IDENTIFIKASI JENIS KAYU BERBASIS CITRA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK (PNN)

Jurnal Teknologi, Vol. 14, No. 2, Oktober 2014 : 74-81

IDENTIFIKASI JENIS KAYU BERBASIS CITRA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK (PNN) Ismi Amalia Jurusan Teknik Mesin Politeknik Negeri Lhokseumawe Jl. Banda Aceh-Medan Km. 280 P.O. Box 90, Buketrata, Lhokseumawe 24301 E-mail: [email protected] Abstract The purpose of this research is to identify the types of wood based on imagery by using PNN method. In this paper, gray level co-occurence matrix (GLCM) is used as texture classification techniques. The GLCMs are generated to obtain three features: autocorrelation, cluster shade and sum variance. The classification technique used to classify the wood species is a probabilistic neural network (PNN). This research was carried out using 12 different types of wood. For each type of wood, 6 images were collected. The images of wood were divided in two sets: training set and test set. The leave-one-out cross-validation technique was applied for model validation. Our experimental results showed that the proposed method can increase the recognition rate up to 80.55%. The result of this research indicated that three features of GLCM are accurate to distinguish types of wood. This research used only a small-size dataset, so for further research is needed to use more feature extract methods and types of wood. Key words: GLCM, leave-one-out cross-validation, PNN, wood identification PENDAHULUAN Dalam beberapa tahun terakhir, penggunaan komputer di bidang industri kayu telah meningkat secara drastis [1]. Identifikasi jenis kayu oleh manusia hasilnya tidak akurat dan proses identifikasi secara manual memakan waktu. Oleh karena itu sistem identifikasi jenis kayu secara otomatis diperlukan dan dapat mengurangi error yang disebabkan oleh sistem identifikasi kayu secara manual [2]. Semua jenis kayu memiliki tekstur, kekuatan, kepadatan, kekerasan, bau, dan warna yang berbeda. Tekstur merupakan salah satu karakteristik penting yang digunakan dalam mengidentifikasi obyek dalam citra. Oleh karena itu, klasifikasi jenis kayu berdasarkan klasifikasi tekstur dapat menjadi solusi yang dapat diandalkan untuk memecahkan masalah ini [2]. Identifikasi jenis kayu memiliki tantangan tersendiri. Hal ini dikarenakan adanya keragaman spesies kayu, proses penuaan dan fenomena kerusakan yang mempengaruhi penampilan bahan kayu bahkan terkadang struktur keutuhan kayu [3]. Mohan et. al [2] telah mengembangkan sistem identifikasi jenis kayu. Teknik praproses yang digunakan adalah image enhancement dan sharpening. Selain itu

menggunakan metode baru yang membagi citra menjadi beberapa blok yang dikenal dengan image blocking. Setiap blok diekstraksi menggunakan citra keabuan dan teknik deteksi tepi. Gray level co-occurrence matrix digunakan sebagai teknik klasifikasi tekstur. GLCM dihasilkan untuk mendapatkan tiga fitur, yaitu: contrast, entropy dan correlation. Teknik klasifikasi yang digunakan untuk mengklasifikasikan jenis kayu adalah koefisien korelasi Pearson’s. Sistem ini menunjukkan akurasi lebih dari 95% dalam mengenali sepuluh jenis kayu di India. Trisyanto [4] telah membuat sistem aplikasi dekstop yang efektif dan efisien untuk mengidentifikasi kayu ramin dan kayu yang mirip ramin berdasarkan citra dengan menggunakan metode local binary pattern variance (LBPV) dan probabilistic neural network (PNN). LBPV digunakan untuk mengkarakterisasi informasi kontras lokal ke dalam histogram LBP satu dimensi. Teknik probabilistic neural network (PNN) digunakan untuk mengklasifikasikan LBPV tersebut. Ada 22 spesies kayu yang digunakan, terdiri dari 21 jenis kayu yang mirip ramin dan satu jenis kayu ramin. Hasil penelitian menunjukkan bahwa dari tiga operator yang digunakan, operator

