdasarkan objek yang terdapat
dalam gambar yang telah melalui proses segmentasi.
6
membuat setiap struktur individual menjadi region atau wilayah individual
(Syahbana, 2013). Salah satu perangkat lunak yang menyediakan proses
segmentasi adalah eCognition yang memiliki beberapa algoritma segmentasi
seperti chessboard, quad tree, multiresolusion, dan spectral difference.
Segmentasi multi resolusi merupakan salah satu jenis segmentasi yang paling
sering digunakan.
7
seterusnya. Setelah itu, region atau pixel diberi label ke semua pixel yang saling
berhubungan (satu terhubungan atau terkait dengan pixel sebelahnya melalui 8
pixel yang terhubung) yang mempunyai nilai kuantisasi yang sama. Region atau
daerah yang mempunyai kurang dari 100 pixel ditandai dan dibuang, semua
region diproses dengan operasi morfologi.
2.5 Monitoring
8
harapan / rencana. Sedangkan, performance monitoring berfungsi untuk
mengetahui perkembangan organisasi dalam pencapaian target yang diharapkan.
Menurut Chen, H., Y. Xu, H. Shum, S-C. Zhu, and N. Zheng, (2001) setiap
jengkal tanah di permukaan bumi adalah unik dan dicirikan oleh vegetasi yang
menutupinya. Land use dan land cover secara nyata belum dapat digunakan untuk
membedakan karaketeristik dari permukaan bumi. Apa yang dapat kita jumpai
pada permukaan daratan atau tanah dapat berupa tanaman pertanian,
perkembangan kota, penebangan kayu, dan penambangan. Sedangkan land cover
dapat berupa hutan, tanah gambut, padang rumput, jalan, dan daerah perkotaan.
Istilah land cover pada awalnya diartikan sebagai suatu vegetasi seperti hutan,
rerumputan hanya saja kemudian arti tersebut meluas yang meliputi bangunan -
bangunan, keanekaragaman hayati, dan perairan (Delac, K., Mislav Grgic, and
Sonja Grgic, 2009). Sementara itu (El-Bakry, H., M., and Qiangfu Zhao, 2005)
mengemukan empat aspek penting dalam monitoring sumber daya alam, sebagai
berikut: deteksi perubahan-perubahan yang sedang terjadi, identifikasi sifat
perubahan yang terjadi, pengukuran luas daerah yang berubah, dan evaluasi model
perubahan yang terjadi.
Beberapa teknik telah dikerjakan oleh para ahli untuk mendeteksi perubahan
- perubahan tersebut, sebagai contohnya (Elisa Back, Danielle Ropar, and Peter
Mitchell, 2007), dan (Freeman, W.T., E. Pasztor and O. Carmichael. Learning
low-level vision, 2000) meringkas sebelas algorithm dalam deteksi perubahan,
seperti: Mono-temporal change delineation, Delta or post classification
9
comparisons, multidimensional temporal feature space analysis, composite
analysis, image differencing, multitemporal linear data transformation, change
vector analysis, image regression, multitemporal biomass index, background
subtraction, dan image rationing. Sementara itu metoda atau teknik matching
citra digital berdasarkan fitur local invariant telah diaplikasikan yang berkaitan
dengan permasalahan - permasalahan dibidang computer vision seperti image
retrieval, object recognition, video data mining, dan image based localization.
10
dalam penelitian yang akan dilakukan kali ini, objek yang terdapat dalam suatu
citra diekstrak dengan menggunakan nilai default parameter tanpa memperhatikan
ukuran dan bentuk. Kemudian berdasarkan objek yang penting dalam suatu citra,
suatu awal proses dan deskripsi statitistik kemuadian dihitung. Contoh klasifikasi
lain, adalah klasifikasi yang dikontrol dikerjakan dengan menggunkan algoritma
backpropagation neural network, kemudian klasifikasi yang tidak dikontrol
dikerjakan dengan algoritma Kohonen’s self-organizing feature map (SOFM),
(Castelli, V., and L. D. Bergman (Eds.) 2006).
Content Based Image Retrieval (CBIR) adalah proses pemanggilan citra dari
database atau tempat penyimpanan citra digital lainnya sesuai dengan konten citra
tersebut (Chaudari,2012). Dalam CBIR fitur citra dibagi menjadi tiga fitur yaitu
warna, tekstur dan bentuk. Fitur warna adalah fitur yang umum digunakan dalam
CBIR karena pencarian informasi pada citra berbasis fitur warna lebih mudah
dilakukan.
