dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(Ij|Q)=n[1-(1-P(CSj|CS))… …x(1-P(CTj|CT))]
(21)
dengan n adalah jumlah citra pada basis data, P(CSj|CS) merupakan kemiripan vektor antara citra kueri dan citra basis data pada penciri morfologi. P(CTj|CT) merupakan kemiripan antara citra kueri dan citra basis data pada penciri tekstur. P(CSj|CS) dihitung P(CTj|CS) dengan menggunakan cosine similarity.
helai daun yang digunakan dapat dilihat pada Lampiran 1. Praproses Citra helai daun yang berukuran 150x250 piksel dengan tipe RGB diubah menjadi citra bertipe grayscale dengan menggunakan fungsi RGB2GRAY. Kemudian untuk mendapatkan ekstraksi morfologi, citra grayscale diubah ke dalam bentuk citra biner dengan menggunakan fungsi IM2BW. Kemudian, citra biner dibersihkan dengan 3x3 rectangular averaging filter. Hasil dari praproses dapat dilihat pada Gambar 9.
Evaluasi Hasil Temu Kembali Citra Hasil temu kembali citra dapat diperoleh dengan cara mengukur tingkat kemiripan antara citra kueri dan citra basis data. Citra yang memiliki tingkat kemiripan yang tinggi dengan citra kueri adalah citra yang ditemukembalikan. Setelah mendapatkan hasil citra yang ditemukembalikan selanjutnya ialah melakukan evaluasi. Evaluasi ini dilakukan untuk mengukur tingkat keberhasilan dalam proses temu kembali citra. Pengujian yang dilakukan ialah dengan menghitung nilai recall dan precision dari proses temu kembali citra berdasarkan penilaian relevansinya dan uji statistika untuk mengetahui apakah ada perbedaan secara signifikan nilai recallprecision yang diperoleh tanpa menggunakan ciri morfologi Lp dan Wp dengan nilai recallprecision yang diperoleh dengan menambahkan ciri Lp dan Wp secara manual dan automatis. Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah komputer dengan prosesor Intel(R) Pentium(R) Dual CPU T2930 @ 1.86 GHz, RAM 1.5 GB dan harddisk 80 GB. Perangkat lunak …… adalah sistem operasi Windows 7 ultimate, Matlab R2008b dan IBM SPSS Statistics 19.
HASIL DAN PEMBAHASAN Data Data yang digunakan ialah citra daun yang terdiri atas sebelas kelas daun yaitu alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Citra tersebut disimpan dalam bentuk format JPG, dengan ukuran 150x250 piksel. Jumlah citra dari setiap kelas daun ada 100, sehingga total citra ada 1100 buah. Contoh citra
a
b
c
d
Gambar 9 (a) Citra RGB, (b) Citra grayscale, (c) Citra biner, (d) Citra setelah noise dihilangkan. Hasil Ekstraksi Ciri Pada proses ekstraksi ciri ada dua proses yang dilakukan yaitu ekstrasi ciri morfologi dan ciri tekstur. Hasil Ekstrasi Ciri Morfologi Ekstraksi ciri morfologi dilakukan untuk mendapatkan nilai Lp dan Wp. Proses untuk mendapatkan nilai Lp dilakukan dengan cara mencari nilai dua ujung titik, yaitu ujung pangkal bagian atas daun dan ujung pangkal bawah daun (tulang daun primer). Setelah itu jarak kedua titik tersebut diukur dengan menggunakan metode euclidean distance. Untuk mendapatkan nilai Wp dilakukan dengan mengukur kemiringan (sudut) ujung pangkal daun bagian atas dan ujung pangkal bagian bawah, sehingga didapat nilai (β). Kemudian citra helai daun dirotasi dengan sudut sebesar (β). Setelah itu nilai Wp didapat dengan mencari nilai terbesar dari garis terpanjang yang tegak lurus dengan Lp. Ilustrasi teknik untuk
6
mendapatkan Lp dan Wp dapat dilihat pada Gambar 10.
