Ekstraksi Fitur Menggunakan Haar Wavelet Transformation Pada Klasifikasi Jenis Bakteri Air

Ekstraksi Fitur Menggunakan Haar Wavelet Transformation Pada Klasifikasi Jenis Bakteri Air

Sepyan Purnama Kristanto, Lutfi Hakim, Dianni Yusuf*

Program Studi Teknik Informatika, Politeknik Negeri Banyuwangi, Banyuwangi, Indonesia Email: ¹sepyan@poliwangi.ac.id, ²lutfi@poliwangi.ac.id, ^3,*dianniyusuf@poliwangi.ac.id

Email Penulis Korespondensi: dianniyusuf@poliwangi.ac.id

Abstrak−Bakteri merupakan salah satu spesies yang hidup berkelompok dan berada pada beberapa media yang dekat manusia.

Air sebagai media yang paling dekat dengan manusia menjadi salah satu tempat berkembang biak dan bermutasi bagi bakteri.

Terdapat berbagai macam jenis bakteri yang hidup didalam air mentah yang didapatkan dari beberapa sumber mata air yang sering mengakibatkan beragam penyakit bagi manusia. Berbagai macam penyakit baik yang menular dan tidak menular sering ditemukan pada air terutama pada air rumah tangga yang sering kita gunakan. Beragam masalah yang ditimbulkan perlu adanya sebuah sistem yang mampu mendeteksi serta menentukan jenis bakteri yang berada pada air. Dari masalah tersebut peneliti membangun sistem klasifikasi bakteri pada air untuk mempermudah dalam proses filter serta sterilisasi. Sistem ini memanfaatkan metode haar wavelet, yang mememiliki reputasi baik dalam proses transformasi. Hasil akurasi yang didapatkan pada penelitian ini sangat memuaskan dengan tingkat akurasi sebesar 90% pada proses deteksi jenis bakteri.

Kata Kunci: Bakteri Air; Haar wavelet transformation; Coliform; E.Coli

Abstract−Bacteria is one of the species that live in groups and is on some media close to humans. As the media closest to humans, water has become one of the most expensive and mutating places for bacteria. Various kinds of bacteria live in raw water that comes from some sources of water that often cause various diseases for humans. Many good diseases that transmit and do not transmit are often found in water, especially in households. With the various problems that arise, there needs to be a system that can detect and determine the type of bacteria in the water. The researchers built a bacterial classification system in water to facilitate the filter and sterilization process from these problems. This system utilizes the haar wavelet method , which has a good reputation in the transformation process. The accuracy results obtained in this study are very satisfactory, with an accuracy rate of 90% in detecting the type of bacteria.

Keywords: Water Bacteria; Haar wavelet transformation; Coliform; E.Coli

1. PENDAHULUAN

Dalam ilmu mikro biologi bateri merupakan salah satu makhluk hidup yang selalu berkelompok (berkoloni), mereka memanfaatkan koloni ini sebagai media perkembangbiakan serta bertahan hidup antar kawanan bakteri.[1], [2] Koloni bakteri sering atau dapat kita temui di media-media yang umum kita gunakan setiap hari, baik tempat makan dan minum serta media lainnya yang berada disekitar kita salah satunya adalah air minum. Setiap koloni bakteri memiliki sifat serta tekstur yang berbeda antara satu dengan lainnya, sehingga setiap bakteri memiliki ciri unik dari setiap kontur tubuh mereka. Quentien pada tahun 2011 mengatakan bahwa terdapat ribuan jenis bakteri pada air dengan model, serta identitas yang mirip dan serupa namun memiliki kontur, area koloni dan prilaku yang berbeda dari setiap bakteri tersebut.[1]