11
fitur. Kemudian dilakukan Similarity Comparison, yaitu mengukur jarak
kesamaan antara vektor fitur citra query dengan vektor fitur citra dalam database.
Jarak kesamaan vektor fitur antara citra query dengan citra dalam database akan
diurutkan. Citra dengan jarak kesamaan vektor fitur tertinggi akan di tampilkan
sebagai output (Long,et al. 2003). Diagram sistem pemanggilan citra berdasarkan
konten dapat dilihat pada Gambar 2.1.
Proses paling penting pada sistem CBIR adalah ekstraksi fitur, karena hasil
dari proses ini akan diketahui perbedaan pada setiap citra berdasarkan fiturnya
seperti fitur tekstur, bentuk dan warna. Suatu citra memiliki fitur yang berbeda
antara citra satu dengan lainnya tergantung pada karakteristik yang menonjol pada
citra tersebut. Sebagai contoh dalam dunia nyata, bunga mawar dan bunga melati
dapat dibedakan melalui perbedaan warnanya, kertas dan kain dapat dibedakan
dari teksturnya, kemudian gambar segitiga dan persegi dapat dibedakan melalui
bentuknya.
12
mempunyai multiple feature. Proses ekstraksi fitur yang baik dan benar dapat
menentukan keberhasilan dalam membangun suatu aplikasi citra digital.
Citra digital dapat didefenisikan sebagai fungsi dua variabel f(x,y) dimana x
dan y adalah koordinat spasial dan nilai f(x,y) yang merupakan intensitas citra
pada koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan
warna pada citra digital berdasarkan pada penelitian terdahulu bahwa sebuah
warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru
(Red, Green, Blue -RGB). Sistem kordinat pada sebuah citra digital dapat dilihat
pada Gambar 2.6.
13
JPEG atau Joint Photographic Experts Group adalah format citra yang
banyak digunakan untuk meyimpan citra-citra dengan ukuran lebih kecil. JPEG
mampu menampilkan warna dengan kedalaman 24-bit true color, mengkompresi
citra dengan sifat lossy dan umumnya digunakan untuk menyimpan citra-citra
hasil foto. Jika ingin menampilkan citra dengan detail rumit dan bergradasi file
citra dengan format ini dapat digunakan. File citra JPEG dapat menghasilkan citra
yang hampir seperti aslinya. File citra JPEG dapat menghasilkan warna sampai
dengan 16 juta warna. Ukuran file citra JPEG pada umumnya lebih besar dari GIF.
14
UML (Unified Modeling Language) adalah sebuah bahasa berdasarkan
grafik/gambar untuk memvisualisasi dan pendokumentasian dari sebuah sistem
pengembangan software berbasis OO (Object-Oriented). UML memberikan
standar penulisan sistem blue print, meliputi konsep bisnis proses, penulisan kelas
- kelas dalam bahasa program yang spesifik, skema database, dan komponen –
komponen yang diperlukan dalam sistem software. UML terdiri atas beberapa
diagram, yaitu :
Awal sejarah dari UML dimulai pada tahun 1994 ketika Booch, Runbaugh
objek dan pada bulan September 1997 UML diakomodasi oleh OMG sehingga
sampai saat ini UML telah memberikan kontribusinya yang cukup besar di dalam
metodologi berorientasi dan hal-hal yang terkait di dalamnya. UML lebih cocok
untuk penulisan piranti lunak dalam bahasa-bahasa berorientasi objek seperti C++,
Java, C# atau VB.NET. Walaupun demikian, UML tetap dapat digunakan untuk
15
Pada UML 2.3 terdiri dari 13 macam diagram yang dikelompkkkan dalam 3
Component Diagram
Timing Diagram
State Machine
Diagram
Composite Structure
Diagram Interaction Overview
Diagram
Package Diagram
16
Use Case baru selalu menghasilkan fasilitas baru ketika sistem di analisa, dan
design menjadi lebih jelas.
2. Komunikas dengan klien
Penggunaan simbol diagram Use Case membuat pengembang lebih mudah
berkomunikasi dengan klien - kliennya.
3. Membuat test dari kasus-kasus secara umum
Kumpulan dari kejadian - kejadian untuk Use Case bisa dilakukan test kasus
layak untuk kejadian-kejadian tersebut.
17
2.11.4 Diagram Sequence
Behaviors dan state dimiliki oleh obyek. Keadaan dari suatu obyek
bergantung pada kegiatan dan keadaan yang berlaku pada saat itu. Diagram ini
menunjukan kemungkinan dari keadaan obyek dan proses yang menyebabkan
perubahan pada keadaannya.