Gambar 10 Ilustrasi untuk mencari Lp dan Wp. Hasil dari ektrasi ciri morfologi adalah matriks yang berukuran 12x1100. Setiap citra direpresentasikan vektor yang terdiri atas12 elemen yaitu, diameter, leaf area, leaf perimeter, smooth factor, form factor, perimeter of ratio, physiological length, physiological width, aspect ratio, rectangularity, narrow factor, dan perimeter of physiological length and physiological width. Kemudian 1100 adalah jumlah citra yang ada pada basis data. Hasil Ekstraksi Ciri Tekstur Hasil dari ekstraksi ciri tekstur direpresentasikan dalam bentuk matriks yang berukuran 7x1100, dengan elemen yang terdiri atas contrast, correlation, energy, homogeneity, maximum probability, moment, entrophy. Hasil dari ekstraksi ciri morfologi dan tekstur dapat dilihat pada Gambar 11. Hasil Temu Kembali Citra yang ditemukembalikan ialah citra yang memiliki kesamaan paling dekat dengan citra kueri, baik ciri morfologi, tekstur dan gabungan kedua ciri tersebut. Hasil temu kembali dengan ciri morfologi, ciri tekstur dan gabungan keduanya dapat dilihat di Lampiran 2. Adanya tambahan ciri morfologi berupa physiological length dan physiological width meningkatkan nilai hasil temu kembali. Sebagai contoh pada Gambar 12 (Annisa 2009), didapat hasil temu kembali yang relevan berjumlah 12, dan yang tidak relevan 25 Dengan tambahan ciri morfologi physiological length dan physiological width dapat dilihat pada Gambar 13 bahwa hasil temu kembali yang relevan meningkat menjadi 18 dan yang tidak relevan 19. Perbedaan hasil temu kembali untuk ciri morfologi dapat dilihat pada Gambar 12 dan 13
7
Gambar 11 Hasil ekstraksi ciri morfologi dan tekstur.
Gambar 12 Hasil temu kembali menggunakan penciri model ciri morfologi tanpa Lp dan Wp.
8
Gambar 13 Hasil temu kembali menggunakan penciri model ciri morfologi dengan tambahan Lp dan Wp. Evaluasi Temu Kembali Evaluasi temu kembali citra dilakukan dengan cara menghitung nilai recall precision. Nilai tersebut dihitung dengan menjadikan citra pada masing-masing kelas sebagai citra kueri. Tabel 1 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada penciri morfologi, tekstur dan Bayesian Network untuk kelas alpukat. Perubahan nilai MAP pada penciri morfologi mengalami peningkatan, hal tersebut diperoleh dari nilai awal MAP sebesar 0.1606 menjadi 0.2134. Kemudian untuk penciri tekstur tidak ada perubahan nilai MAP, Pada penciri Bayesian Network diperoleh nilai awal MAP sebesar 0.1939 menjadi 0.2362. Secara umum terlihat bahwa pada kelas alpukat terjadi peningkatan nilai MAP dengan adanya tambahan Lp dan Wp. Selain itu Tabel 1 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dengan metode automatis dan metode manual. Pada metode automatis nilai Lp diperoleh dengan menggunakan program komputer. Pada metode manual nilai Lp diperoleh dengan asumsi titik ujung pangkal daun sudah ditentukan diawal. Nilai MAP yang diperoleh dengan metode automatis adalah 0.2228 untuk penciri morfologi dan 0.2415 untuk Bayesian Network. Nilai MAP dengan metode manual adalah 0.2134 untuk penciri morfologi dan 0.2363 untuk Bayesian Network.
Tabel 2 memberikan gambaran perubahan precision rata-rata (MAP) pada kelas jamblang seperti halnya Tabel 1. Perubahan nilai MAP pada penciri morfologi mengalami penurunan, hal tersebut dapat dilihat dari nilai awal MAP sebesar 0.4606 menjadi 0.4586. Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk penciri Bayesian Network diperoleh nilai awal MAP 0.4667 menjadi 0.4637. Untuk kelas jamblang, secara umum mengalami penurunan nilai MAP. Selain itu Tabel 2 memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Nilai MAP yang diperoleh dengan metode automatis adalah 0.4554 untuk penciri morfologi dan 0.4632 untuk Bayesian Network, sedangkan pada metode manual nilai MAP yang diperoleh adalah 0.4586 untuk penciri morfologi dan 0.4637 untuk Bayesian Network.