74

yang menghasilkan akurasi tertinggi adalah LPBV (24,3) dengan akurasi 79,77%. Penelitian ini menggunakan probabilistic neural network (PNN) untuk mengidentifikasi jenis kayu. Identifikasi jenis kayu dilakukan berdasarkan hasil dari ekstraksi fitur tekstur menggunakan Gray Level Cooccurrence Matrix (GLCM). Gray level co-occurrence matrix (GLCM) atau gray level dependency matrix pertama kali diperkenalkan oleh Haralick untuk mengekstrak fitur tekstur [5]. GLCM adalah conditional joint probabilities dari dua pasangan gray level yang ada [6]. Distribusi piksel gray level dapat dideskripsikan dengan probabilitas dari dua piksel yang memiliki gray level tertentu pada hubungan spasial tertentu. Informasi ini dapat diringkas dalam GLCM dua dimensi yang dapat dihitung untuk berbagai jarak dan orientasi [7]. Hasil ekstraksi fitur dari citra dengan GLCM pada penelitian ini digunakan untuk melakukan identifikasi jenis kayu dengan menggunakan PNN sebagai classifier. Klasifikasi adalah prosedur untuk mengklasifikasikan pola input ke dalam kelas yang serupa. Pemilihan classifier yang sesuai memerlukan pertimbangan banyak faktor, yaitu akurasi klasifikasi, kinerja algoritme dan komputasi [8]. Probabilistic neural network (PNN) memberikan solusi umum untuk masalah klasifikasi pola dengan pendekatan Bayesian classifiers. PNN menggunakan training set yang supervise untuk mengembangkan fungsi distribusi pada lapisan pola. Oleh karena itu PNN dapat digunakan untuk masalah klasifikasi [9]. Keuntungan utama mengguna-kan PNN adalah pelatihannya mudah dan cepat. Bobot tidak dilatih melainkan nilai yang ditetapkan. Bobot yang ada tidak pernah berganti-ganti, hanya vektor baru yang dimasukkan ke dalam matriks bobot saat pelatihan, sehingga dapat digunakan secara real time [10]. Penelitian klasifikasi menggunakan PNN telah banyak dilakukan. Menurut Lotfi dan Benyettou [11] ukuran data latih dapat mempengaruhi kinerja PNN secara drastis, jika tidak ada pemilihan sampel terlebih dahulu. PNN dengan data latih yang tepat walaupun jumlah datanya sedikit adalah lebih baik dari pada data latih yang besar tetapi tidak tepat. Sehingga perlu dilakukan pembagian data latih dan uji untuk klasifikasi dengan PNN. Metode

pembagian data yang dipilih pada penelitian ini adalah leave-one-out cross validation. Tujuan dari penelitian ini adalah melakukan identifikasi jenis kayu menggunakan probabilistic neural network berdasarkan hasil dari ekstraksi fitur tekstur menggunakan gray level co-occurrence matrix. Selanjutnya dilakukan perhitungan akurasi dari hasil identifikasi jenis kayu tersebut. METODE Metode penelitian yang dilakukan dalam identifikasi jenis kayu meliputi praproses, ekstraksi fitur tekstur, pembagian data latih dan uji menggunakan metode cross validation, klasifikasi dengan PNN dan evaluasi hasil klasifikasi dengan perhitungan akurasi. Tahapan metode penelitian dapat dilihat pada Gambar 1. Citra kayu

Praproses Ekstraksi fitur

Cross validation

Data latih

Data uji

Klasifikasi PNN Model klasifikasi

Hasil klasifikasi Evaluasi Akurasi

Gambar 1. Tahapan metode penelitian. Data Data yang digunakan dalam penelitian ini adalah data dari hasil penelitian Gunawan [12]. Data dikumpulkan menggunakan kamera mikroskopis. Akuisisi citra mikroskopis kayu dilakukan dengan pemrotretan sampel kayu. Sampel kayu diiris terlebih dahulu untuk mendapatkan pori kayu yang bagus. Pengamatan permukaan kayu berdasarkan bidang cross section, yaitu dengan cara memotong kayu secara tegak lurus terhadap

