Perancangan dan Pengaplikasian In Beetwen Frame Berbasis Mean Shift Clustering dan Interpolasi Linier Untuk Video Animasi
Akhmad Syahidil Amien*, Moch. Hariadi ST.,MSc.,PhD**, DR. I Ketut Eddy Purnam, ST.,MT.***
ABSTRAK
Video animasi terdiri dari frame-frame yang digambar secara manual dengan tangan dalam jumlah banyak lalu ditampilkan secara berurutan sehingga memerlukan banyak waktu dan biaya. Hal tersebut dapat diatasi dengan cara penyisipan frame sehingga
frame yang telah dibuat menjadi lebih banyak dua
kali lipat atau biasa disebut dengan In Between
Frame. Pergerakan objek di satu frame dengan frame
didekatnya dapat dideteksi dengan metode Mean
Shift Clustering. Metode Clustering menggunakan K-Means mengubah warna satu frame ke sistem warna
digital CIE Lab dan mengelompokkan warna warana tersebut dan mendeteksi pergerakan objek pada frame beriktnya. Setelah itu dengan metode Interpolasi Linier frame baru muncul antar frame. Setelah itu mengembalikan lagi warna frame yang telah diubah ke warna RGB. Penyisipan frame tersebut akan membuat frame yang sudah dibuat akan menjadi lebih banyak dan membuat gerakan video lebih halus. Kata kunci : In Beetwen Frame, K-Means, CIE Lab,
Interpolasi Linier,RGB.
ABSTRACT
Animation video consists of frames were drawn manually in large quantities and then displayed in sequence so it takes a lot of time and costs. This can be overcome by inserting the frame so the frame that has been made into more double or commonly called the In Between Frame. The movement of objects in one frame with the frame nearby can be detected using Mean Shift Clustering method. Clustering method using K-Mean that change color in one frame into a digital color system CIE Lab and grouping that color and detect the movement of objects in the next frame. After that the Linear Interpolation method makes new frame emerging inter-frame. After that returns the frame that have changed color to RGB color. Insertion of these frames will make a frame that has been made will become more and makes more smooth motion video.
Keywords: In Beetwen Frame, K-Means, CIE Lab, Linier Interpolation, RGB.
PENDAHULUAN
F
ilm animasi Dwi-matra (flat animation) merupakan jenis film animasi yang seluruhnya menggunakan bahan papar yang dapat digambar di atas permukaannnya secara manual, seperti membuatkey-animasi, in-between, dan clean-up. Pembuatan
animasi dwimatra membutuhkan proses yang panjang dalam pembuatan gambar per gambar (frame) untuk menjadikannya sebuah animasi yang utuh.
Dibutuhkan banyak tenaga dan biaya yang tidak sedikit dalam menggambar gambar-gambar tersebut agar terlihat bergerak sebagai suatu film animasi dengan gambar bergerak yang tidak terlihat patah-patah dan kaku. Program komputer mempermudah pembuatan salah satu proses film animasi dengan melakukan proses in-between frame sehingga bagian dari gambar pergerakan animasi yang patah-patah tersebut dapat diperhalus dengan cara menambahkan gambar tambahan diantara gambar-gambar yang ada. Proses ini dilakukan dengan cara mengelompokan objek gambar dengan mean shift clustering dan menginterpolasikan gambar pertama dengan gambar kedua sehingga didapatkan gambar diantara kedua gambar yang kemudian disisipkan diantara kedua gambar tersebut sehingga memperhalus pergerakan objek dalam gambar animasi.
Penelitian kali ini berdasarkan pada penelitian-penelitian sebelumnya yang berfokus pada interpolasi linier1. Pada penelitian ini warna image pada semua
frame proses in-beetwen frame dikembalikan ke
warna asli (RGB). Selain itu perbedaan image pada
frame asli dan frame hasil interpolasi dapat diketahui
dengan metode PSNR (Peak Signal to Noise Ratio). Tujuan dari penelitian ini adalah mendapatkan
frame baru hasil dari proses in-between frame dari
video animasi setelah dilakukan proses K-means
clustering dan interpolasi linier. Setelah itu
mengembalikan warna image pada semua frame ke warna asli (RGB) dan menghitung perbedaan image pada frame asli dan frame hasil interpolasi dengan metode PSNR (Peak Signal to Noise Ratio). Digunakan perangkat lunak MATLAB pada semua proses penelitian ini yang berjalan pada sistem operasi Windows Vista Home Premium.
