Identifikasi Kematangan Buah Menggunakan Metode Gray Level Co-occurence Matrix pada Citra Digital
Arnes Sembiring1, Sayuti Rahman1,*, Mufida Khairani1, Ilham Faisal1, Sri Eka Riyani Harahap1, Muhammad Zen2
1Prodi Teknik Informatika, Universitas Harapan Medan, Medan, Indonesia
2 Sains dan Teknologi, Sistem Komputer, Universitas Pembangunan Panca Budi, Medan, Indonesia
Email: 1[email protected], 2,*[email protected], 3[email protected], 4[email protected],
5[email protected], 6[email protected] Email Penulis Korespondensi: [email protected] Submitted 25-11-2022; Accepted 25-12-2022; Published 30-12-2022
Abstrak
Di era teknologi informasi saat ini, pemanfaatan citra banyak diterapkan dalam berbagai aspek kehidupan. Beberapa pemanfaatan pengolahan citra diantaranya seperti pada bidang militer, kedokteran, pendidikan, pertanian dan lain sebagainya. Salah satu pemanfaatan pengolahan citra yang akan dibahas dalam penelitian ini adalah dalam bidang pertanian. Para petani dapat memanfaatkan teknologi dalam pemilihan buah dengan tingkat kematangan yang sesuai. Dalam hal pemilihan buah berdasarkan tingkat kematangannya. Para petani buah masih menggunakan cara konvensional (manual) atau dengan indera penglihatan manusia yaitu mata.
Oleh karena itu, penelitian ini dilakukan untuk mengubah cara konvensional (manual), menjadi sistem yang menggunakan teknologi visi komputer untuk klasifikasi kematangan buah. Sistem yang akan digunakan dalam mengidentifikasi kematangan buah menggunakan metode Gray Level Co-occurance Matrix pada citra digital dan Euclidean Distance sebagai metode klasifikasi. Aplikasi ini dibangun dengan menggunakan pemrograman MatLab 2019a. Hasil Pengujian diperoleh bahwa metode Gray Level Co-occurance Matrix dan Euclidean Distance dapat digunakan untuk mengidentifikasi kematangan buah jambu, jeruk, pisang, pepaya dan mangga kedalam tiga kategori yaitu mentah, mengkal dan matang. Metode klasifikasi Gray Level Co-occurance Matrix dan Euclidean Distance berhasil melakukan identifikasi kematangan buah dengan tingkat keberhasilan keseluruhan sebanyak 87%.
Kata Kunci: Pengolahan Citra; Gray Level Co-occurance Matrix; Euclidean Distance, Visi Komputer Abstract
In the current era of information technology, the use of images is widely applied in various aspects of life. Some of the uses of image processing include the fields of military, medicine, education, agriculture and so on. One example of the use of image processing that will be discussed in this study is in the agricultural sector. Farmers can take advantage of technology in selecting fruit with the appropriate maturity level. In terms of selecting fruit based on the level of maturity, some fruit farmers still use the conventional method or with the human sense of sight, namely the eye. Therefore, this study was conducted for preliminary research that can change the conventional method into system that uses technology that makes a computerized way of identifying fruit maturity levels. The system that will be used to identify fruit maturity uses the Gray Level Co-occurance Matrix method on digital images and Euclidean Distance as a classification method. This application is built using MatLab 2019a programming. The test results show that the Gray Level Co- occurance Matrix and Euclidean Distance methods can be used to identify the ripeness of guava, oranges, bananas, papayas and mangoes into three categories, namely raw, unripe and ripe. The Gray Level Co-occurance Matrix and Euclidean Distance classification methods succeeded in identifying fruit maturity with an overall success rate of 87%.
Keywords: Image Processing; Gray Level Co-occurance Matrix; Euclidean Distance; Computer Vision
1. PENDAHULUAN
Buah yang dipanen sebaiknya harus benar-benar masak panen, ini dilakukan agar konsumen merasa puas dengan buah yang dibelinya. Pemetikan buah menjadi kegiatan utama pada saat pemanenan buah. Bila pemetikan tidak dilakukan dengan benar maka kualitas buah pun menjadi kurang baik. Buah kurang berkualitas dapat menurunkan harga jual sehingga berpengaruh pada tingkat pendapatan dan keuntungan petani. Buah yang sudah dipetik sebaiknya disortir berdasarkan ukuran dan tingkat kematangan buah. Para petani buah masih menggunakan cara yang konvensional ketika hendak memilih buah berdasarkan tingkat kematangannya. Hal ini memerlukan waktu dan tenaga yang eksta untuk menyortir dengan baik.