9
Tabel 1 Perbandingan nilai recallprecision dan MAP untuk kelas alpukat Recall
Tambahan Lp dan Wp
Tanpa Lp dan Wp
Automatis
Bayesian Morfologi
Tekstur
Manual
Morfologi
Tekstur
0.0
1.0000
1.0000
1.0000
1.0000
1.0000
Bayesian Morfologi 1.0000
1.0000
Tekstur 1.0000
Bayesian 1.0000
0.1
0.1981
0.2593
0.2293
0.2435
0.2593
0.2699
0.2376
0.2593
0.2608
0.2
0.1709
0.2112
0.1919
0.1810
0.2112
0.2003
0.1757
0.2112
0.1975
0.3
0.1441
0.1725
0.1625
0.1531
0.1725
0.1679
0.1530
0.1725
0.1690
0.4
0.1272
0.1466
0.1396
0.1380
0.1466
0.1462
0.1382
0.1466
0.1476
0.5
0.1099
0.1157
0.1129
0.1178
0.1157
0.1186
0.1174
0.1157
0.1187
0.6
0.0987
0.0949
0.0957
0.1021
0.0949
0.0971
0.1012
0.0949
0.0969
0.7
0.0993
0.0961
0.0972
0.1028
0.0961
0.0995
0.1017
0.0961
0.0992
0.8
0.1046
0.0994
0.1017
0.1064
0.0994
0.1025
0.1056
0.0994
0.1021
0.9
0.1046
0.0988
0.1022
0.1052
0.0988
0.1024
0.1048
0.0988
0.1022
1.0
0.1020
0.0960
0.1002
0.1035
0.0960
0.1007
0.1034
0.0960
0.1006
MAP
0.1606
0.2134
0.1939
0.2134
0.2134
0.2362
0.2228
0.2134
0.2415
Tabel 2 Perbandingan nilai recallprecision dan MAP untuk kelas jamblang
Recall
Tambahan Lp dan Wp
Tanpa Lp dan Wp Automatis
Manual
0.0
Morfologi 1.0000
Tekstur 1.0000
Bayesian 1.0000
Morfologi 1.0000
Tekstur 1.0000
Bayesian 1.0000
Morfologi 1.0000
Tekstur 1.0000
Bayesian 1.0000
0.1
0.8320
0.7228
0.8679
0.7944
0.7228
0.8655
0.7940
0.7228
0.8473
0.2
0.6210
0.6147
0.7321
0.6404
0.6147
0.7678
0.5731
0.6147
0.7317
0.3
0.4622
0.5435
0.6572
0.4521
0.5435
0.6788
0.4119
0.5435
0.6417
0.4
0.3911
0.4641
0.5707
0.3137
0.4641
0.5530
0.2493
0.4641
0.4913
0.5
0.1300
0.1693
0.1836
0.1158
0.1693
0.1662
0.1109
0.1693
0.1476
0.6
0.0792
0.0882
0.0874
0.0758
0.0882
0.0872
0.0749
0.0882
0.0871
0.7
0.0849
0.0961
0.0953
0.0816
0.0961
0.0951
0.0807
0.0961
0.0951
0.8
0.0915
0.1037
0.1028
0.0882
0.1037
0.1024
0.0871
0.1037
0.1024
0.9
0.0973
0.1076
0.1068
0.0932
0.1076
0.1063
0.0922
0.1076
0.1063
1.0
0.0922
0.0956
0.0951
0.0918
0.0956
0.0950
0.0917
0.0956
0.0950
MAP
0.4604
0.4505
0.4667
0.4586
0.4505
0.4637
0.4554
0.4505
0.4632
Tabel 3 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada kelas jambu biji. Perubahan nilai MAP pada penciri morfologi mengalami peningkatan, hal tersebut dapat dilihat dari nilai awal MAP sebesar 0.1515 menjadi 0.1649. Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk Bayesian Network nilai awal MAP sebesar 0.1586 menjadi 0.1632. Secara umum perubahan nilai MAP pada kelas jambu biji mengalami peningkatan. Selain itu Tabel 3 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Pada metode automatis nilai MAP yang diperoleh adalah 0.1649 untuk penciri
morfologi dan 0.1670 untuk Bayesian Network. Pada metode manual nilai MAP yang diperoleh adalah 0.1635 untuk penciri morfologi dan 0.1632 untuk Bayesian Network. Tabel 4 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada kelas manggis. Perubahan nilai MAP pada penciri morfologi mengalami penurunan, hal tersebut dapat dilihat dari nilai awal MAP yaitu 0.1767 menjadi 0.1635. Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk Bayesian Network nilai awal MAP sebesar 0.1874 menjadi 0.1796. Perubahan nilai MAP pada kelas manggis tidak secara umum mengalami peningkatan maupun penurunan.