*Mahasiswa Program Sarjana, Jurusan Teknik Elektro ITS Surabaya
**Dosen Pembimbing I , Jurusan Teknik Elektro ITS Surabaya ***Dosen Pembimbing II, Jurusan Teknik Elektro ITS Surabaya
DASAR TEORI
Video Animasi
Animasi merupakan kegiatan menghidupkan, menggerakkan benda mati. Suatu benda mati diberikan dorongan kekuatan, semangat dan emosi untuk menjadi hidup dan bergerak, atau hanya berkesan hidup2.
Film Animasi Dwi-matra
Jenis film animasi ini seluruhnya menggunakan bahan papar yang dapat digambar di atas permukaannya3. Disebut juga jenis film animasi gambar sebab hampir semua obyek animasinya melalui rutun kerja gambar. Semua runtun kerja jenis film animasi ini dikerjakan di atas bidang datar atau papar. Beberapa jenis film animasi dwi-matra adalah: Film Animasi ‘sel’ (Cel Technique)
Jenis animasi ini merupakan teknik dasar dari film animasi kartun (cartoon animation).
Teknik animasi ini memanfaatkan serangkaian gambar yang dibuat di atas lembaran plastik tembus pandang, disebut ‘sel’ (cel). Figur animasi di gambar sendiri-sendiri di atas sel untuk setiap perubahan gambar yang bergerak, selain tu ada bagian yang diam, yaitu latar belakang (background), dibuat dibuat untuk tiap adegan, digambar memanjang lebih besar daripada lembaran sel. Lembaran sel dan latar diberi lubang pada salah satu sisinya, untuk dudukan ‘standar page’ pada meja animator sewaktu digambar, dan meja dudukan sewaktu dipotret
Teknik yang memanfaatkan lembaran sel merupakan suatu pertimbangan penghematan gambar, dengan memisahkan bagian dari obyek animasi yang bergerak, dibuat beberapa gambar sesuai kebutuhan; dan bagian yang tidak bergerak, cukup dibuat sekali saja.
Sistem Warna RGB
Pada sistem warna RGB (Red, Green, Blue / Merah, Hijau, Biru), sebuah warna sampel gambar diwakili oleh tiga angka yang menunjukkan proporsi relatif dari warna merah (Red), hijau (Green), dan biru (Blue) (tiga warna utama penyusun cahaya)4. Semua warna dapat dibentuk dengan cara menggabungkan ketiga warna dasar tersebut dalam berbagai macam proporsi. Demikian pula pada
gambar, gambar digital berwarna terdiri dari tiga komponen warna/ matriks yaitu matriks R (merah), G (Hijau), dan B (Biru). Setiap matriks mengandung informasi intensitas warna komponen dengan resolusi 8 bit. Dengan demikian gambar digital berwarna memiliki sistem pewarnaan 24 bit. Dan secara umum gambar berwarna direpresentasikan dalam bentuk matriks tiga dimensi I(x, y, channel) dengan x dan y merupakan koordinat dari piksel dan channel merupakan komponen warna (R/G/B).
CIELAB Color Space
Pada tahun 1976, Commission Internationale
l’Eclairage (CIE) menetapkan CIE LAB color space
sebagai standar untuk pengukuran warna, dengan nama lengkap 1976 CIE L*a*b* Space (Gareth Loy: 2002, 1-28)5. Saat ini, CIE LAB merupakan
non-linear color space yang paling populer, dan sering
digunakan untuk warna penengah ketika mengkonversi suatu color space ke color space lainnya.
CIE LAB terdiri dari komponen L (luminance atau tingkat kecerahan) dan 2 komponen warna, yaitu komponen A (hijau sampai merah) dan komponen B (biru sampai kuning).
Koordinat dari warna CIE LAB diperoleh dari perhitungan koordinat warna non-linear color space CIE XYZ:
L* = 116 * (Y/Yn)1/3 - 16, jika Y/Yn > 0.008856 Atau: L* = 903.3 * Y/Yn
a* = 500 * (f(X/Xn) – f(Y/Yn)) b* = 200 * (f(Y/Yn) – f(Z/Zn)) dimana: f(t) = t1/3 , jika t > 0.008856 Atau: f(t) = 7.787 * t + 16/116
Keterangan: Xn, Yn, dan Zn adalah nilai X, Y, dan Z untuk tingkat kecerahan yang digunakan untuk contoh perhitungan X, Y, dan Z. Nilai (konstanta) dari X/Xn, Y/Yn, dan Z/Zn adalah lebih besar dari 0.008856.