Sistem untuk memilih tingkat kematangan buah sangat diperlukan. Sistem ini diharapkan mampu membantu petani dalam mengklasifikasi buah berdasarkan kematangannya. Kamera digital digunakan untuk mengambil citra yang akan dikenali. Citra atau gambar merupakan salah satu komponen multimedia yang memiliki peranan sangat penting dan mengandung banyak informasi visual. Citra terkadang perlu untuk diolah untuk meningkatkan kualitas citra. Saat ini, pemanfaatan pengolahan citra ini tidak hanya dipakai di bidang militer, kedokteran, industri dan kesehatan, tetapi juga digunakan dalam pertanian atau perkebunan [1].
Dalam dunia pertanian, klasifikasi citra dapat dimanfaatkan untuk berbagai kepentingan, salah satu contohnya yaitu mengidentifikasi tingkat kematangan buah [2], [3]. Klasifikasi citra memanfaatkan visi komputer memungkinkan untuk dapat digunakan lebih efektif atau dan lebih tepat. Salah satu metode yang sering digunakan adalah Gray level co- occurane matrix (GLCM) . GLCM telah banyak digunakan untuk berbagaia klasifikasi objek diantaranya: pengenalan bendera [4], aplikasi identifikasi biometrika telapak tangan [5], untuk pengenalan iris mata [6]. GLCM juga banyak digunakan untuk mengklasifikasi kematangan buah seperti belimbing bintang [7], identifikasi kematangan buah
mentimun [8], identifikasi tingkat kematangan buah strawberry [9], untuk identifikasi kematangan buah jeruk [10], [11], untuk identifikasi kematangan buah tomat [12] dan lain sebagainya.
Pada penelitian ini klasifikasi kematangan buah menggunakan metode GLCM. Euclidean distance adalah algoritma untuk membanding GLCM pada data latih dengan data Uji. Fitur data uji yang diekstaksi oleh GLCM dikenali dengan Euclidean distance, berdasarkan fitur terdekat dari data latih. Ciri tersebut di antaranya adalah ciri warna, ciri tekstur, ciri bentuk, ciri geometri, dan ciri ukuran [13], [14]. Diharapkan penelitian ini dapat menyelesaikan permasalahan petani dalam klasifikasi kematangan buah. Sehingga petani dapat meminimalkan waktu dan tenaga dalam klasifikasi ini.
2. METODOLOGI PENELITIAN
Tahapan penelitian identifikasi kematangan buah menggunakan metode gray level co-occurane matrix pada citra digital untuk mengidentifikasi kematangan buah dengan tahapan berikut : Image Acquicsition , merupakan proses pengambilan citra digital dengan eksitensi “jpg”. Image data Acquicsition adalah mengatur dan memisahkan citra sebagai data latih dan data uji. Feature Exctation merupakan proses untuk melakukan ekstraksi ciri, untuk mendapatkan nilai ciri masing- masing citra baik data latih maupun data uji, Queri Database untuk mengatur database, citra database untuk memudahkan pengenalan pada proses kalsifikasi data, Data Identification adalah proses akhir untuk mengetahui hasil uji kategori buah terhadap kemiripan data pada queri database, hasil akhir adalah kategori buah mentah,matang atau mengkal dari data citra uji. Tahapan metode penelitian diilustrasikan pada Gambar 1 berikut.
Gambar 1. Tahapan Metode Penelitian 2.1 Proses GLCM
Berikut ini merupakan proses perhitungan GLCM menggunakan ke-empat fitur ekstraksinya, yaitu Contrast, Correlation, Energy dan Homogeneity [15], [16]. Proses GLCM dengan menggunakan sudut 0° dapat dilihat pada Tabel 1 dan Tabel 2 dibawah ini.