10
Kemudian Tabel 4 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Pada metode automatis nilai MAP yang diperoleh adalah 0.1635 untuk penciri morfologi dan 0.1874 Bayesian Network. Pada metode manual nilai MAP yang diperoleh adalah 0.1781 untuk penciri morfologi dan 0.1878 untuk Bayesian Network.
Selanjutnya untuk tabel perbandingan recallprecision dan MAP untuk kelas daun bisbul, cokelat, durian jambu biji, kepel, menteng dan nangka dapat dilihat pada Lampiran 3.
Tabel 3 Perbandingan nilai recallprecision dan MAP kelas jambu biji Tambahan Lp dan Wp Tanpa Lp dan Wp
Automatis
Manual
Recall
Morfologi
Tekstur
Bayesian
Morfologi
Tekstur
Bayesian
Morfologi
Tekstur
Bayesian
0.0
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1
0.4903
0.4556
0.4972
0.5179
0.4556
0.4943
0.4979
0.4556
0.4792
0.2
0.4109
0.3774
0.4088
0.4162
0.3774
0.4083
0.3932
0.3774
0.3936
0.3
0.3251
0.2990
0.3207
0.3353
0.2990
0.3402
0.3207
0.2990
0.3332
0.4
0.2551
0.2559
0.2626
0.2684
0.2559
0.2733
0.2618
0.2559
0.2714
0.5
0.1254
0.1276
0.1332
0.1344
0.1276
0.1369
0.1357
0.1276
0.1382
0.6
0.0725
0.0703
0.0712
0.0730
0.0703
0.0712
0.0729
0.0703
0.0711
0.7
0.0786
0.0773
0.0774
0.0794
0.0773
0.0777
0.0792
0.0773
0.0777
0.8
0.0862
0.0851
0.0848
0.0870
0.0851
0.0852
0.0868
0.0851
0.0852
0.9
0.0943
0.0927
0.0927
0.0949
0.0927
0.0928
0.0947
0.0927
0.0928
1.0
0.0951
0.0935
0.0935
0.0955
0.0935
0.0935
0.0953
0.0935
0.0934
MAP
0.1515
0.1680
0.1586
0.1649
0.1680
0.1670
0.1635
0.1680
0.1632
Tabel 4 Perbandingan nilai recallprecision dan MAP kelas manggis Tanpa Lp dan Wp
Tambahan Lp dan Wp
Recall
Automatis
Manual
Morfologi
Tekstur
Bayesian
Morfologi
Tekstur
Bayesian
Morfologi
Tekstur
Bayesian
0.0
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1
0.3928
0.4315
0.4561
0.3720
0.4315
0.4535
0.3802
0.4315
0.4550
0.2
0.2949
0.3254
0.3325
0.2868
0.3254
0.3268
0.2885
0.3254
0.3355
0.3
0.1943
0.2721
0.2453
0.1938
0.2721
0.2424
0.1902
0.2721
0.2440
0.4
0.1692
0.2433
0.2085
0.1667
0.2433
0.1964
0.1662
0.2433
0.2058
0.5
0.1590
0.2111
0.1775
0.1476
0.2111
0.1669
0.1575
0.2111
0.1767
0.6
0.1515
0.1659
0.1574
0.1408
0.1659
0.1556
0.1506
0.1659
0.1577
0.7
0.1454
0.1526
0.1536
0.1278
0.1526
0.1459
0.1436
0.1526
0.1536
0.8
0.1253
0.1397
0.1358
0.1229
0.1397
0.1340
0.1251
0.1397
0.1359
0.9
0.1249
0.1365
0.1341
0.1217
0.1365
0.1328
0.1241
0.1365
0.1340
1.0
0.1163
0.1213
0.1203
0.1112
0.1213
0.1203
0.1147
0.1213