CIE LAB color space mempunyai ruang warna yang lebih luas dari RGB atau CMYK sehingga CIE LAB mempunyai cakupan warna yang lebih banyak dibandingkan dengan RGB, CMYK maupun persepsi warna manusia. Luminance (L) dari CIE LAB sesuai dengan penginderaan pada mata manusia.
CIEXYZ Color Space
Diciptakan oleh Commission Internationale
de l’Eclairage (CIE) pada tahun 1931, CIE XYZ
merupakan salah satu standar yang cukup
terkenal, tetapi sudah kuno. Kelemahan color
space ini adalah sulitnya untuk mengatur
brightness (Gareth Loy: 2002, 1-28)
6.
Untuk merepresentasikan warna, standar ini
menggunakan kombinasi penambahan nilai X, Y,
dan Z. ketiga nilai ini selalu bernilai positif, dan
diubah menjadi nilai RGB melalui matriks
transformasi berikut:
R 3.240479 -1.537150 -0.498335 X G = -0.969256 1.875992 0.041556 * Y B 0.055648 -0.204043 1.057315 Z
K-Mean Clustering
K-Mean merupakan salah satu metode data
clustering non hirarki yang digunakan untuk mengklasifikasi data yang ada ke dalam bentuk satu atau lebih kelompok (cluster)7. Metode ini mempartisi data ke dalam kelompok atau cluster, sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.
Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster.
Data clustering menggunakan metode K-means
ini secara umum dilakukan dengan algoritma dasar sebagai berikut:
1. Tentukan jumlah cluster.
2. Alokasikan data ke dalam cluster secara random. 3. Hitung centroid/rata-rata dari data yang ada di
masing-masing cluster.
4. Alokasikan masing-masing data ke centroid/rata-rata terdekat.
5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai
centroid, ada yang di atas nilai threshold yang
ditentukan atau apabila perubahan nilai pada
objective function yang digunakan di atas nilai threshold yang ditentukan.
Interpolasi
Interpolasi adalah Proses pencarian dan perhitungan nilai suatu fungsi yang grafiknya melewati sekumpulan titik yang diberikan.
Interpolasi gambar merupakan suatu teknik yang digunakan untuk menghasilkan gambar antara
(in-between) dari 2 buah gambar yang dipakai sebagai
dasar gambar tersebut. Interpolasi Linear
Interpolasi linier adalah salah satu teknik untuk mendapatkan nilai antara dari dua nilai dengan memperhatikan perbandingan skala atau posisinya, interpolasi ini menggunakan pendekatan garis lurus. PSNR (Peak Signal to Noise Ratio)
Peak Signal to Noise Ratio (PSNR) merupakan
metode yang digunakan untuk mengukur
kualitas suatu image atau frame dengan frame
yang cacat. PSNR frame asli dan frame cacat
dapat diukur dengan skala logaritmik dan
tergantung pada mean squared error (MSE)
relatif terhadap (2
n-1)
2(kuadrat dari nilai sinyal
tertinggi dari suatu image dimana n adalah
jumlah bit per sample image) seperti rumus di
bawah ini:
DESAIN SISTEM
Pada bab ini akan dijelaskan mengenai desain sistem. Pada dasarnya sistem yang dibangun merupakan sebuah perangkat lunak untuk melakukan interpolasi obyek pada frame-frame sebuah video animasi dengan melakukan proses clustering memakai k-means clustering. Setelah itu mengembalikan image pada frame ke warna asli (RGB) dan menghitung PSNR (Peak Signal to Noise Ratio).