Beragama bakteri yang berada dalam air membuat penyebaran bakteri lebih rawan terjadi terutama air serapan atau air isi ulang. Sebagai senyawa yang penting bagi kehidupan manusia, penggunaan air menjadi sangat penting bagi kehidupan. Kebutuhan nasional air ditingkat rumah mencapai 2 L per hari bahkan bisa mencapa 150 L. Pada tahun 2015 sumber air yang digunakan untuk memenuhi kebutuhan harian masyarakat didominasi oleh sumur gali, sumur ledeng (PAM) serta sumur bor di beberapa rumah tangga juga menggunakan Air depot isi ulang sebagai backup bila sumber air utama mereka bermasalah.[3] Menurut WHO air menjadi media penularan penyakit terbaik, banyak bakteri ditemukan dalam air yang terkontaminasi sehingga menyebabkan infeksi seperti typhoid, pneumonia, hemarragic dan lainnya. Pada tahun 2015 17 juta anak terkena masalah kulit serta saluran pencernaan yang diakibatkan air yang mereka konsumsi telah terkontaminasi, diindonesia 30.000 anak setiap tahunnya terkena masalah serupa salah satunya adalah diare.[2],[4] Dari beberapa penelitian banyak air rumah tangga yang mengandung bakteri Coliform serta bakteri E.Coli, atau beberapa air juga mengandung Salmonela. Dibeberapa lokasi diindonesia air serapan serta air galian mengandung logam berat seperti kadmonium, sehingga berpengaruh kepada perkembangan anak atau ibu hamil. Penelitian dari Wahyu Zikra pada tahun 2017 mengatakan bahwa 80%

air yang digunakan sehari-hari masyara kat banyak mengandung bakteri tertentu dan sekitar 15 % mengandung logam berat yang membahayakan.[5] Oleh karena itu perlu dilakukan identifikasi dini pada bakteri tersebut untuk mengurasi resiko infeksi dan penularan. Beberapa penelitian sebelumnya mengenai pengkategorian type bakteri salmonella, typhoid serta pneumonia menggunakan Region Of Interest sebagai preprocessing. Penelitian ini menggunakan data yang didapatkan dari Laboratorium Rumah Sakit yang telah divalidasi, selanjutnya pada penelitian yang dilakukan oleh Dicky Pradana pada tahun 2019 dengan menggunakan beberapa teknik pada Image Processing salah satunya adalah Canny Edge serta Thresholding untuk mengidentifikasi koloni bakteri pada cawan kaca. Penelitian ini berfokus pada aplikasi yang mampu mendeteksi koloni pada cawan kaca.[6]

Pada penelitian berikutnya Local Binary Pattern (LBP) difungsikan untuk proses kategorisasi menggunakan data bakteri yang berada pada kulit. Penelitian terakhir membahas tentang proses kategorisasi dan

segmentasi bakteri dengan memanfaatkan ekstraksi fitur warna dan teksutr untuk mendapatkan hasil yang optimal.

Penelitian ini menggunakan metode transformasi wavelet sebagai pendekatan linear yang memiliki reputasi baik pada pengolahan citra digital.[7] Metode wavelet memiliki kerangka yang konsisten sehingga dapat mewakili operator yang diperlukan pada proses pemecahan multiresolusi. Wavelet adalah gelombang sinyal kecil yang merupakan perbaikan dari transformasi Fourier, wavelet memiliki kemampuan dalam pengelompokan sinyal dengvan memberikan informasi frekuensi dan waktu. Dari latar belakang yang telah dijelaskan maka fokus penelitian ini adalah menerapakan algoritma haar wavelet pada proses klasifikasi bakteri pada air.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Penelitian ini menggunakan data berupa gambar sebagai data primer dengan cara mengambil citra sample bakteri menggunakan mikroskop agar citra dapat terlihat dengan baik. Citra bakteri yang digunakan pada penelitian ini merupakan data yang diambil dari Laboratorium Rumah Sakit yang telah dilakukan proses incubasi agar hasil lebih maksimal. Pengambilan data citra menggunakan Digital Microscope 1000x yang diambil dengan cara meletakkan sedekat mungkin dengan media hidup bakteri. Selanjutnya hasil citra yang telah diambil berikutnya diklasifikasikan berdasarkan pada jenis citra bakteri Caliform dan E.Coli. Dari data yang telah diambil terkumpul 115 citra yang tediri dari 57 citra Caliform dan 58 citra E.Colli yang dapat kita lihat pada Gambar 1.

Gambar 1. (a) Citra Bakteri Caliform, (b) Citra Bakteri E.Coli

Proses berikutnya adalah melakukan Preprocessing dimana data citra diubah dari gambar berwarna menjadi gambar grayscale. selanjutnya gambar yang telah menjadi grayscale akan digunakan pada tahap ekstraksi dengan menggunakan Metode Haar Wavelet. Langkah awal adalah adalah melakukan dekomposisi baris dengan model perataan dan pengurangan, selanjutnya hasil dari proses dekomposisi baris lalu dilanjutkan pada proses dekomposisi kolom dengan menggunakan perataan dan pengurangan. Penelitian yang dilakukan memiliki beberapa tahapan yang dilakukan, proses penelitian dapat terlihat pada Gambar 2.