Tabel 1. Matriks GLCM 3x3
0 1 2 3 4 5
0 0 0 0 0 0 0
1 0 0 0 0 0 0
2 0 0 0 0 0 1
3 0 1 0 0 0 0
4 0 0 0 0 0 1
5 0 0 1 2 0 0
Tabel 2. Matriks GLCM setelah di Normalisasi
0 1 2 3 4 5
0 0 0 0 0 0 0
1 0 0 0 0 0 0
2 0 0 0 0 0 1/6
3 0 1/6 0 0 0 0
4 0 0 0 0 0 1/6
5 0 0 1/6 2/6 0 0
a. Contrast
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ 𝑖∑ 𝑗 (𝑖 − 𝑗)²𝑝(𝑖,𝑗) (1)
= {(2 − 5)2𝑝(2,5) + (3 − 1)2𝑝(3,1) + (4 − 5)2𝑝(4,5) + (5 − 2)2𝑝(5,2) + (5 − 3)²𝑝(5,3)
= {(2 − 5)2𝑝 (1
6) + (3 − 1)2𝑝 (1
6) + (4 − 5)2𝑝 (1
6) + (5 − 2)2𝑝 (1
6) + (5 − 3)²𝑝(2 6)
=9 + 4 + 1 + 9 + 8
6 =31
6
= 5,1667
b. Correlation
µ𝑖 = ∑𝑖 ∑ 𝑖𝑝𝑗 (𝑖,𝑗) (2)
µ𝑖 =2 ∗ 1(2,5)+ 3 ∗ 1(3,1)+ 4 ∗ 1(4,5)+ 5 ∗ 1(5,2)+ 5 ∗ 2(5,3)
6 = 24
6 = 4 µ𝑗 = ∑
𝑖
∑ 𝑗𝑝(𝑖,𝑗) 𝑗
µ𝑗 = 5 ∗ 1(2,5)+ 1 ∗ 1(3,1)+ 5 ∗ 1(4,5)+ 2 ∗ 1(5,2)+ 3 ∗ 2(5,3)
6 = 19
6 = 3,1667
𝜎𝑖 = √∑𝑖 ∑ (𝑖 − µ𝑖)²𝑝𝑗 (𝑖,𝑗) (3)
𝜎𝑖 = (2 −24 6)
2
∗1
6(2,5)+ (3 −24 6)
2
∗1
6(3,1)+ (4 −24 6)
2
∗1
6(4,5)+ (5 −24 6)
2
∗1
6(5,2)+ (5 −24 6)
2
∗2 6(5,3)
𝜎𝑖 = √144 + 36 + 0 + 36 + 72
216 = √288
216= √48
36= 1,1547
𝜎𝑗 = √∑𝑖 ∑ (𝑗 − µ𝑖)²𝑝𝑗 (𝑖,𝑗) (4)
𝜎𝑗 = (5 −19 6)
2
∗1
6(2,5)+ (1 −19 6)
2
∗1
6(3,1)+ (5 −19 6)
2
∗1
6(4,5)+ (2 −19 6)
2
∗1
6(5,2)+ (3 −19 6)
2
∗2 6(5,3)
𝜎𝑗 = √121 + 169 + 121 + 49 + 2
216 = √462
216= √77
36= 1,4624
𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑𝑖 ∑ (𝑖−µ𝑖)(𝑗−µ𝑗)𝑝(𝑖,𝑗) 𝜎𝑖 𝜎𝑗
𝑗 (5)
=
(2 −24
6) ∗ (5 −19 6) ∗1
6(2,5)
√4836∗ √77 36
+
(3 −24
6) ∗ (1 −19 6) ∗1
6(3,1)
√4836∗ √77 36
+
(4 −24
6) ∗ (5 −19 6) ∗1
6(4,5)
√4836∗ √77 36
+
(5 −24
6) ∗ (2 −19 6) ∗1
6(5,2)
√4836∗ √77 36
+
(5 −24
6) ∗ (3 −19 6) ∗2
6(5,3)
√4836∗ √77 36
=(−132) + (78) + (11) + (−42) + (−12) 6 ∗ √48 ∗ 77
= −97
6 ∗ √48 ∗ 77
= −97
6 ∗ 60,794
= −97
364,764= −0,2659 c. Energy
𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑ 𝑝(𝑖, 𝑗)²𝑖 𝑗 (6)
= (1
6) ² (2,5)+ (1
6) ² (3,1)+ (1
6) ² (4,5)+ (1
6) ² (5,2)+ (2
6) ² (5,3)
=12+ 12+ +12+ 12+ 2² 6²
= 8
36= 0,2222
d. Homogeneity
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑𝑖 ∑ 𝑝(𝑖,𝑗)
1+ǀ𝑖−𝑗ǀ
𝑗 (7)
= 1 6(2,5)
1 + ǀ2 − 5ǀ+ 1 6(3,1)
1 + ǀ3 − 1ǀ+ 1 6(4,5)
1 + ǀ4 − 5ǀ+ 1 6(5,2)
1 + ǀ5 − 2ǀ+ 1 6(5,3)
1 + ǀ5 − 3ǀ
= 1 24+ 1
18+ 1 12+ 1
24+ 2 18
= 2 24+ 2
18+ 1 12
= 1 12+1
9+ 1 12
= 2 12+1
9
=6 + 4 36 = 10
36= 0,2778
Dengan demikian, ekstraksi ciri matriks GLCM 3x3 sudut 0° adalah sebagai berikut : 𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = 5,1667
𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = −0,2659 𝐸𝑛𝑒𝑟𝑔𝑦 = 0,2222 𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = 0,2778
