SINTESA RECOGNITION TEKSTUR DAN WARNA TERHADAP DAGING TUNA

SINTESA RECOGNITION TEKSTUR DAN WARNA TERHADAP DAGING TUNA

Roys Pakaya¹, Salman Suleman²

Program Studi Teknik Informatika, Politeknik Gorontalo Jln. Mukhlis Rahim, Botu Pingge, Bone Bolango, Gorontalo

E-mail: royspakaya@poligon.ac.id, salman@poligon.ac.id

ABSTRAK

Daging tuna merupakan hasil perikanan dan kelautan yang mempunyai nilai ekonomis yang sangat tinggi. Hal ini terlihat dari banyaknya permintaan daging tuna baik lokal, nasional dan internasional. Saat ini daging tuna terdiri dari tiga grade, yaitu grade A, grade B dan grade C. Setiap grade daging tuna memiliki ciri yang berbeda-beda.

Pada umumnya indera yang dimiliki oleh manusia merupakan sensor alami yang paling canggih. Indera penglihat (mata) manusia mampu mengenali wujud benda atau objek, indera pendengar (telinga) dapat mengenal suara, sedangkan indera perasa (lidah) bisa membedakan rasa. Dalam mengetahui ciri grade, khususnya pada daging tuna dapat dilihat secara langsung oleh indera manusia. Namun dalam mengenal grade daging tuna menggunakan cara ini sering terjadi banyak kesalahan, hal ini diakibatkan oleh faktor kelelahan dari manusia itu sendiri sehingga indera tidak bisa lagi berfungsi secara maksimal. Pada penelitian ini penulis menggunakan metode fitur ekstraksi ciri tekstur dan warna dalam mengenali daging tuna. Pengenalan daging tuna merupakan penelitian yang menggabungkan konsep citra digital, pengenalan pola, matematika dan statistika. Untuk melakukan pengenalan daging tuna, harus diawali dengan tahapan preprocessing, ekstraksi fitur dan pengujian kemiripan. Pada tahap preprocessing citra daging tuna yang ditangkap dan diolah terlebih dahulu untuk disamakan ukurannya dan diubah kedalam bentuk haras keabuan baik data training maupun data testing. Setelah tahap preprocessing, maka tahapan selanjutnya adalah tahap ekstraksi fitur. Ekstraksi fitur merupakan tahapan penting dalam penelitian ini. Ekstraksi fitur merupakan tahapan memunculkan ciri dan mereduksi dimensi citra dalam pengenalan terhadap daging tuna.

Tahapan ini terdiri dari dua proses yaitu ekstraksi fitur tekstur dan warna. Tahap ekstraksi fitur bertujuan untuk mempercepat waktu komputasi dalam memperoleh ciri yang unik dari daging tuna yang dilatih maupun yang diuji.

Kata kunci: sintesa ,tekstur, warna, tuna

PENDAHULUAN Latar Belakang

Gorontalo merupakan salah satu daerah pengahasil daging tuna terbesar di Indonesia bagian timur. Daging tuna merupakan hasil perikanan dan kelautan yang mempunyai nilai ekonomis yang sangat tinggi. Hal ini terlihat dari banyaknya permintaan daging tuna baik lokal, nasional dan internasional. Saat ini daging tuna terdiri dari tiga grade, yaitu grade A, grade B dan grade C. Setiap grade daging tuna memiliki ciri yang berbeda-beda.

Pada umumnya indera yang dimiliki oleh manusia merupakan sensor alami yang paling canggih. Indera penglihat (mata) manusia mampu mengenali wujud benda atau objek, indera pendengar (telinga) dapat mengenal suara, sedangkan indera perasa (lidah) bisa membedakan rasa. Dalam mengetahui ciri grade, khususnya pada daging tuna dapat dilihat secara langsung oleh indera manusia.

Namun dalam mengenal grade daging tuna menggunakan cara ini sering terjadi banyak kesalahan, hal ini diakibatkan oleh faktor kelelahan

dari manusia itu sendiri sehingga indera tidak bisa lagi berfungsi secara maksimal.

Pada penelitian ini penulis menggunakan metode fitur ekstraksi ciri tekstur dan warna dalam mengenali daging tuna. Pengenalan daging tuna merupakan penelitian yang menggabungkan konsep citra digital, pengenalan pola, matematika dan statistika. Pada recognition tekstur dan warna terhadap daging ikan tuna terdiri dari tiga permasalahan utama yaitu pengambilan gambar, preprocessing dan ekstraksi fitur.