Analisa Sistem
Analisa dilakukan dengan menganalisa komponen-komponen kebutuhan sistem sebagai berikut:
Analisa Kebutuhan Sistem
Pada dasarnya, sistem yang dibuat akan melakukan penghitungan pergeseran cluster pada
frame-frame berikutnya. Gambar input berasal dari
video yang terlebih dahulu sudah di ekstrak framenya. Video yang diambil sebagai inputan adalah video
animasi. Dari setiap dua frame video yang berurutan akan dicari pergeseran letak cluster dalam frame video tersebut. Setelah diketahui perbedaan letak cluster pada kedua frame maka dilakukan perhitungan interpolasi untuk mendapatkan nilai tengah dari kedua frame. Setelah itu warna CIELAB pada setiap frame diubah ke warna RGB dengan mengubah warana CIELAB ke CIEXYZ lalu diubah ke warna RGB. Untuk mengetahui perbedaan image pada frame asli dan frame hasil interpolasi dengan rumus PSNR.
Perangkat Pendukung
Sistem perangkat lunak ini dibangun dengan menggunakan bahasa pemrograman Matlab R2008. Program ini berjalan pada sistem operasi Windows Vista home premium.
Perencanaan Perangkat Lunak
Perangkat lunak yang dibuat akan digunakan untuk men-cluster dan menginterpolasikan frame dari sebuah video animasi. Dari dua buah frame yang berurutan dari sebuah video animasi. Akan dicari perbedaan cluster dari kedua frame tersebut. Dari perbedaan cluster pada kedua frame dapat didapatkan hasil interpolasi antara kedua frame tersebut.
Data awal adalah berupa video animasi. Dari video tersebut kemudian di ekstrak gambar-gambar
frame yang kemudian akan diolah dengan perangkat
lunak. Pengekstrakan frame dilakukan dengan tools perangkat lunak Virtual Dub.
Pada tahap pre-processing gambar-gambar frame diubah menjadi RGB lalu diubah menjadi warna CIE Lab agar warna dari gambar mudah dibedakan.
Setelah dilakukan tahap pre-processing, tahap selanjutnya adalah mengklasifikasi warna gambar dalam a* b* space dengan menggunakan K-Means
clustering, dengan euclidean distance metric gambar frame dibagi menjadi beberapa warna. Setelah itu
akan didapatkan label pixel dari gambar frame dengan warna yang telah ter-cluster.
Terdapatnya perbedaan letak cluster dari kedua gambar frame dapat dilakukan interpolasi untuk mendapatkan in-between frame dari kedua frame input yang telah di-cluster tersebut.
Desain Pre-processing
Pada tahap pre-processing, dilakukan proses perubahan format warna format RGB diubah menjadi format CIELAB. Proses ini bertujuan untuk mempermudah proses clustering yang akan diaplikasikan pada frame pada proses-proses selanjutnya.
Perubahan sistem warna
Proses awal adalah perubahan sistem warna dari sistem warna RGB menjadi sistem warna CIE Lab. Perubahan ini dimaksudkan agar memudahkan perhitungan pada proses perhitungan K-Means dengan menggunakan euclidean distance metric, karena dalam sistem warna CIE Lab informasi warna terdapat pada layer a dan b.
Program untuk merubah sistem warna dari RGB menjadi CIE LAB sebagai berikut:
cform = makecform('srgb2lab'); Clustering
Clustering dengan menggunakan K-means clustering untuk mengelompokkan warna CIE Lab
dari gambar frame menjadi beberapa warna segmen. Hasil dari K-means dapat digunakan untuk memberikan label pada setiap piksel dari gambar
frame. Hasil dari piksel label dapat digunakan untuk
membuat in-between frame dari kedua buah frame dengan melakukan interpolasi.
Program untuk mendapatkan cluster warna untuk 3 cluster warna dan 7 cluster warna dengan K-means sebagai berikut: nColors = 3; [cluster_idx1 cluster_center1] = kmeans(ab1,nColors,'distance','sqEuclidean','Replicat es',3); nColors = 7; [cluster_idx1 cluster_center1] = kmeans(ab1,nColors,'distance','sqEuclidean','Replicat es',3); Interpolasi
Interpolasi frame gambar dengan menggunakan interpolasi linier dari 2 buah frame gambar yang ada untuk mendapatkan in-between frame dari kedua buah frame gambar tersebut.