Tiap sudut GLCM memiliki 4 ekstraksi fitur. Dalam satu citra dapat digunakan 4 sudut ketetanggaan piksel. Oleh karena itu, dalam satu citra dapat menghasilkan 16 ekstraksi fitur yang memiliki karakternya masing-masing. Hasil ekstrasi fitur tersebut selanjutnya dapat digunakan dalam proses klasifikasi atau identifikasi citra dengan algoritma klasifikasi yang digunakan dalam penelitian ini adalah jarak Euclidean.
2.2 Proses Euclidean Distance
Proses yang dilakukan dengan membandingkan kedekatan nilai jarak dari dua buah variabel yaitu antara citra uji dengan citra acuan untuk mencari nilai jarak terdekat. Hasil perhitungan yang digunakan sebagai perbandingan adalah nilai yang paling kecil (jarak yang paling dekat) [17], [18]. Berikut rumus yang digunakan untuk menghitung jarak dengan jarak euclidean :
𝑑 (𝑥, 𝑦) = √∑𝑛𝑖=1(𝑥𝑖−𝑦𝑖)² (8)
Keterangan :
𝑑(𝑥, 𝑦) adalah jarak antara data x ke data y 𝑥𝑖 adalah data testing ke-i
𝑦𝑖 adalah data training ke-i
3. HASIL DAN PEMBAHASAN
Implementasi sistem adalah langkah terakhir dari proses pengembangan sistem identifikasi kematangan buah untuk mengidentifikasi buah kedalam kategori masak, mengkal dan masak. Sebelum di implementasikan aplikasi harus melewati tahap pengujian. Agar aplikasi yang telah dirancang dapat diimplementasikan, maka dibutuhkan perangkat- perangkat berikut ini:
a. Perangkat Keras (Hardware)
Laptop Processor Intel(R) Core(TM) i5-3210M CPU @ 2.50GHz 2.50 GHz, RAM 4,00 GB, System type 64 bit operating system, x64-based processor
b. Perangkat Lunak (Software)
1. MATLAB Starter Application R2019a 2. Handphone
Sistem identifikasi kematangan buah ini terdiri dari satu axes, yang berfngsi menampilkan gambar buah yang akan diidentifikasi kematangannya. Pada sistem ini terdiri dari tiga push button. Tombol tambah gambar berfungsi untuk membuka jendela open file dialog, dan kemudian mencari gambar buah yang diinginkan. Sebelum memasukkan gambar, pengguna terlebih dahulu harus memilih jenis buah yang akan diklasifikasi. Sedangkan untuk mendapatkan informasi nilai GLCM pengguna dapat mengarahkan kursor ke tombol tampilkan nilai ekstraksi ciri dan untuk mendapatkan hasil
akhir identifikasi gambar buah yang telah dimasukkan, pengguna dapat mengklik tombol tampilkan kategori maka sistem akan menampilkan hasilnya. Berikut tampilan sistem seperti ditampilkan pada Gambar 2.
Gambar 2. Tampilan sistem 3.1 Pengujian Sistem
Setelah sistem siap dibangun, maka perlu dilakukan pengujian terhaadap sistem untuk mengetahui keberhasilan sistem yang telah dibangun. Berikut ini adalah tampilan pengujian sistem untuk identifikasi kematanggan buah seperti ditampilkan pada Gambar 3.