75

Jurnal Teknologi, Vol. 14, No. 2, Oktober 2014 : 74-81

arah pertumbuhan pohon atau bidang penampang kayu. Terdapat dua belas jenis kayu yang akan diidentifikasi, yaitu: durian, kecapi, kenari, mahoni, pasang, pulai, rengas, saniten, sengon, sungkai, terap dan trembesi. Setiap jenis kayu masing-masing mempunyai 6 citra, sehingga total citra yang digunakan dalam penelitian ini adalah 72 citra. Contoh citra kayu yang digunakan ditunjukkan pada Gambar 2.

Kelas 1: Durian

Kelas 2: Kecapi

Kelas 3: Kenari

Kelas 4: Mahoni

Kelas 5: Pasang

Kelas 6: Pulai

Kelas 7: Rengas

Kelas 8: Saniten

Kelas 9: Sengon

Kelas 10: Sungkai

Kelas 11: Terap

Kelas 12: Trembesi

dikonversi menjadi grayscale menggunakan Persamaan 1.

dengan

𝐺𝑟𝑎𝑦(𝑥,𝑦) = 𝑟𝑅(𝑥,𝑦) + 𝑔𝐺(𝑥,𝑦) + 𝑏𝐵(𝑥,𝑦) (1) 𝑅(𝑥,𝑦) , 𝐺(𝑥,𝑦) , dan 𝐵(𝑥,𝑦) masing-masing adalah nilai warna merah, hijau dan biru. Menurut [13], nilai 𝑟 = 0.299, 𝑔 = 0.587 dan 𝑏 = 0.144 adalah yang paling tepat. Ekstraksi Fitur Tekstur dengan GLCM Ekstraksi fitur tekstur menggunakan gray level co-occurrence matrix (GLCM). GLCM adalah salah satu metode statistika yang dapat digunakan untuk analisis tekstur [5]. Informasi tekstur dari citra diawali dengan menentukan co-occurrence matrix. Cooccurrence matrix menunjukkan hubungan spasial antara gray level dalam citra tekstur. Setiap elemen 𝑃 dengan posisi (𝑖, 𝑗) pada GLCM menunjukkan frekuensi relatif dua piksel gray level 𝑖 dan 𝑗 [14]. Co-occurrence matrix dalam penelitian ini dihitung pada arah horizontal 0° dengan jarak 1 piksel. Setiap citra akan menghasilkan sebuah co-occurrence matrix. Co-occurrence matrix final dinormalisasi menggunakan Persamaan 2 untuk mengubah matriks GLCM menjadi tabel probabilitas. 𝑝 (𝑖,𝑗) 𝑖,𝑗=0 𝑑 (𝑖,𝑗)

𝑝(𝑖, 𝑗) = ∑𝑁−1𝑑 𝑝

(2)

dengan 𝑝𝑑 adalah nilai matriks GLCM dan 𝑁 adalah rentang nilai dari 𝑖 dan 𝑗 [15]. Fitur tekstur yang diekstraksi dengan GLCM dalam penelitian ini adalah autocorrelation, cluster shade dan sum variance, seperti ditunjukkan pada Persamaan 3, 4 dan 7 berikut [16][17]: 1. Autocorrelation 𝑓1 = ∑𝑖 ∑𝑗(𝑖, 𝑗) ∙ 𝑝(𝑖, 𝑗) (3)

Gambar 2. Contoh citra yang digunakan.

2.

Praproses Tahap awal praproses adalah mengubah ukuran citra kayu yang berformat JPG menjadi 96×72 piksel. Selanjutnya mengubah citra RGB menjadi grayscale. Konversi citra RGB ke grayscale adalah untuk kuantisasi citra input dari 16,8 juta warna ke 256 level warna keabuan. Komponen RGB dari citra dapat

3.