Untuk melakukan pengenalan daging tuna, harus diawali dengan tahap pengambilan gambar. Tahapan ini masih dilakukan dengan secara manual yaitu dengan meletakkan daging tuna pada wadah yang khusus kemudian ditangkap gambarnya dengan menggunakan kamera. Pada tahap preprocessing citra daging tuna yang ditangkap dan diolah terlebih dahulu untuk disamakan ukurannya dan diubah kedalam bentuk haras keabuan baik data training maupun data testing. Setelah tahap preprocessing, maka tahapan selanjutnya adalah tahap ekstraksi fitur.

Ekstraksi fitur merupakan tahapan penting dalam penelitian ini. Ekstraksi fitur merupakan tahapan memunculkan ciri dan mereduksi dimensi citra dalam pengenalan terhadap daging tuna. Tahapan ini terdiri dari dua proses yaitu ekstraksi fitur tekstur dan warna.

Tahap ekstraksi fitur bertujuan untuk mempercepat waktu komputasi dalam memperoleh ciri yang unik dari daging tuna yang dilatih maupun yang diuji.

Pada sektor pertanian ekstraksi ciri berdasarkan warna dan tekstur digunakan untuk klasifikasi juga telah dilakukan oleh Huang menggunakan gray level co-occurance matix untuk ekstraksi ciri tekstur dan nilai mean RGB sebagai ciri warna pada bibit Phalaenopsis yang terinfeksi dengan hasil 89.6%

(K.Y. Huang, 2007). Penelitian tentang Klasifikasi apel berbasis citra telah dilakukan oleh Arie Qur’ania, dkk dengan menggunakan Analisis tekstur dan ekstraksi fitur warna (Qur’ania A, dkk, 2012).

Penelitian mengenai klasifikasi daging dengan menggunakan ekstraksi fitur tekstur sudah pernah dilakukan (Suwito M, dkk, 2012). Pada penelitian tersebut didapatkan akurasi tertinggi yaitu 82.8 % dengan menggunakan ekstraksi fitur tekstur dan menggunakan metode klasifikasi k – Nearest Neighbor (k-NN).

Pada penelitian ini penulis menggunakan metode ekstraksi fitur tekstur dan warna dalam mengenal daging tuna.

Rumusan Masalah

1. Bagaimana menerapkan metode ekstraksi fitur tekstur dan warna?

2. Bagaimana Akurasi dari algoritma ekstraksi fitur tekstur dan warna?

Tujuan Penelitian

1. Menerapkan metode ekstraksi fitur tekstur dan warna terhadap recognition daging tuna

2. Menganalisis akurasi algoritma ekstraksi fitur tekstur dan warna terhadap recognition daging tuna.

Manfaat Penelitian

1. Metode ekstraksi fitur tekstur dan warna lebih handal terhadap recognition daging tuna.

2. Penggunaan Algoritma ekstraksi fitur tekstur dan warna dalam meningkatkan akurasi pengenalan daging tuna.

3. Dapat digunakan sebagai referensi untuk sistem recognition kualitas daging.

TINJAUAN PUSTAKA Penelitian Terkait

Tujuan utama dari penelitian ini adalah mengidentifikasi tingkat kesegaran daging ayam broiler berdasar ciri warna dan tekstur. Sistem ini

juga dapat digunakan untuk membedakan daging ayam hasil sembelihan yang sesuai syariat Islam dengan daging ayam bangkai atau tiren. Metode dalam penelitian ini menggunakan pengolahan citra digital yaitu ekstrasi ciri warna metode histogram dan ekstrasi ciri tekstur metode box counting. Sampel daging yang digunakan diambil dari daging ayam broiler bagian dada. Bagian dada memiliki komposisi terbesar pada tubuh ayam sehingga pengujian pada bagian dada bisa mewakili semua bagian pada ayam.

Berdasar hasil penelitian dapat diketahui bahwa dengan menggunakan ciri tekstur dan warna daging dapat dibedakan antara daging ayam segar, kurang segar, dan daging busuk. Berdasar hasil pengujian dapat diketahui ciri warna dapat memberikan hasil identifikasi yang lebih baik dibandingkan ciri tekstur citra daging ayam tersebut (Prima Widyawati W dkk, 2013).