Gambar 3. Pengujian Sistem pada Buah Pisang Masak
Pada Gambar 3 dapat dilihat hasil dari proses identifikasi buah pisang masak. Buah ini memiliki rata-rata nilai GLCM Contrast 0.067712, Correlation 0.98812, Energy 0.20246 dan Homogeneity 0.96751. Dengan hasil klasifikasi menggunakan jarak euclidean, menghasilkan buah pisang masak.
Gambar 4. Pengujian Sistem pada Buah Pisang Mengkal
Pada Gambar 4 dapat dilihat hasil dari proses identifikasi buah pisang mengkal. Buah ini memiliki rata-rata nilai GLCM Contrast 0.039946, Correlation 0.99143, Energy 0.482 dan Homogeneity 0.98078. Dengan hasil klasifikasi menggunakan jarak euclidean seharusnya menghasilkan buah pisang mengkal.
Gambar 5. Pengujian Sistem pada Buah Pisang Mentah
Pada Gambar 5 dapat dilihat hasil dari proses identifikasi buah pisang mentah. Buah ini memiliki rata-rata nilai GLCM Contrast 0.10035, Correlation 0.98357, Energy 0.16185 dan Homogeneity 0.95182. Dengan hasil klasifikasi menggunakan jarak euclidean menghasilkan buah pisang mentah.
3.2 Hasil Pengujian
Tabel 3 berikut ini merupakan hasil identifikasi dari sistem yang telah dibangun. Tabel hasil identifikasi ini akan memperlihatkan tingkat keberhasilan sistem yang telah dibangun untuk mengidentifikasi kematangan beberapa buah yang sudah ditentukan.
Tabel 3. Hasil Pengujian
No Gambar Hasil Identifikasi Keberhasilan
1. Pepaya Masak Berhasil
2. Pepaya Mengkal Berhasil
3. Pepaya Mentah Berhasil
4. Pisang Masak Berhasil
5. Pisang Mengkal Berhasil
6. Pisang Mentah Berhasil
7. Mangga Masak Berhasil
8. Mangga Mengkal Tidak Berhasil
9. Mangga Mentah Berhasil
10. Jambu Biji Masak Tidak Berhasil
11. Jambu Biji Mengkal Berhasil
12. Jambu Biji Mentah Berhasil
13. Jeruk Masak Berhasil
14. Jeruk Mengkal Berhasil
15. Jeruk Mentah Berhasil
Berdasarkan pengujian yang telah dilakukan, setelah dilakukan pengukuran terhadap keberhasilan sistem dalam mengidentifikasi beberapa buah dapat disimpulkan hasil akurasi data secara keseluruhan sebesar 87%.
4. KESIMPULAN
Berdasarkan dari pembahasan dan pengujian sistem identifikasi buah untuk mengetahui tingkat kematangan buah, penulis dapat mengambil kesimpulan berdasarkan hasil dari analisis pada tahap pelatihan dan pengujian pada sistem yang telah dibangun, metode gray level co-occurance matrix dan euclidean distance dapat digunakan untuk pengolahan citra digital untuk kematangan buah yaitu jambu, mangga, pepaya, pisang dan jeruk menjadi buah yang termasuk kedalam kategori masak, mengkal dan mentah dengan tingkat akurasi data secara keseluruhan yaitu 87%. Parameter yang digunakan untuk menyatakan buah tersebut mentah, mengkal dan matang adalah dari nilai ekstraksi ciri menggunakan GLCM yaitu nilai contrast, correlation, energy dan homogeneity. Citra uji dibandingkan dengan citra latih menggunakan euclidean distance pada nilai GLCM untuk menentukan tingkat kematanngan buah. Hasil akurasi didapatkan dengan menghitung data citra yang berhasil diuji dibandingkan dengan banyaknya jumlah data yang diuji lalu dikalikan dengan 100%.
REFERENCES
[1] S. Rahman, Belajar Teknik Pengolahan Citra Dengan Mudah. Yogyakarta: Deepublish, 2018.
[2] A. Ciputra, E. H. Rachmawanto, And A. Susanto, “Klasifikasi Tingkat Kematangan Buah Apel Manalagi Dengan Algoritma Naive Bayes Dan Ekstraksi Fitur Citra Digital,” Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, Vol. 9, No. 1, Pp.