Cluster shade 3 𝑓2 = ∑𝑖 ∑𝑗(𝑖 + 𝑗 − 𝜇𝑥 − 𝜇𝑦 ) ∙ 𝑝(𝑖, 𝑗) (4) Dalam hal ini, 𝜇𝑥 dan 𝜇𝑦 masing-masing adalah rata-rata untuk baris dan kolom dari matriks GLCM yang dinormalisasi. 𝜇𝑥 = ∑𝑖 ∑𝑗 𝑖 ∙ 𝑝(𝑖, 𝑗) (5) ∑ ∑ 𝜇𝑦 = 𝑖 𝑗 𝑗 ∙ 𝑝(𝑖, 𝑗) (6) Sum variance 2𝑁

𝑓3 = ∑𝑖=2𝑔(𝑖 − 𝑓4 )2 𝑝𝑥+𝑦 (𝑖)

(7)

76

1

𝑓4 adalah sum entropy yang dihitung

Sum 1

dengan Persamaan 8:

t

2𝑁

𝑓4 = − ∑𝑖=2𝑔 𝑝𝑥+𝑦 (𝑖) log{𝑝𝑥+𝑦 (𝑖)} (8) 𝑝𝑥+𝑦 didefinisikan oleh Persamaan 9 berikut:

𝑝𝑥+𝑦

(𝑘) = ∑

f1

Kelas 1

f2

1 Sum 2

f3

𝑁𝑔 𝑁𝑔 ∑𝑗=1 𝑝(𝑖, 𝑗) 𝑖=1 𝑖+𝑗=𝑘

Kelas keputusan

t

(9)

Kelas 2

fk x

1

𝑘 = 2,3, ⋯ ,2𝑁𝑔 . Dengan 𝑁𝑔

adalah jumlah gray level yang berbeda dalam citra terkuantisasi. Nilai autocorrelation, cluster shade dan sum variance dihitung untuk co-occurrence matrix yang diperoleh sehingga setiap fitur mempunyai sebuah nilai. Informasi fitur untuk setiap citra direpresentasikan sebagai sebuah vektor yang memiliki 3 elemen fitur. Informasi fitur ini menjadi masukan untuk proses klasifikasi dengan PNN. Pembagian Data Pembagian data latih dan uji pada penelitian ini menggunakan metode leave-oneout cross validation. Satu data dari setiap kelas digunakan sebagai data uji. Data lainnya yang tidak digunakan sebagai data uji digunakan sebagai data latih. Pada penelitian ini, total data yang digunakan adalah 72 citra, terdiri atas 6 citra dari 12 varietas kayu. Dari total 72 citra yang tersedia, 60 citra digunakan sebagai data latih dan 12 citra sisanya digunakan sebagai data uji dalam setiap percobaan yang dilakukan. Klasifikasi dengan PNN PNN terdiri atas lapisan masukan, pola, penjumlahan dan keputusan [10]. Arsitektur PNN dapat dilihat pada Gambar 3. Lapisan masukan adalah vektor hasil ekstraksi fitur tekstur dengan GLCM dari citra kayu. Nilai-nilai dari fitur-fitur tekstur menjadi input untuk lapisan pola. Persamaan 10 digunakan pada lapisan pola:

Sum n t Kelas n Lapisan masukan

Lapisan pola

Lapisan keputusan

Lapisan penjumlahan

Gambar 3. Arsitektur PNN

𝑓(𝑥𝐴 ) = 𝑒𝑥𝑝 (−

(𝑥−𝑥𝐴𝑖 )𝑇 (𝑥−𝑥𝐴𝑖 ) 2𝜎 2

)