Penelitian yang dilakukan oleh (Shera MW, dkk, 2012) . Dalam penelitian ini, daging yang digunakan sebagai bahan uji coba yaitu daging sapi, daging babi dan daging kambing. Untuk data latih yang digunakan yaitu sebanyak 165 buah citra daging komsumsi dan citra uji sebanyak 275 buah citra daging konsumsi yang digunakan sebagai masukan dari proses klasifikasi. Metode yang digunakan untuk mengektraksi citra yaitu transformasi curvelet yang akan mengidentifikasi jenis dan kualitas dari daging tersebut berdasarkan ciri tekstur serta warna daging itu sendiri. Setelah itu dalam prosesnya k-NN bertugas untuk mengklasifikasikan hasil ektraksi ciri sehingga objek daging dapat dikenali dari pola tektur dan warna. Dari hasil penelitian ini didapat bahwa performance algoritma pre processing menggunakan ektraksi ciri Curvelet skala 5 orientasi 16 dengan parameter klasifikasi yang digunakan dengan k-NN yaitu nilai k=3 yaitu kurang lebi 86,5455% dengan waktu komputasi mencapai 240.4143 detik (4.0069 menit).

Analisis yang telah dilakukan pada perancangan sistem klasifikasi jenis dan kualitas daging konsumsi didapatkan kesimpulan bahwa sistem masih mampu mengidentifikasi daging yang tidak segar sesuai dengan jenisnya. Namun, sistem belum mampu mendeteksi daging yang telah mengalami perubahan warna. Hal ini dikarenakan sistem hanya mendeteksi ciri tekstur tanpa dilengkapi dengan sensor warna untuk daging yang tidak segar.

Landasan Teori Tuna

Ikan tuna adalah satu jenis ikan air laut yang banyak ditemukan dilautan dalam, ikan ini termasuk ikan laut pelagis yang termasuk kedalam famili Scombridae dengan ordo Perciformes. Ikan tuna ini memiliki bentuk tubuh menyerupai torpedo dengan

sedikit pipih di bagian sisinya dan juga dengan mulut meruncing. Ikan ini memiliki sirip punggung dua berkas, pertama berukuran kecil da terpisah dengan sirip kedua.

Grading

Grading berasal dari kata grade yang berarti tingkat/kelas. Yang dimaksud dengan Grading dalam istilah perikanan merupakan suatu upaya pengelompokan ikan/hasil ikan menjadi beberapa tingkat/kelas (grade) sehingga masing-masing kelas memiliki kualitas mutu yang seragam. Umumnya pengkelasan ini dilakukan pada produk ikan/hasil ikan yang akan diekspor. Untuk itu diperlukan standar mutu baku yang dapat digunakan pada saat pembelian bahan baku. Masing-masing Negara pengimpor memiliki standar mutu baku tertentu.

Grade pada daging tuna terdiri dari Grade A, B dan C. Penetapan inisial dalam penentuan grade ikan tuna memang berbeda-beda untuk setiap perusahaan.

Namun demikian, umumnya tuna dikelaskan berdasarkan tingkat kesegaran, warna daging, kadar lemak, kondisi dan ukuran fisik. Grading pada daging Tuna umumnya dilakukan oleh checker (seorang ahli), namun terkadang dilakukan juga secara langsung oleh pembeli dengan memeriksa ikan untuk melihat kualitas mutunya sehingga dapat menetapkan harga lelang.

Menurut Ka Hanjo (2016), Perbedaan grade daging tuna akan di sajikan diTabel 2.1.

Tabel 2.1. Grade daging tuna

Grade Daging Tuna Ciri-ciri

A - Daging berwarna

merah, seperti darah segar atau buah semangka,

- Pola daging halus dan beraturan

- Ikan belum mengalami perubahan bau

B - Daging berwarna

merah gelap

- Pola daging halus dan sedikit beraturan - Ikan belum mengalami

perubahan bau

C - Daging berwarna

merah pucat

- Pola daging kasar dan tidak beraturan - Ikan belum mengalami

perubahan bau

Fitur Tekstur

Dalam praktik, tekstur digunakan untuk berbagai kepentingan. Umumnya, aplikasi tekstur dapat dibagi menjadi dua kategori. Pertama adalah untuk kepentingan segmentasi. Pada proses ini, tekstur dipakai untuk melakukan pemisahan antara satu objek dengan objek yang lain. Kedua adalah untuk klasifikasi tekstur, yang menggunakan fitur-fitur tekstur untuk mengklasifikasi objek. Beberapa contoh aplikasi tekstur disajikan di bawah ini (Tuceryan dan Jain, 1998).

- Inspeksi secara otomatis pada industri tekstil, pengecatan mobil, pemakaian karpet.