465–472, 2018.
[3] W. Harefa And U. Pato, “Evaluasi Tingkat Kematangan Buah Terhadap Mutu Tepung Pisang Kepokyang Dihasilkan.” Riau University, 2017.
[4] E. F. Ananta, S. Rahman, And N. I. Syahputri, “Aplikasi Identifikasi Motif Bendera Pada Setiap Negara Menggunakan Matlab,”
In Seminar Nasional Teknologi Informasi & Komunikasi, 2020, Vol. 1, No. 1, Pp. 27–32.
[5] S. Rahman And M. Ulfayani, “Tangan Menggunakan Metode Freeman Chain Code,” Cess (Journal Of Computer Engineering System And Science), Vol. 2, No. 2, Pp. 64–73, 2017, Doi: Https://Doi.Org/10.24114/Cess.V2i2.6195.
[6] S. Rahman And U. Sahira, “Pengenalan Iris Mata Menggunakan Metode Template Matching Correlation,” (Jurti) Jurnal Teknologi Informasi, Vol. 2, No. 2, Pp. 105–112, 2018.
[7] Q. Shandy, S. S. Panna, And Y. Malago, “Penerapan Metode Grey Level Co-Occurrence Matriks (Glcm) Dan K-Nearest Neighbor (K-Nn) Untuk Mendeteksi Tingkat Kematangan Buah Belimbing Bintang,” Jurnal Cosphi, Vol. 3, No. 1, 2019.
[8] A. M. Nur And F. Farhurrahman, “Identifikasi Kematangan Buah Mentimun Berbasis Citra Digital Menggunakan Jaringan Syaraf Tiruan Backpropagation,” Infotek: Jurnal Informatika Dan Teknologi, Vol. 2, No. 1, Pp. 27–33, 2019.
[9] D. T. Hermanto, S. Megira, D. Ninosari, And K. Kusrini, “Identifikasi Tingkat Kematangan Buah Strawberry Menggunakan Gray Level Co-Occurance Matrix (Glcm) Dan Laplacian Filter,” Semnasteknomedia Online, Vol. 6, No. 1, Pp. 2–5, 2018.
[10] J. W. Mukti, “Identifikasi Tingkat Kematangan Buah Jeruk Menggunakan Glcm Berdasarkan Warna Kulit.” Stmik Global Informatika Mdp, 2022.
[11] K. C. Pelangi, “Sistem Cerdas Dalam Klasifikasi Kematangan Buah Jeruk Berdasarkan Fitur Ekstraksi Glcm Dengan Metode Naïve Bayes,” Jurnal Teknologi Dan Manajemen Informatika, Vol. 5, No. 2, 2019.
[12] S. Purwandani And L. Anifah, “Identifikasi Kematangan Buah Tomat Berbasis L* A* B Color Dan Gray Level Co-Occurrence Matrix Menggunakan K-Means Clustering,” Jurnal Teknik Elektro, Vol. 8, No. 2, 2019.
[13] A. Humeau-Heurtier, “Texture Feature Extraction Methods: A Survey,” Ieee Access, Vol. 7, Pp. 8975–9000, 2019.
[14] W. K. Mutlag, S. K. Ali, Z. M. Aydam, And B. H. Taher, “Feature Extraction Methods: A Review,” In Journal Of Physics:
Conference Series, 2020, Vol. 1591, No. 1, P. 12028.
[15] S. Singh, D. Srivastava, And S. Agarwal, “Glcm And Its Application In Pattern Recognition,” In 2017 5th International Symposium On Computational And Business Intelligence (Iscbi), 2017, Pp. 20–25.
[16] M. Hall-Beyer, “Glcm Texture: A Tutorial V. 3.0 March 2017,” 2017.
[17] F. D. Aferi, T. W. Purboyo, And R. E. Saputra, “Cotton Texture Segmentation Based On Image Texture Analysis Using Gray Level Co-Occurrence Matrix (Glcm) And Euclidean Distance,” Int. J. Appl. Eng. Res, Vol. 13, No. 1, Pp. 449–455, 2018.
[18] L. Wang, Y. Zhang, And J. Feng, “On The Euclidean Distance Of Images,” Ieee Transactions On Pattern Analysis And Machine Intelligence, Vol. 27, No. 8, Pp. 1334–1339, 2005.