0.1200
MAP
0.1767
0.1965
0.1874
0.1635
0.1965
0.1796
0.1781
0.1965
0.1878
11
Secara umum adanya tambahan Lp dan Wp dapat meningkatkan nilai recallprecision serta MAP. Hal tersebut dapat dilihat pada Tabel 5 dan Tabel 6. Berdasarkan ciri morfologi, kelas daun yang mengalami peningkatan terjadi pada kelas alpukat, cokelat, durian, jambu biji, jambu bol, dan nangka. Peningkatan nilai ciri morfologi dikarenakan pada kelas daun tersebut memiliki ciri morfologi yang lebih beragam, sehingga adanya tambahan ciri physiological length dan physiological width memengaruhi nilai dari ciri morfologi secara umum (Tabel 5). Kelas daun yang mengalami penurunan terjadi pada kelas bisbul, jamblang, kepel, manggis, menteng. Penurunan nilai ciri morfologi dikarenakan pada kelas daun tersebut memiliki ciri morfologi yang lebih seragam, sehingga adanya tambahan ciri physiological length dan physiological width tidak begitu memengaruhi untuk peningkatan temu kembali secara umum (Tabel 5). Selanjutnya berdasarkan model Bayesian Network kelas daun yang mengalami peningkatan nilai terjadi pada kelas alpukat, cokelat, durian, jambu biji, jambu bol, menteng. Peningkatan pada nilai ciri morfologi dikarenakan nilai ciri morfologi pada kelas tersebut mengalami peningkatan (Tabel 5). Kelas daun yang mengalami penurunan terjadi pada kelas bisbul, jamblang, kepel, manggis, nangka. Penurunan pada nilai ciri model Bayesian Network dikarenakan nilai ciri morfologi pada kelas tersebut mengalami penurunan (Tabel 5).
Pada Tabel 6 tersaji nilai precision rata-rata (MAP) dari setiap kelas daun. Nilai MAP terbesar terjadi pada kelas daun jamblang, sedangkan untuk nilai MAP terkecil terjadi pada kelas daun kepel. Tabel 5 Nilai perubahan ciri morfologi dengan tambahan Lp dan Wp Kelas Alpukat Bisbul Cokelat Durian Jamblang Jambu biji Jambu Bol Kepel Manggis Menteng Nangka
Delta Morfologi 0.0528 -0.0079 0.0485 0.0708 -0.0018 0.0133 0.0112 -0.0208 -0.0132 -0.0027 0.0001
Delta Bayesian 0.0422 -0.0137 0.0376 0.0383 -0.0030 0.0083 0.0015 -0.0182 -0.0078 0.0022 -0.0119
Gambar 14 memberikan gambaran bahwa secara umum nilai precision rata-rata (MAP) dari seluruh kelas meningkat 0.1503 untuk ciri morfologi dan 0.0756 untuk ciri dengan model Bayesian Network. Peningkatan secara signifikan tejadi pada titik recall 0.1 sampai dengan 0.5, sedangkan untuk titik 0.6 sampai dengan 1 memiliki kecenderungan nilai yang sama.