Diagram Activity berfokus pada aktifitas yang terjadi yang terkait dalam
suatu proses tunggal. Diagram ini menunjukkan bagaimana aktifitas-aktifitas
tersebut bergantung satu sama lain.
18
BAB III
METODOLOGI PENELITIAN
19
3.1 Tempat dan Waktu Penelitian
1. Tempat
Objek penelitian adalah Citra foto udara dengan jumlah tidak kurang dari
100 buah yang terdiri dari citra Landsat dan citra aerialphoto. Untuk
menyerdehanakan algoritma dan mengurangi kompleksitas proses segmentasi
dan deteksi, maka dilakukan langkah pre- processing yang mengubah formata
erialphotography dan Landsat menjadi citra dengan format JPEG. Alasan
penelitian akan dikerjakan dengan menggunakan citra JPEG adalah karena
pertimbangan standard, storage, dan kesederhanaan proses.
2. Waktu
Dalam melaksanakan tahapan penelitian, peneliti merencakan waktu
penelitian dari bulan maret 2019 sampai juli 2019.
3. Data
20
Data yang digunakan dalam penelitian ini adalah data citra satelit yang
didapatkan dari aplikasi Google Earth pada citra Kabupaten Pringsewu, Lampung.
Bahan penelitian yang digunakan oleh penulis adalah data citra satelit yang
didapatkan dari aplikasi Google Earth Pro pada citra Kabupaten Pringsewu
Lampung - Indonesia.
Content Based Image Retrieval (CBIR) (Wanvy Arifha Saputra, Agus Zainal
Arifin., 2017) adalah aplikasi yang digunakan untuk pengambilan query image
dari sebuah arsip gambar yang besar. Dengan semakin bertambahnya koleksi
multimedia, perkembangan alat untuk melakukan pencarian informasi semakin
dibutuhkan. Pada zaman sekarang ini, telah banyak terdapat mesin pencari gambar
21
yang menggunakan teks, hanya saja mesin pencari gambar yang menggunakan
intensitas dan warna dari gambar masih sulit ditemukan. Fitur dari gambar digital
seperti fitur bentuk, warna, dan tekstur dapat digunakan sebagai kunci indeks
untuk melakukan pencarian dan pengambilan gambar dari suatu database yang
besar. Dalam penelitian yang telah dilakukan diharapkan hanya terdapat
perbedaan halus dalam pengambilan gambar yang dilakukan oleh pengguna
dengan menggunakan teks dan gambar. Mengingat bahwa pengambilan gambar
dengan menggunakan teks dapat berhasil mengambil dokumen tanpa memahami
isi, biasanya tidak mudah bagi pengguna untuk memberikan gambaran tentang apa
yang sedang dicari dengan menggunakan teks (Chaudari, R., & Patil, A. M.,
2012).
22
Query Image
Image Collection
Feature Feature
Extraction Extraction
Query Similarity
Image Feature Matching Feature Database
Retrieved
Images
Sistem CBIR secara umum dibangun dengan melihat karakteristik dari suatu
gambar atau dengan kata lain dengan melihat ciri dari gambar tersebut. Ciri
merupakan suatu tanda yang khas, yang membedakan antara satu gambar dengan
gambar yang lain. Pada dasarnya suatu gambar memiliki ciri - ciri dasar yaitu:
Warna, Bentuk, Tekstur.
23
Gambaran umum CBIR adalah sebagai berikut:
Sehingga menghasilkan vektor ciri (ciri khusus suatu gambar), begitu pula
data-data gambar yang tersimpan dalam database akan mengalami struktur
yang sama seperti formasi query sehingga ditemukan vektor ciri
Kemudian dilakukan indexing dan retrieval data yang telah terpilih tadi
24
Gambar 3.2 Flowchart CBIR (Content Based Image Retrieval)
Citra RGB disebut juga citra truecolor. Citra RGB merupakan citra digital
yang mengandung matriks data berukuran m x n x 3 yang merepresentasikan
warna merah, hijau, dan biru untuk setiap pikselnya. Setiap warna dasar diberi
rentang nilai. Untuk monitor komputer, nilai rentang paling kecil 0 dan paling
besar 255. Pemilihan skala 256 ini didasarkan pada cara mengungkap 8 digit
25
bilangan biner yang digunakan oleh komputer. Sehingga total warna yang dapat
diperoleh adalah lebih dari 16 juta warna. Warna dari tiap pixel ditentukan oleh
kombinasi dari intensitas merah, hijau, dan biru. Kelebihan format .JPEG antara
lain adalah :
a. Format JPEG juga mampu memberikan warna dengan kedalaman 24 Bits atau
setara dengan 16 juta warna
c. Format JPEG berukuran relatif lebih kecil dibandingkan dengan format file
lainnya.