Gambar 2. Alur Penelitian 2.2 Citra Digital

Citra Digital dapat didefinisikan sebagai dua fungsi dari dua variable f(x,y) dimana x dan y merupakan koordinat spasial dan nilai f(x,y) adalah intensitas koordinat tersebut. Citra digital memiliki ukuran N x M dikatakan sebagai

Citra Input

Dekomposisi Baris Haar Dekomposisi

Kolom Haar

Mean Standard

Devation Skewness

Konversi Citra

Training SVM

Testing SVM Hasil

matrix dengan ukuran N baris dan M kolom.[8],[9] Pixel (picture element) pada citra digital merupakan unsur penting yang apabila semua nilai x dan nilai y serta amplitude f berhingga maka disebut dengan citra digital.[8]

Citra digital terdiri dari citra biner, citra grayscale dan citra warna. Pada citra binner terdapat 2 kemungkinan yaitu 1 dan 0 pada setiap komponen pikselnya. Citra warna pada tiap piksel memiliki warna paling sedikit 3 kanal, yaitu Red, Green, dan Blue (RGB).[10] Spesifikasi pada ruang warna terdapat beberapa subruang dimana setiap warna dinyatakan dengan dengan titik yang salih terkait dan memfasilitasi spesifikasi warna yang baku. RGB merupakan ruang warna yang paling umum dan terkenal pada pemprosesan citra, karena warna merah, hijau dan biru memiliki hubungan yang sangat erat. Selain itu citra keabuan merupakan jenis citra yang memiliki satu nilai pixel. Citra keabuan memiliki intensitas 0 hingga 255, nilai 0 mewakili warna hitam dan nilai 255 mewakili warna putih[11].

Terdapat teknik konversi warna RGB menjadi skala keabuan dengan menggunakan persamaan yang ditunjukkan pada Persamaan 1.[12]

𝐺 = (0.299 𝑥 𝑅) + (0.587 𝑥 𝐺) + (0.114 𝑥 𝐵) (1)

Keterangan :

G = Citra setelah dikonvcrsi menjadi citra keabuan R = Citra pada Red Layer

G = Citra pada Green Layer B = Citra pada Blue Layer

2.3 Transformasi Haar Wavelete

Haar Wavelet merupakan metode yang sering digunakan serta memiliki tingkat kesulitan yang relatif lebih rendah.

Metode ini ditemukan oleh Alfred Haar pada tahun 1909 yang digunakan pada proses ekstraksi ciri berupa tekstur citra digital.[14], [15] Haar Wavelet menggunakan dua penapis yaitu Low Pass Filter (LPF) serta High Pass Filter (HPS), sehingga metode ini membagi image menjadi 4 sub-image dimana setiap image yang telah terbagi memiliki

¼ kali citra asli.[16] Sub image yang terbagi berisi elemen frekuensi tinggi dari citra yang asli, selanjutnya setiap image tersebut berada pada sudut atas kiri dan kanan. Proses Low Pass melakukan proses averaging dalam mendapatkan bagian dari citra digital sedangkan pada High Pass terdapat proses differencing untuk mendapatkan bagian dari citra[17]. Pada metode ini menggunakan beberapa persamaan dengan menghitung nilai averaging baris dan kolom serta melakukan proses differencing yang dinyatakan pada Persamaan 1 hingga Persamaan 4.

Averaging Baris

= F((x)(y∗2))+F ((x)(y∗2+1))

√2 (2)

Differencing Baris

= 𝐹((𝑥)(𝑦∗2))−𝐹 ((𝑥)(𝑦∗2+1))

√2 (3)

F = Matrik input pada baris ke – x dan kolom ke-y x = 0, 1, 2, …… n matriks pada baris ke -x y = 0, 1, 2, …… n matriks pada kolom ke -y

Gambar 3. Transformasi Citra Level 1

Langkah awal pada Haar Wavelet adalah dengan menerapkan tiap matriks pada baris citra dan selanjutnya pada tiap-tiap matriks kolom. Pada bagian aproksimasi memiliki beberapa informasi background dan nilai koefisien yang memiliki detail yaitu horizontal, vertical dan diagonal. Setiap langkap pada metode Haar Wavelet level 1, level lebih tinggi diperoleh dari membagi kembali setiap subband rendah atau biasa disebut koefisien aproksimasi menjadi subband yang lebih kecil. transformasi berbasis dekompisisi wavelet terdapat 2 model dekomposisi yaitu dekomposisi perataan dan pengurangan. Dekomposisi perataan melakukan penjumlahan 2 pasang data dan dibagi akar 2.[18] Sedangkan pada dekomposisi perataan ditunjukan pada persamaan dibawah.