(10)

dengan: 𝑓(𝑥𝐴 ) : fungsi kernel untuk kelas ke-𝐴 𝑥𝐴𝑖 : vektor latih kelas ke-𝐴 urutan ke-𝑖 𝑥 : input 𝜎 : smoothing parameter. Setiap keluaran dari lapisan pola dijumlahkan dengan keluaran dari lapisan pola lainnya yang berada dalam satu kelas yang sama untuk menghasilkan probabilitas vektor keluaran pada lapisan penjumlahan. Persamaan 11 digunakan pada lapisan penjumlahan: 𝑝(𝑥𝐴 ) =

1 𝑑 (2𝜋) 2 𝜎𝑑 𝑁

𝐴 ∑𝑁 𝑖=1 𝑒

(−

𝑇 (𝑥−𝑥𝐴𝑖 ) (𝑥−𝑥𝐴𝑖 ) ) 2𝜎2

(11)

dengan: 𝑝(𝑥𝐴 ) : peluang kelas 𝐴 𝑑 : dimensi vektor input 𝑁𝐴 : jumlah pola pelatihan kelas 𝐴 𝑁 : jumlah pola pelatihan seluruh kelas. Kelas keputusan ditentukan berdasarkan nilai maksimum dari lapisan penjumlahan. Lapisan keputusan memiliki 12 target kelas sesuai dengan jenis kayu yang ingin diidentifikasi. Akurasi Evaluasi hasil identifikasi jenis kayu menggunakan confusion matrix. Kinerja PNN dalam identifikasi jenis kayu ditentukan dengan

77

Jurnal Teknologi, Vol. 14, No. 2, Oktober 2014 : 74-81

akurasi yang dicapai. Akurasi dihitung dengan menggunakan rumus sebagai berikut: tingkat akurasi 

 data uji benar diklasifik asikan × 100%.  total data uji

Lingkungan Pengembangan Perangkat keras yang digunakan dalam penelitian ini adalah Processor IntelCore i5 2450 M 2.5 Turbo 3.1 Ghz, memori DDR3 RAM 4 GB dan harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem Operasi Windows 7 dan Matlab 7.11.0 (R2010b).

HASIL DAN PEMBAHASAN Identifikasi dua belas jenis kayu berdasarkan citra mikroskopis kayu dilakukan dengan mengekstraksi tiga fitur tekstur menggunakan GLCM. Fitur-fitur yang diperoleh dari hasil ekstraksi digunakan sebagai input untuk identifikasi kayu dengan PNN. Praproses Citra Kayu Tahap praproses yang dilakukan terhadap citra kayu adalah mengubah citra RGB menjadi grayscale. Citra grayscale digunakan sebagai input untuk ekstraksi fitur tekstur dengan GLCM. Hasil praproses citra kayu diantaranya ditunjukkan pada Gambar 4.

(a) Durian

(b) Kecapi (b)

(c) Kenari

(d) Mahoni

Gambar 4. Hasil praproses citra kayu. Ekstraksi Fitur Tekstur Citra Kayu dengan GLCM Hasil praproses citra digunakan pada proses ekstraksi fitur. Citra grayscale yang dihasilkan pada tahap praproses selanjutnya dikuantisasi berdasarkan derajat keabuan 8 level. Kuantitasi ini akan merepresentasikan nilai intensitas citra grayscale berdasarkan