26
Gambar 3.4 Citra Satelit Setelah di Grayscale (Kecamatan
Adiluwih)
27
Gambar 3.5 Citra Satelit Setelah di Berikan Median Filter
(Kecamatan Adiluwih) `
28
Gambar 3.6 Citra satelit setelah di berikan Peningkatan Pada
Kontrast (Kecamatan Adiluwih)
Pada tahap ini, gambar akan melalui proses ekstraksi dengan pendekatan
ekstraksi tunggal atau ganda. Ekstraksi fitur tunggal yang digunakan adalah HSV
dan GLCM. Ekstraksi fitur kombinasi adalah kombinasi ekstraksi fitur HSV +
GLCM.
Pada tahap ini, gambar akan melalui proses pengukuran tingkat kesamaan
gambar. Proses ini bertujuan untuk mendapatkan nilai gambar yang mirip dengan
gambar uji.
29
Rumus penilaian precision yang digunakan dalam penelitian ini adalah :
Lewat rumus ini dapat dibayangkan sistem harus meningkatkan nilai recall
dengan memperbesar nilai a (hits) di rumus di atas. Nilai a yang besar dapat
terjadi jika jumlah dokumen yang diberikan oleh sebuah sistem dalam sebuah
pencarian juga besar. Semakin besar jumlah dokumen yang diberikan, maka
semakin besar kemungkinan nilai a. Tetapi pada saat yang sama, muncul
kemungkinan bahwa nilai b (jumlah dokumen yang relevan) juga semakin besar.
Ini artinya, nilai pricision-nya semakin kecil, dalam berbagai penelitian
ditemukan kenyataan bahwa nilai recall dan precison ini cenderung berlawanan
alias berbanding terbalik. Jika recall tinggi, besar kemungkinannya precision
rendah. (Pendit 2008).
30
Dari rumus diatas dapat disimpulkan bahwa penelitian ini memiliki nilai
84,6153%, yang diperoleh dari perhitugan :
21
¿ x 100
25
¿ 84,0
31
Ada beberapa tujuan mengapa perancangan antarmuka (interface) ini dibuat,
diantaranya adalah:
32
BAB IV
PEMBAHASAN
Gambar 4.1 Citra Satelit Yang Diperoleh Dari Aplikasi Google Earth
(Kecamatan Pringsewu)
Pada gambar diatas adalah citra pada lokasi kabupaten pringsewu yang
diambil dari ketinggian 800m dan ini adalah citra pada tahun 2019 dimana citra
tampak jernih dan tidak tertutup awan sedangkan terdapat juga citra dengan
33
kualitas yang kurang baik pada seperti pada gambar di bawah ini yang merupakan
citra kabupaten pringsewu pada tahun 2016.
Gam
bar 4.2 Citra Satelit Yang Tertutup Awan
No Citra Keterangan
1 Adiluwih 2015
(Tidak Sesuai)
34
2 Adiluwih 2017
(Sesuai)
3 Adiluwih 2018
(Sesuai)
4 Ambarawa 2014
(Sesuai)
5 Ambarawa 2015
(Tidak Sesuai)
6 Ambarawa 2016
(Sesuai)
35
7 Ambarawa 2018
(Sesuai)
8 Ambarawa 2019
(Sesuai)
9 Banyumas 2014
(Sesuai)
10 Gadingrejo 2014
(Sesuai Sesuai)
11 Gadingrejo 2016
(Sesuai)
12 Gadingrejo 2017
(Sesuai)
36
13 Gadingrejo 2018
(Sesuai)
14 Gadingrejo 2019
(Sesuai)
15 Pardasuka 2016
(Tidak Sesuai)
16 Pringsewu 2014
(Sesuai)
17 Pringsewu 2015
(Tidak Sesuai)
18 Pringsewu 2016
(Sesuai)
37
19 Pringsewu 2017
(Sesuai)
20 Pringsewu 2018
(Sesuai)
21 Pringsewu 2019
(Sesuai)
22 Sukoharjo 2014
(Sesuai)
23 Sukoharjo 2015
(Sesuai)
24 Sukoharjo 2016
(Sesuai)
38
25 Sukoharjo 2018
(Tidak Sesuai)
Dalam tampilan utama pada program, terdapat beberapa menu, yaitu Query
by sample, num of image returned, operations, dan returned image.