Citra Digital

Transformasi Lowpass Transforamasi Highpass

Lowpass pada kolom cA

Highpass pada kolom cH

Lowpass pada kolom cV

Highpass pada kolom cD

𝑝(𝑥) = (^{𝑓(𝑥)+𝑓(𝑥+1)}

√2 (4)

Sedangkan pada dekomposisi pengurangan nilai pada 2 pasang data di bagi dengan akar 2, yang dapat kita pahami dengan model pada Persamaan berikut.

𝑝(𝑥) = (^{𝑓(𝑥)−𝑓(𝑥+1)}

√2 (5)

Dalam wavelet standar Mean digunakan sebagai nilai penentu bagi data, Mean (rerata) merupakan proses menjumlahkan data seluruh kelompok yang dibagi dengan jumlah kelompok dimana Mean didefinisikan melalui Persamaan.

𝜇 = ¹

𝐴𝐵 ∑^𝐴−1_𝑖−0 ∑^𝐴−1_𝑗−0𝑋 (𝑖, 𝑗) (6)

µ merupakan rerata citra dari , X(I,j) yang mendekripsikan nilai pixel pada setiap kolom ke-I serta baris ke-j, A adalah total dari kolom citra, dan B adalah total baris dari citra. Standar deviasi merupakan standar yang menggambarkan penyebaran dalam dalam kontras. Terdapat persamaan yang menggambarkan perhitungan standar deviasi yang dapat kita lihat pada Persamaan berikut.

√ ¹

𝑀𝑁

𝜎= ∑^𝑀−1_𝑖=0 ∑^𝑁−1_𝑗=0(𝑃_𝑖𝑗− 𝜇)² (7)

2.3 Mean

Mean merupakan nilai rerata yang menjadi distribusi dari sebuah citra.[19] Perhitungan matematis dari mean dapat dilihat dari persamaan berikut :

𝜇 ¹

𝑀𝑁∑^𝑀−1_𝑖=0 ∑^𝑁−1_𝑗=0𝑃_𝑖𝑗 (8)

2.4 Skewness

Skewnes merupakan nilai kemiringan relative kurva histogram dari sebuah citra. Berikut merupakan cara menghitung skewness yang ditunjukkan pada Persamaan 9.

∅²= ¹

𝑀𝑁𝜎³∑^𝑀−1_𝑖−0 ∑^𝑁−1_𝑗=0(𝑃_𝑖𝑗− 𝜇)³ (9)

3. HASIL DAN PEMBAHASAN

Pada bab ini akan dibahas mengenai hasil dari pengujian yang telah dilakukan, diantara proses pengujian yang telah dilalui dengan menggunakan 115 citra bakteri. Tahap awal adalah melakukan proses konversi citra dari format asli berbentuk RGB ke format greyscale yang dapat kita lihat pada gambar 4.

Gambar 4. Sampel Citra Bakteri (8 dari 115 citra bakteri)

Citra yang telah dilakukan proses konversi kedalam bentuk grayscale selanjutnya citra tersebut dilakukan pengujian koefisien dan pengujian pada level haar wavelet. Pada pengujian pertama yang telah dilakukan dengan menggunakan model koefisien pada klasifikasi jenis bakteri pada air, proses pengujian koefisien menggunakan beberapa jenis filter DWT dengan menggunakan beberapa level 2 level dekomposisi dan menggunakan 10 epoch.

Tabel 1 menunjukkan bahwa koefisian HL memiliki akurasi yang paling tinggi, hal ini menunjukkan bahwa komponen HL menjadi komponen ciri dari kelas Caliform dan E.Coli.

Tabel 1. Hasil Pengujian Koefisien No Koefisien/ jenis

filter

Akurasi

1 LH 85.65%

No Koefisien/ jenis filter

Akurasi

2 HL 88.70%

3 HH 80.60%

4 LH-HL 83.50%

5 LH-HH 83.50%

6 HL-HH 80.10%

7 LH-HL-HH 83.20%

Setelah pengunjian proses selanjutnya adalah melakukan dekomposisi baris dan dekomposisi kolom.