Program untuk membuat in-between frame dengan interpolasi linier sebagai berikut:
diss = 0.5;
interpolasi1 = (1-diss)*image1 + (diss)*image2; Pengubahan Warna CIELAB ke Warna RGB
Warna CIELAB yang ada di semua frame dikembalikan lagi ke warna RGB. Ketika tahap
pre-procesing warana RGB pada frame diubah menjadi
sistem warna CIEXYZ lalu diubah ke CIELAB. Untuk mengembalikan lagi ke RGB maka proses dibalik dari CIE Lab diubah ke sistem warna CIEXYZ lalu ke RGB.
cform = makecform('lab2srgb'); PSNR (Peak Signal to Noise Ratio)
Kualitas frame asli dan frame hasil interpolasi dapat diketahui dengan rumus PSNR dan hasilnya dalam bentuk dB.
P = psnr (image 1,image2);
PENGUJIAN DAN ANALISA
Data Video
Data video sampel merupakan video animasi kartun yang kemudian diekstrak menjadi gambar-gambar frame dan kemudian diolah dengan menggunakan perangkat lunak yang digunakan untuk menunjang tugas akhir ini. Ukuran frame yang digunakan dalam tugas akhir ini adalah 640 x 480. Ukuran ini diambil karena merupakan ukuran frame yang banyak digunakan pada video animasi.
Video : Video animasi YuYu Hakusho8. Episode : 1
Tahun : 1992
Frame rate : 20 frame/s Format : AVI
Frame : 640 x 480
Tahap Pre-Processing
Video animasi diekstrak menjadi beberapa frame. Sebelum dilakukan proses pengolahan, gambar harus diubah dulu dari format warna RGB kemudian diubah menjadi format warna CIELAB.
Klasifikasi warna
Clustering merupakan salah satu cara untuk
memisahkan suatu kelompok obyek. K-means
clustering digunakan untuk mengelompokkan
obyek-obyek tersebut. K-means clustering membutuhkan penentuan jumlah awal dari cluster yang akan dipartisi dan distance metric untuk mengukur seberapa dekat 2 buah obyek yang saling berdekatan.Pada proses peng-cluster-an didapat
cluster index oleh karena cluster 3 warana terdapat 3 cluster index. Satu cluster index mewakili satu warna.
Dari proses peng-cluster-an tampak warna masing-masing hitam,abu-abu, dan putih. Matlab memberikan satu cluster index pada satu warna.
Pemberian cluter index pada satu warna tidak sama pada setiap frame sehingga peletakan warna setiap
frame dilakukan secara acak . Pada penelitian ini
dibuat program untuk mengatasi hal tersebut sehingga satu cluster index pada satu warna sama pada semua frame.
Frame 1
Frame 2
Gambar 1.: cluster 3 warna dengan cluster index tidak sama
In-between Frame
Proses interpolasi linier menghasilkan
in-between frame dilakukan dengan cara
menginterpolasikan 2 buah frame hasil cluster yaitu
frame ke-1 dan frame ke-2.
Hasil dari Interpolasi kemudian dimasukkan di antara frame yang diproses sehingga didapatkan
in-between frame .
Frame 1
In-between frame 1
Frame 2
Video awal Cluster 3 warna
Gambar 3.: Hasil in-beetwen frame interpolasi linier
Pada contoh gambar diatas frame yang dipakai sebanyak 2 frame dari frame video awal dan didapatkan 1 in-between frame untuk hasil akhir dari proses tersebut terdapat total 3 frame hasil akhir. Pengubahan Warna CIELAB ke Warna RGB
Semua frame baik frame asli dan frame hasil interpolasi masih tampak dengan 3 warna hasil
clustering dan juga semua frame masih dalam sistem
warna CIELAB. Semua frame diubah kembali ke warna asli (RGB) agar kelihatan normal kembali. Proses pengembalian warna ke RGB dengan mengubah warna CIELAB ke waran CIEXYZ. Setelah itu warna CIEXYZ ke warna RGB. Hasil dari proses tersebut didapat warna image kembali normal seperti semula. Berikut hasil proses tersebut:
Video awal Cluster 3 warna CIELAB ke RGB Gambar 4.: Hasil pengubahan warna CIELAB ke
warna RGB
PSNR (Peak Signal to Noise Ratio)
Frame asli dan frame hasil interpolasi tampak
mirip. Untuk membedakan antara frame asli dan
frame hasil interpolasi digunakan metode PSNR yang
hasilnya dalam bentuk dB.
Dari hasil penghitungan PSNR didapat bahwa antara frame 1 dan frame hasil interpolasi hasil PSNR 33.1135 dB, sedangkan antara frame 2 dan frame hasil interpolasi hasil PSNR 33.4368 dB.