levelnya. Rentang derajat keabuan untuk 8 level yang digunakan pada penelitian ini berdasarkan fungsi graycomatrix pada Matlab. Hasil kuantisasi yang diperoleh selanjutnya digunakan untuk membentuk cooccurrence matrix dengan melihat hubungan ketetanggaan antar dua piksel pada jarak dan orientasi sudut tertentu. Pembentukan cooccurrence matrix berdasarkan jarak 𝑑 = 1 piksel serta orientasi arah horizontal 𝜃 = 0° . Oleh karena itu untuk setiap citra diperoleh sebuah co-occurrence matrix dengan ukuran matkriksnya sebesar 8 × 8. Selanjutnya cooccurrence matrix dinormalisasi. Cooccurrence matrix yang ternormalisasi digunakan untuk mengekstraksi fitur tekstur dari citra. Tiga fitur tekstur Haralick yang diekstraksi adalah autocorrelation, cluster shade dan sum variance. Hasil ekstraksi yang diperoleh berupa set fitur tekstur yang terdiri dari tiga elemen untuk setiap citra. Identifikasi Jenis Kayu dengan PNN Hasil ekstraksi fitur tekstur citra kayu menjadi masukan untuk tahap klasifkasi. Pembagian data latih dan uji menggunakan metode leave-one-out cross validation. Total citra yang digunakan adalah 72 citra. Jumlah data latih dan data uji yang digunakan masingmasing adalah 60 dan 12 citra dalam setiap percobaan yang dilakukan, dari total enam percobaan yang dilakukan. Confusion matrix hasil identifikasi kayu dengan PNN ditunjukkan pada Tabel 1. Akurasi dari hasil identifikasi jenis kayu menggunakan PNN ditunjukkan pada Gambar 5. Akurasi tertinggi dan terendah dalam identifikasi jenis kayu masing-masing adalah 100% dan 33.33%. Akurasi rata-rata classifier PNN dalam mengidentifikasi jenis kayu adalah sebesar 80.55%. Akurasi dari hasil identifikasi jenis kayu menggunakan PNN ditunjukkan pada Gambar 5. Akurasi tertinggi dan terendah dalam identifikasi jenis kayu masing-masing adalah 100% dan 33.33%. Akurasi rata-rata classifier PNN dalam mengidentifikasi jenis kayu adalah sebesar 80.55%. Citra uji kelas 1, 3, 5, 6, dan 12 seperti ditunjukkan pada Gambar 6 memiliki akurasi yang tinggi, yaitu sebesar 100%.

78

Tabel 1. Confusion matrix hasil identifikasi jenis kayu Jenis Kayu

A c t u a l

Predicted K1 6 0 0 1 0 0 0 0 0 1 0 0 8

K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 Total

K2 0 4 0 1 0 0 0 0 0 0 0 0 5

K3 0 0 6 0 0 0 0 0 0 0 0 0 6

K4 0 1 0 2 0 0 2 0 0 0 0 0 5

K5 0 0 0 0 6 0 0 0 0 0 0 0 6

K6 0 0 0 0 0 6 0 0 1 0 0 0 7

K7 0 0 0 1 0 0 4 0 0 0 0 0 5

K8 0 1 0 0 0 0 0 5 0 0 1 0 7

K9 0 0 0 0 0 0 0 0 4 1 0 0 5

K10 0 0 0 0 0 0 0 0 1 4 0 0 5

K11 0 0 0 0 0 0 0 1 0 0 5 0 6

K12 0 0 0 1 0 0 0 0 0 0 0 6 6

Total 6 6 6 6 6 6 6 6 6 6 6 6 58

Hasil Akurasi PNN 120% 100%

100%

100% 100%

100%

100%

Akurasi

83,33%

80%

66,67%

66,67%

83,33%

66,67% 66,67%

60% 33,33%

40% 20% 0% K1

K2

K3

K4

K5

K6

K7

K8

K9 K10 K11 K12

Kelas Gambar 5. Hasil akurasi PNN

Kelas 1: Durian

Kelas 3: Kenari

Kelas 5: Pasang

Kelas 6: Pulai

Citra uji kelas 4 yaitu jenis kayu Mahoni seperti ditunjukkan pada Gambar 7 memiliki akurasi yang rendah, yaitu 33.33%. Citra uji ini tidak dapat teridentifikasi dengan baik. Penyebabnya, citra kelas ini memiliki latar yang kompleks, sehingga terjadi kesalahan identifikasi.

Gambar 7. Citra dengan akurasi rendah. Kelas 12: Trembesi

Gambar 6. Citra yang memiliki akurasi tinggi.