Dekomposisi dilakukan dengan menggunakan 2 tahapan dari level satu dan level 2 dengan ukuran citra 512 x 512.

Pada proses dekoimposisi barins dilakukan proses perataan dan pengurangan selanjutnya pada proses dekomposisi Proses dekomposisi kolom menghasilkan 4 citra yaitu LL, LH, HL dan HH sebagai citra komponen detail. Citra LL merupakan aproksimasi gambar berbeda dengan LH,HH dan HL yang merupakan komponen detail dari citra tersebut.

Berikutnya proses pengujian dilakukan di tahap proses pengujian level untuk mencari nilai level pada proses ekstraks. Proses pengujian level menggunakan parameter resize 512x512 dengan menggnuakan filter HL dan LL dan nilai epoch sebesar 10. Pada proses pengujian level didapatkan hasil seperti pada table 2.

Tabel 2. Hasil Pengujian Level No Koefisien/Jenis

Filter

Akurasi Level

1 LH 85.65% 1

2 HL 88.70% 1

3 HH 80.60% 1

4 LH-HL 83.50% 1

5 LH-HH 83.50% 1

6 HL-HH 80.10% 1

7 LH-HL-HH 83.20% 1

8 LH 80.20% 2

9 HL 80.05% 2

10 LH-HL 92.40% 2

11 HH 77.40% 2

12 HH-LH 83.20% 2

13 HL-HH 92.40% 2

14 LH-HL-HH 83.20% 2

Tabel 2 memperlihatkan bahwa Koefisien level 1 pada komponen HH memberikan nilai akurasi yang tinggi pada saat level 2 yang disebabkan koefisien tersebut pada saat level 1 memiliki ciri yang kurang dekomposisi, sebaliknya koefisien komponen LH pada level 1 memiliki akurasi yang tinggi dibandingkan dengan level 2, disebabkan ciri yang penting sudah memiliki dekomposisi pada level 1 sehingga terdapat ciri yang hilang pada saat level 2. Proses selanjutnya dilakukan perhitungan mean, devisiasi dan perhitungan skewness dari setiap komponen yang ada. Selanjutnya. Proses klasifikasi menggunakan metode Support Vector Model, dimana pada tahap ini proses klasifikasi dibagi berdasarkan pada proses training SVM dan testing SVM yang menghasilkan output berupa jenis bakteri yang ada pada air.

4. KESIMPULAN

Berdasarkan hasil pengujian yang telah dilakukan dapat disimpulkan bahwa terdapat beberapa garis besar antara lainnya metode haar wavelet dapat mengkategorikan jenis bakteri Caliform dan E.Coli dengan baik sehingga proses ektraksi dapat berjalan dengan baik, selain itu pada proses perhitungan didapatkan tingkat akurasi pengujian level berkisar 77% pada gabungan komponen koefisien LH-HL yang berada pada level 2, serta akurasi maksimal berkisar 90% pada koefisien komponen HH pada level 2. Pada penelitian berikutnya perlu penambahan data citra, selain itu proses pengambilan data citra dapat dilakukan dengan cara realtime sehingga kualitas citra dapat lebih baik. Penambahan jenis bakteri dimungkinkan untuk melihat kestabilan akurasi yang dihasilkan, selain itu beberapa bakteri yang memiliki karakter serta counter yang mirip di eliminasi agar tidak mengganggu proses yang dilalui.

UCAPAN TERIMAKASIH

Terima kasih kami ucapkan kepada Rumah Sakit Fatimah Banyuwangi yang telah memberikan ijin serta bantuan dalam pengambilan data untuk terlaksananya penelitan ini. Ucapan terima kasih juga kami sampaikan kepada

Politeknik Negeri Banyuwangi terutama pada UPT. Penelitian dan Pengabdian Masyarakat yang telah memberikan support dan bimbingannya sehingga penelitian ini dapat terlaksana dengan baik.

REFERENCES

[1] © Springer-Verlag, R. Bolliger, H. Ziirrer, and R. Bachofen, “Applied Microbiology Biotechnology Photoproduction of molecular hydrogen from waste water of a sugar refinery by photosynthetic bacteria,” 1985.

[2] NCBI, “Bacteria Concept,” https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2996186/.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2996186/ (accessed Nov. 09, 2021).