Frame1 Frame Interpolasi
PSNR = 33.1135 dB
Frame Interpolasi Frame 2
PSNR = 33.4368 dB
Gambar 5.: Hasil PSNR antara frame 1, frame interpolasi, frame 2
Proses in-beetwen frame dengan jumlah frame asal 99 frame didapatkan total 197 frame.
Frame-frame tersebut diolah dengan mengunakan software
Image To AVI v.1.3 untuk mengkonversi ke video berformat AVI dengan durasi video sekitar 6 detik, dengan diambil frame/detik sebanyak 30 frame/detik. Pengujian Hasil Akhir Video Animasi
Frame yang diproses berjumlah 99 frame
menghasilkan 197 frame. Frame asli yang berjumlah 99 frame dijadikan video berdurasi 3 detik dengan 30
frame/detik. Hasil akhir prose in-between frame
sebanyak 197 frame berdurasi 6 detik dengan 30
frame/detik.
Pengujian ini untuk mengetahui tingkat kehalusan dari video hasil proses in-between frame dengan parameter sebagai berikut:
Frame/detik < 30 , hasil dari video kaku
masih terlihat gerakkan patah-patah dalam video
Frame/detik = 30, hasil video masih
patah-patah tetapi dapat dilihat dengan baik oleh mata
Frame/detik =60 , hasil dari video halus
tidak terlihat adanya gerakan yang patah Tabel 1.: Hasil pengujian banyaknya frame
No. Sumber Frame/detik Hasil
1 Video asli 20 Kaku
2 Video 3 Cluster
60 Halus
KESIMPULAN
Sebagai penutup terdapat beberapa hal yang dapat disimpulkan dari tugas akhir ini, antara lain:
1. K-means clustering dalam penggunaannya
harus ditentukan terlebih dahulu jumlah
cluster.
2. Penentuan Cluster index pada satu warna tidak sama pada setiap frame
3. Pengubahan warna CIELAB ke RGB dilakukan melalui proses pengubahan ke warna CIEXYZ lalu ke warna RGB
4. Frame asli dan frame hasil interpolasi
tampak mirip untuk membedakan kedua frame tersebut menggunakan PSNR (Peak Signal to Noise Ratio).
5. Hasil in-beetwen frame menjadikan jumlah
frame dua kali lipat dari jumlah asal.
6. Konversi frame hasil in-beetwen frame ke video harus menambah frame/detik atau FPS (Frame per second) agar gerakan halus.
SARAN
Untuk pengembangan lebih lanjut mengenai tugas akhir ini penulis menyarankan:
1. Untuk pengembangan lebih lanjut proses
clustering 3 warna bisa berhasil atau tidak
jika dilakukan dengan input video hitam putih.
2. Untuk pengembangan lebih lanjut dapat dilakukan proses clustering lebih dari 3 warna.
3. Untuk pengembangan lebih lanjut dapat dilakukan proses sistem warna selain sistem warna CIELAB.
4. Untuk pengembangan lebih lanjut dapat dilakukan proses interpolasi dengan metode selain interpolasi linier.
DAFTAR PUSTAKA
1. Susilo, Ario, 2009. ”In Between Frame Untuk Video Animasi Menggunakan Region-Based Interpolation dan Mean Shift Clustering”. Institut Teknologi Sepuluh Nopember, Surabaya.
2. http://en.wikipedia.org/wiki/Video diunduh tanggal 10 Mei 2009
3. http://en.wikipedia.org/wiki/Traditional_ani mation diunduh tanggal 15 Juni 2009 4. http://en.wikipedia.org/wiki/RGB_color_mo
del diunduh tanggal 15 Juni 2009 5. http://en.wikipedia.org/wiki/CIELAB
diunduh tanggal 15 Juni 2009 6. http://en.wikipedia.org/wiki/CIEXYZ 7.
http://en.wikipedia.org/wiki/K-means_clustering.htm diunduh tanggal 16 Juni 2009
8. www.youtube.com/yu yu hakusho diunduh tanggal 9 mei 2009.
9. http://pengolahancitra.com
10. Helmy Hasniawati. 2007. ‘Image Clustering Berdasarkan Warna Utuk Identifikasi Buah Dengan Metode Valley Tracing. Surabaya: Politeknik Elektronika Negeri Surabaya.