- Analisis citra medis. Misalnya, tekstur digunakan untuk klasifikasi penyakit paru-paru, diagnosis leukemia, dan pembedaan tipe-tipe sel darah putih.

- Analisis penginderaan jarak-jauh. Misalnya, tekstur dipakai untuk kepentingan klasifikasi area tanah.

rerata intensitas: 𝑚 = ∑^𝐿−1_𝑖=0𝑖 . 𝑝(𝑖) (2.1)

deviasi standar.: 𝜎 = √∑^𝐿−1_𝑖=1(𝑖 − 𝑚)²𝑝(𝑖) (2.2)

𝑠𝑘𝑒𝑤𝑛𝑒𝑠𝑠 = ∑^𝐿−1_𝑖=1(𝑖 − 𝑚)³𝑝(𝑖) (2.3)

𝑒𝑛𝑒𝑟𝑔𝑖 = ∑^𝐿−1_𝑖=0[𝑝(𝑖)]² (2.4)

𝑒𝑛𝑡𝑟𝑜𝑝𝑖 = − ∑^𝐿−1_𝑖=0𝑝(𝑖) log₂ (𝑝(𝑖)) (2.5)

𝑅 = 1 − ¹

1+𝜎² (2.6)

Ruang Warna RGB

Ruang warna RGB biasa diterapkan pada monitor CRT dan kebanyakan sistem grafika komputer. Ruang warna ini terdiri dari ruang R, G, B. satu piksel terdiri dari tiga komponen tersebut. Model RGB biasa disajikan dalam bentuk kubus tiga dimensi, dengan warna merah, hijau, dan biru berada pada pojok sumbu . Warna hitam berada pada titik asal dan warna putih berada di ujung kubus yang berseberangan. memperlihatkan kubus warna secara nyata dengan resolusi 24 bit. Perlu diketahui, dengan menggunakan 24 bit, jumlah warna mencapai 16.777.216 (Kadir A dan Susanto A, 2012).

Rerata:



 



^M

i N

j

P

ij

MN

_{1 1}

 1

(2.7)

Varians:



 



 ^M

i N

j

Pij

MN 1 1

)2

1 (





(2.8)

Skewness: ^{1 1} ₃

)3

(







MN

P

M

i N

j



ij

 



 (2.9)

Kurtosis: 3

) (

4 1 1

4









 







MN

P

M

i N

j ij

(3.0)

METODE PENELITIAN Pengambilan Citra

Pengambilan citra dapat dilakukan antara lain dengan menggunakan kamera. Pengambilan citra dilakukan pada 150 objek daging tuna yang berbeda, ini bertujuan agar data yang didapatkan harus sesuai dengan apa yang diharapkan. Adapun beberepa ketentuan dalam pengambilan citra daging ikan tuna:

a) Pencahayaan alami hampir selalu menjadi pilihan terbaik. Hindari menggunakan cahaya tambahan seperti blitz.

b) Penempatan subjek foto dalam posisi tengah, ini akan memberikan hasil yang maksimal dalam pengambilan citra daging ikan tuna.

c) Pada penangambilan citra daging ikan tuna sebaiknya menggunakan tripod. Kegunaan tripod antara lain:

- Tripod berfungsi untuk meningkatkan ketajaman pada hasil pengambilan citra.

- Tripod sangat diperlukan untuk komposisi angel atau aturan rule of third

- Tripod berfungsi untuk menahan guncangan saat pengambilan citra

- Tripod dapat membebaskan dari beban kamera apalagi jika kamera yang digunakan terlalu berat.

d) Sudut dan jarak pengambilan yang tepat sangat menentukan hasil pengambilan citra.

Tahapan Preprocessing

Preprocessing adalah proses pengolahan data asli sebelum data tersebut diolah dengan metode ekstraksi fitur.

Keuntungan preprocessing:

- Data lebih siap diolah dengan metode ekstraksi fitur

- Data sesuai dengan kebutuhan metode ekstraksi fitur, misalnya pada proses binerisasi dan bipolarisasi

- Fitur data lebih jelas - Menghilangkan noise

Kerugian preprocessing

- Perlu tambahan waktu komputasi sehingga pengolahan data secara keseluruhan lebih lama - Algoritma preprocessing kadang-kadang

menghilangkan informasi

Pada penelitian ini tahapan preprocessing yaitu menggunakan cropping untuk memotong gambar yang dianggap penting dalam tahapan klasifikasi.