[3] J. M. Ekopai, N. L. Musisi, H. Onyuth, B. Gabriela Namara, and C. Sente, “Determination of Bacterial Quality of Water in Randomly Selected Swimming Pools in Kampala City, Uganda,” New Journal of Science, vol. 2017, pp. 1–

7, Jun. 2017, doi: 10.1155/2017/1652598.

[4] NCBI, “NCBI article,” https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2996186/. Accessed: Nov. 09, 2021. [Online].

Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2996186/

[5] Zikram Wahyu, Amir Arni, and Eka Putra Andani, “Identifikasi Bakteri Escherichia coli (E.coli) pada Air Minum di Rumah Makan dan Cafe di Kelurahan Jati serta Jati Baru Kota Padang”.

[6] D. Pradana, P. Prima Arhandi, and A. T. Firdausi, “JIP (Jurnal Informatika Polinema) APLIKASI PENGHITUNG KOLONI BAKTERI BERBASIS ANDROID”.

[7] R. Kosasih and C. Daomara, “JURNAL MEDIA INFORMATIKA BUDIDARMA Pengenalan Wajah dengan Menggunakan Metode Local Binary Patterns Histograms (LBPH),” vol. 5, pp. 1258–1264, doi:

10.30865/mib.v5i4.3171.

[8] P. Teguh, K. Putra, N. Kadek, and A. Wirdiani, “Pengolahan Citra Digital Deteksi Tepi Untuk Membandingkan Metode Sobel, Robert dan Canny,” AGUSTUS, vol. 2, no. 2, 2014.

[9] D. Satria, “Perbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia Comparison of Histogram and PCA as Feature Extraction Methods in Detecting Stoma in Freycinetia Leaf Images”, [Online]. Available: http://journal.ipb.ac.id/index.php.jika

[10] L. Hakim et al., “SEGMENTASI CITRA PENYAKIT PADA BATANG BUAH NAGA MENGGUNAKAN METODE RUANG WARNA L*A*B*,” Seminar Nasional Terapan Riset Inovatif (SENTRINOV) Ke-6 ISAS Publishing Series: Engineering and Science, vol. 6, no. 1, 2020.

[11] R. Munir, “Segmentasi Citra IF4073 Interpretasi dan Pengolahan Citra,” 2019.

[12] D. Satria, “Perbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia Comparison of Histogram and PCA as Feature Extraction Methods in Detecting Stoma in Freycinetia Leaf Images”, [Online]. Available: http://journal.ipb.ac.id/index.php.jika

[13] P. Porwik, L. Duval, and A. Lisowska, “The Haar-Wavelet Transform in Digital Image Processing: Its Status and Achievements Related papers Mult iresolut ion analysis in t he visible spect rum of Landsat-T M images t hrough Wavelet Tran… Iván Fernando Palacios Orejuela A Panorama on Mult iscale Geomet ric Represent at ions, Int ert wining Spat ial, Direct ional and Frequenc… The Haar-Wavelet Transform in Digital Image Processing: Its Status and Achievements.”

[14] C. Mulcahy, “Image compression using the Haar wavelet transform.”

[15] R. Rizal Isnanto, Imam Santoso, Teguh Dwi Prihartono, Thomas Sri Widodo, Suhardjo, and Adhi Susanto, “SISTEM PENGENALANIRIS MATA BERDASAR TEKSTURMENGGUNAKAN EKSTRAKSI CIRI ENERGI PADA ALIHRAGAM WAVELET HAAR,” JURNAL SISTEM KOMPUTER , vol. 2, no. 1.

[16] Md. Sarker, “Content-based Image Retrieval Using Haar Wavelet Transform and Color Moment,” The Smart Computing Review, vol. 3, no. 3, Jun. 2013, doi: 10.6029/smartcr.2013.03.002.

[17] J. Chandra, S. Tinggi, M. Informatika, D. Komputer, N. Mandiri, and R. S. Wahono, “Integrasi Discrete Wavelet Transform dan Singular Value Decomposition pada Watermarking Citra untuk Perlindungan Hak Cipta,” Journal of Intelligent Systems, vol. 1, no. 2, pp. 127–135, 2015, [Online]. Available: http://journal.ilmukomputer.org

[18] F. Tri Anggraeny, M. Syahrul Munir, U. Widi Atmojo, P. Studi Teknik Informatika, F. Ilmu Komputer, and J. Timur,

“SEGMENTASI K-MEANS CLUSTERING PADA CITRA WARNA DAUN TUNGGAL MENGGUNAKAN MODEL.”