1. Query By Sample
Bowse For Image berfungsi untuk mencari citra yang akan kita proses
39
menggunakan metode Content Based Image Retrieval (CBIR).
b. Similarity Matrix
Dalam menu Similarity Matrix ini terdapat 2 pilihan, yaitu L1 dan L2.
a. Num of Image Returned, yaitu untuk mengetahui jumlah citra yang akan di
query sesuai dengan dataset.
3. Operations
a. Select image directory for processing, yaitu pemilihan folder yang akan
digunakan untuk penyimpanan citra untuk dataset.
b. Load Dataset, yaitu untuk mencari dan memilih dataset yang akan
40
digunakan untuk proses Content Based Image Retrieval (CBIR).
41
BAB V
5.1 Kesimpulan
42
2. Metode Content Based Image Retrieval (CBIR) dapat digunakan untuk
memprediksi perubahan permukaan daratan dalam waktu 2 tahun kedepan
(dari 2019 sampai dengan 2021).
3. Data yang dicari dapat ditemukan dengan baik menggunakan Query Content
Based Image Retrieval (CBIR).
5.2 Saran
1. Penelitian ini diharapkan dapat dijadikan sebagai salah satu referensi bagi
peneliti yang akan membahas tentang perubahan permukaan daratan.
43
DAFTAR PUSTAKA
Belongie, S., and J. Malik. Shape Matching and and Object Recognition Using
Shape Contexts. 2002. IEEE Transaction on Pattern Analysis and Machine
Intelligent, Vol.24, No.24. pp. 509-522
byung-Joo Oh. 2005. Face Recognition using Radial Basis Function Network
based onLDA. World Academy of Science, Engineering and Technology 7
,pp.255-259
Chen, H., Y. Xu, H. Shum, S-C. Zhu, and N. Zheng. 2001.Example-based facial
sketch generation with non-parametric sampling. In Proc. of ICCV.
Delac, K., Mislav Grgic, and Sonja Grgic. 2009. Face recognition in
JPEG and JPEG2000 compressed domain Source Image and Vision
Computing ,Volume 27 , No.8, Pp: 1108-1120 : 2009 ISSN:0262-8856
44
El-Bakry, H., M., and Qiangfu Zhao.2005. Fast Object/Face Detection Using
Neural Networks and Fast Fourier Transform. International Journal of Signal
Processing, Vol.1, No..4, pp. 182-188
Elisa Back, Danielle Ropar, and Peter Mitchell.2007. Do the Eyes Have It?
Inferring Mental States From Animated Faces in Autism. Journal of Child
Development, March/April 2007, Volume 78, Number 2, Pages 397 – 411
Muhammad Mirza, Tjokorda Agung Budi W, Siti Sa’adah. 2015. Analisis dan
Implementasi Contet Based Image Retrieval Menggunakan Metode ORB. e-
Proceeding of Engineering : Vol.2, No.1 April 2015. ISSN : 2355-9365
Alfonsus Stefan Arwanda, Nazori Agani. 2013. Content Based Image Retrieval
Batik Tradisional Yogyakarta Menggunakan Ekstrasi Ciri Berdasarkan Tekstur
Filter Gabor Wavelets 2D. Jurnal TICOM Vol.1 No.3 Mei. ISSN 2302 ‐ 3252
Agung Satrio Buwono. 2014. Content Based Image Retrieval Citra Sidik Jari
Menggunakan Metode Wavelet Daubechies Dan Diagram NOHIS-Tree. Jurusan
Teknik Informatika Fakultas Sains Dan Teknologi Universitas Islam Negeri
(UIN) Maulana Malik Ibrahim Malang
45
Retrieval Menggunakan Metode Block Truncation Algorithm dan Grid
Partitioning. Jurnal S@CIES Volume 5, Nomor 2, April 2015
Ni G.A.P Harry Saptarini, Rocky Yefrenes Dillak. 2012. Content Based Image
Retrieval Menggunakan Moment Invariant, Tekstur Dan Backpropagation.
Seminar Nasional Informatika 2012 (semnasIF 2012). UPN ”Veteran”
Yogyakarta, 30 Juni 2012. ISSN: 1979-2328
Baldri, Septia Rani, Izzati Muhimmah. 2018. Purwarupa Sistem Content Based
Image Retrieval untuk Pencarian Produk Sepatu. Jurusan Informatika Fakultas
Teknologi Industri Universitas Islam Indonesia Yogyakarta
Rahmad Hidayat, Agus Harjoko, Anny Kartika Sari. 2012. Content Based Image
Retrieval (Cbir) Berdasarkan Fitur Low Level : Literature Review. Seminar
Nasional Teknologi Informasi dan Komunikasi 2012 (SENTIKA 2012)
46
47