Tahapan Ekstraksi Fitur

Pada tahap ini di lakukan Ekstraksi ciri berbasis histogram dan warna.

a. Ekstraksi ciri berbasis histogram

Ciri citra berdasarkan histogram antara lain:

- rerata intensitas - rerata kontras - standar deviasi - skewness, kurtosis - energy

- entropy.

b. Ekstraksi ciri berbasis warna

Fitur warna dapat diperoleh melalui perhitungan statistis seperti:

- rerata, - deviasi - standar - skewness - kurtosis

Perhitungan dikenakan pada setiap komponen R, G. dan B.

HASIL PENELITIAN

Pengambilan Gambar Daging Tuna

Pengambilan gambar daging ikan tuna merupakan proses awal dengan menggunakan kamera dengan kualitas 13 megapixel. Proses pengambilan gambar daging ikan tuna diambil pada jarak antara 15 cm dan 20 cm tidak menggunakan bantuan cahaya handphone (blitz) (Widyawati WP, dkk, 2013). Hasil pengambilan gambar berupa gambar warna (RGB) dengan resolusi 4096×2304 pixel. Dibawah ini merupakan contoh gambar daging ikan tuna hasil pengambilan gambar yang baik dan benar.

Gambar 1. Citra daging tuna Preprocessing

Penelitian ini menggunakan citra daging tuna dengan jumlah 150 citra daging tuna yang semuanya diambil langsung dari tempat pelelangan ikan (TPI) di Gorontalo. Selanjutnya 150 citra daging tuna tersebut dibagi menjadi tiga bagian berdasarkan grade daging tuna yaitu 50 citra daging tuna untuk grade A, 50 citra daging tuna untuk grade B dan 50 citra daging tuna untuk grade C.

Ekstraksi ciri berdasarkan tekstur

Contoh perbandingan statistik tekstur untuk citra klasifikasi daging tuna ditunjukan di Tabel 4.1.

Tabel 4.1. Ektraksi ciri berdasarkan tekstur

Grade Ciri

A Rerata intensitas Rerata kontras Skewness Energi Entropi Smootness

: 136.358307231041 : 48.5096919211455 : 0.463316877385731 : 0.00581876976742595 : 5.21588851808668 : 0.0349251026621559 B Rerata intensitas

Rerata kontras Skewness Energi Entropi Smootness

: 109.612209876543 : 29.9370620717334 : 0.371486942617187 : 0.0102395579043762 : 4.74379279129293 : 0.0135954337768519 C Rerata intensitas

Rerata kontras Skewness Energi Entropi Smootness

: 126.857342504409 : 24.8272472529311 : 0.0476770805813701 : 0.0113710829424335 : 4.61053092223723 : 0.00939029757660070 Perbandingan histogram tekstur untuk citra daging tuna ditunjukkan pada gambar di bawah ini.

Gambar 2. Histogram Tekstur Grade A

Gambar 3. Histogram Tekstur Grade B

Gambar 4. Histogram Tekstur Grade C

Gambar 2 menunjukan bahwa citra daging tuna dengan tekstur kasar, ditandai kontras yang tinggi dan jangkauan intensitas yang rapat.

Gambar 3 menunjukan bahwa citra daging tuna dengan tekstur kasar, ditandai kontras yang sedang dan jangkauan intensitas yang mulai melebar.

Gambar 4 menunjukan bahwa citra daging tuna dengan tekstur kasar, ditandai kontras yang sedang dan jangkauan intensitas yang lebar.

Dari gambar citra daging tuna di atas memberikan informasi bahwa pada umumnya daging tuna mempunyai tekstur yang kasar.

Percobaan pertama dilakukan pada masing- masing fitur pada citra tekstur terhadap nilai rerata intensitas, rerata kontras, skewness, energy, energy dan smootness. Hasil percobaan ditunjukkan pada gambar dibawah ini.

Gambar 5. Akurasi Tektur Daging Tuna Grade A

Gambar 6. Akurasi Tektur Daging Tuna Grade B

Gambar 7. Akurasi Tektur Daging Tuna Grade C Gambar 5, 6 dan 7 menunjukkan bahwa akurasi berdasarkan ekstraksi fitur tekstur tertinggi adalah fitur rerata intensitas, sedangkan akurasi terendah adalah fitur energy.

Ekstraksi Ciri Berasarkan Warna

Fitur warna dapat diperoleh melalui perhitungan statistis seperti rerata, deviasi standar, skewness, dan kurtosis [13].