79

Jurnal Teknologi, Vol. 14, No. 2, Oktober 2014 : 74-81

KESIMPULAN Penelitian ini mengidentifikasi jenis kayu berdasarkan fitur tekstur. Metode ekstraksi fitur tekstur yang digunakan adalah gray level co-occurrence matrix (GLCM). Tiga fitur tekstur yang digunakan adalah autocorrelation, cluster shade dan sum variance. Fitur-fitur ini menjadi inputan untuk identifikasi jenis kayu menggunakan probabilistic neural network (PNN). Hasil penelitian menunjukkan bahwa akurasi ratarata PNN dalam mengidentifikasi jenis kayu adalah sebesar 80.55%.

DAFTAR PUSTAKA [1] Modasia B, De Silva MA., 2005. An intelligent system to classify varieties of wood. SLAAI Proceedings of second Annual Session. Feb 2005; Colombo. hlm 61-69. [2] Mohan S, Venkatachalapathy K, Priya SE., 2014. Wood species identification system. IJESC 3(5): 5996-6001. [3] Timar MC, Gurau L, Porojan M, Beldean E., 2013. Microscopic identification of wood species an important step in furniture conservation. European Journal of Science and Theology 9(4):243-252. [4] Trisyanto C., 2012. Sistem identifikasi kayu ramin berbasis citra menggunakan local binary pattern dan probabilistic neural network. Skripsi IPB. [5] Sulochana S, Vidhya R., 2013. Texture based image retrieval using framelet transform–Gray Level Co-occurrence Matrix (GLCM). IJARAI 2(2):68-73. [6] Caihuan WA, Yonghong ZA, Kazhong DB., 2009. Urban area classification in high resolution SAR based on texture features. Di dalam: Zhang J, Li Z, Cheng P, Yan Q, editor. International Conference on Geo-spatial Solutions for Emergency Management and the 50th Anniversary of the Chinese Academy of Surveying and Mapping. Beijing (CN): ISPRS. hlm 281-285. [7] Hazra D., 2011. Texture recognition with combined GLCM, wavelet and rotated wavelet features. IJCEE 3(1):146-150. [8] Qurat-ul-ain, Latif G, Kazmi SB, Jaffar MA, Mirza AM., 2010. Classification and segmentation of brain tumor using texture

analysis. Proceeding AIKED'10 Proceedings of the 9th WSEAS international conference on Artificial intelligence, knowledge engineering and data bases. Wisconsin (US). hlm 147155. [9] Araghi LF, Khaloozade H , Arvan MR., 2009. Ship identification using Probabilistic Neural Networks (PNN). Proceedings of the International MultiConference of Engineers and Computer Scientists. 2009 March 18-20; Hongkong, Cina. [10] Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL., 2007. A leaf recognition algorithm for plant classification using Probabilistic Neural Network. IEEE 7th International Symposium on Signal Processing and Information Technology. 2007 Dec. hlm 11-16. [11] Lotfi A, Benyettou A., 2011. Using probabilistic neural networks for handwritten digit recognition. Journal of Artificial Intelligence. DOI: 10.3923. hlm: 1-7. [12] Gunawan AAGR, Nurdiati S, Arkeman Y., 2014. Wood type identification using support vector machine based on image data. JIKA 3(1):1-8. [13] Fuangkhon P, Tanprasert T., 2005. Nipple detection for Obscene Pictures. Proceedings of the 5th WSEAS Conference on: signal, speech and image processing (SSIP). August 2005. [14] Deshpande G, Borse M., 2011. Image retrieval with the use of different color spaces and the texture feature. International Conference on Software and Computer Applications 9:273-278. [15] Khalid M, Yi Lee EL, Yusof R, Nadaraj M., 2008. Design of an intelligent wood species recognition system. IJSSST 9(3):9-19. [16] Soh LK, Tsatsoulis C., 1999. Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices. IEEE Transactions on Geoscience and Remote Sensing 37(2):780-795. [17] Haralick RM, Shanmugan K, Dinstein IH., 1973. Textural features for image classification. IEEE Trans Syst Man Cybern 3(6):610–621.

80