Tabel 6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan Lp dan Wp Kelas Alpukat Bisbul Cokelat Durian Jamblang Jambu biji Jambu Bol Kepel Manggis Menteng Nangka
Tanpa Lp dan Wp (Annisa 2009) Morfologi Tekstur Bayesian 0.1606 0.2134 0.1939 0.1782 0.0984 0.1541 0.1247 0.1104 0.1201 0.2112 0.1784 0.2211 0.4604 0.4505 0.4667 0.1515 0.1680 0.1586 0.2527 0.1309 0.1890 0.1255 0.1333 0.1316 0.1767 0.1965 0.1874 0.1305 0.1704 0.1557 0.1689 0.2006 0.2066
Tambahan Lp dan Wp Morfologi Tekstur Bayesian 0.2134 0.2134 0.2362 0.1703 0.0984 0.1405 0.1732 0.1104 0.1576 0.2820 0.1784 0.2594 0.4586 0.4505 0.4637 0.1649 0.1680 0.1670 0.2639 0.1309 0.1906 0.1048 0.1333 0.1134 0.1635 0.1965 0.1796 0.1277 0.1704 0.1578 0.1690 0.2006 0.1947
12
Grafik perbandingan nilai rata-rata Morfologi, Tekstur dan Bayesian 1 0.9
Morfologi
0.8 Tekstur
Precision
0.7 0.6 0.5 0.4
Bayesian
0.3
Morfologi dengan Lp dan Wp
0.2
Tekstur dengan Lp dan Wp
0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Recall
Bayesian dengan Lp dan Wp
Gambar 14 Grafik perbandingan recall precision menggunakan ciri morfologi, tekstur, dan model Bayesian Network. Hasil Uji Statistika Data yang digunakan untuk uji statistika ialah data physiological length yang diperoleh dengan metode automatis dan metode manual. Uji Levene digunakan untuk menguji apakah nilai ragam kedua data yang diasumsikan memilki kesamaan atau tidak. H0 mengasumsikan kedua populasi memiliki ragam sama sedangkan H1 mengasumsikan kedua populasi memiliki ragam berbeda. Hasil dari uji Levene didapat nilai sig (p-value) adalah 0.679 yang lebih besar dari nilai α yaitu 0.05. Berdasarkan hal tersebut maka hipotesi nol (H0) diterima, artinya kedua data memiliki nilai ragam yang sama. Selanjutnya uji-t digunakan untuk menguji apakah kedua data berbeda signifikan atau tidak. H0 mengasumsikan bahwa kedua data tidak berbeda signifikan, sedangkan H1 mengasumsikan bahwa kedua data berbeda. Dari hasil uji-t didapatkan nilai sig (p-value) adalah 0.118, nilai tersebut lebih besar dari nilai α yaitu 0.05. Berdasarkan hal tersebut maka hipotesis nol (H0) diterima, artinya kedua data tidak berbeda signifikan. Dengan kata lain dapat disimpulkan bahwa metode automatis dan manual memiliki keakuratan yang sama. Hasil uji statistika dapat dilihat pada Lampiran 4.
KESIMPULAN DAN SARAN Kesimpulan Penelitian ini merupakan bagian dari solusi akan kebutuhan identifikasi daun. Pendekatan yang digunakan ialah ekstraksi ciri morfologi dengan tambahan physiological length dan physiological width beserta turunanya yaitu, aspect ratio, rectangularity, narrow factor, dan perimeter ratio of physiological length and physiological width. Hasil precision rata-rata (MAP) dari ekstraksi ciri morfologi adalah 0.2083, kemudian hasil ektraksi tekstur adalah 0.1864 dan hasil Bayesian Network adalah 0.2055. Hasil tersebut menunjukkan bahwa adanya peningkatan nilai precision rata-rata (MAP) sebesar 0.0137 untuk ciri morfologi dan 0.0069 untuk model Bayesian Network. Saran Hasil temu kembali informasi dengan pendekatan ciri morfologi dan tekstur serta gabungan keduanya dapat meningkatkan nilai precision, penelitian selanjutnya disarankan dapat mengunakan PNN untuk meningkatkan nilai kedekatan antara citra kueri dan citra basis data pada proses penemuan kembali citra helai daun.
13