Tabel 4.2 Fitur ekstraksi warna RGB

Grade Ciri

A

Rerata R Rerata G Rerata B Varians R Varians G Varians B Skw R Skw G

Skw B Kurt R

Kurt G Kurt B

: 185.731894179894 : 109.901764021164 : 113.441263492064 : 27.6008742808761 : 37.4651469987724 : 35.0889508193075 : 0.272800617793054 : 0.852262191778117 : 0.769303342599672 : -0.363317121950746 : 0.764949007095101 : 0.689172424485540

B

Rerata R Rerata G Rerata B Varians R Varians G Varians B Skw R Skw G

Skw B Kurt R

Kurt G Kurt B

: 130.818222222222 : 99.6319396825397 : 98.3864677248677 : 24.1792862116753 : 26.3917130926039 : 27.0592796501686 : 0.997608347286661 : 1.56174881337404 : 1.55700445033448 : 2.15007809074148 : 3.91148790681951 : 3.80491094386494

C

Rerata R Rerata G Rerata B Varians R Varians G Varians B Skw R Skw G

Skw B Kurt R

Kurt G Kurt B

: 145.189111111111 : 124.127089947090 : 111.255826455026 : 16.2272062343550 : 21.5785395178427 : 23.0934126162544 : 0.813889720181800 : 0.780272420625164 : 0.806593784400565 : 2.21483677067594 : 1.62180049435187 : 1.45389520778373

Perbandingan intensitas citra RGB daging tuna ditunjukkan pada gambar di bawah ini.

Gambar 8. Intensitas citra RGB daging tuna Grade A

Gambar 9. Intensitas citra RGB daging tuna Grade B

Gambar 10. Intensitas citra RGB daging tuna Grade C Percobaan kedua dilakukan pada fitur citra warna.

terhadap 12 ciri yaitu terhadap nilai rerata R, rerata G, rerata B, varians R, varians G, varians B, skew R, skew G, skew B, kurt R, kurt G, kurt B. Hasil percobaan ditunjukkan pada gambar di bawah ini.

Gambar 11. Akurasi Warna Daging Tuna Grade A

Gambar 12. Akurasi Warna Daging Tuna Grade B

Gambar 13. Akurasi Warna Daging Tuna Grade C Gambar 11, 12, 13 memperlihatkan bahwa akurasi berdasarkan ekstraksi fitur warna yang paling dominan adalah fitur rerata R, sedangkan akurasi terendah adalah fitur kurtosis R.

KESIMPULAN DAN SARAN

Dengan melakukan penelitian Sintesa Recognition Tekstur dan Warna Terhadap Daging Tuna dapat disimpulkan Metode ekstraksi fitur tekstur dan warna sangat baik untuk recognition daging tuna dari segi akurasi.

Saran dari penelitian, Sintesa Recognition Tekstur dan Warna Terhadap Daging Tuna yaitu:

1. Proses pengambilan gambar atau citra dibuat sebaik mungkin, hal ini bertujuan supaya hasil ekstraksi fitur akan lebih baik.

2. Untuk keberlanjutan penelitian dapat menggunakan metode ekstraksi fitur yang lain, untuk mendapat tingkat akurasi yang lebih baik.

PUSTAKA

Azizi Qomari F.M, “ Perbandingan Antara Metode Backpropagation Dengan Metode Learning Vector Quantization (Lvq) Pada Pengenalan Citra Barcode” 2013

Dinas Kelautan dan Perikanan Provinsi Gorontalo, 2013

Kadir A dan Susanto A, “Teori dan Aplikasi Pengolahan Citra” 2012

Ka Hanjo, ”Perbedaan Kualitas Daging Ikan Tuna”, 2016

K.Y. Huang, “Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features” 2007

Purnomo H.M, Muntasa A, “Konsep Pengolahan Citra Digital dan Ekstraksi Fitur” 2010

Qur’ania A, dkk, “Analisis Tekstur Dan Ekstraksi Fitur Warna Untuk Klasifikasi Apel Berbasis Citra” 2012

Shera MW, dkk, ”Klasifikasi Jenis Dan Kualitas Daging Konsumsi Berdasarkan Analisis Tekstur Dan Warna Dengan Metode Transformasi Curvelet dan K-Nearst Neighbor” 2012

Suwito M, dkk, “Klasifikasi Jenis Daging Konsumsi Berdasar Analisis Tekstur Dengan Pengolahan Citra” 2012

Tuceryan dan Jain, “Texture Analysis. On Handbook of Pattern Recognition and Computer Viision”

1998

Widyawati WP, dkk, ”Identifikasi tingkat kesegaran daging ayam broiler berdasar ciri tekstur dan warna daging” 2013