LEMBAR PERSETUJUAN PROPOSAL Nama : Achmad Husaini NRP : 13.04.1.1.2.00118 Bidang Minat : Sistem Terdistribusi Program Studi : Teknik Informatika Dosen Pembimbing : 1. Dr. Indah Agustien, S.Kom., M.Kom 2. Fika Hastarita R.,ST, M.Eng Judul Tugas Akhir : Content-Based Image Retrieval (CBIR) Berbasis Web Dengan Metode Analisis Komponen Utama (PCA) dan K-Mean. Proposal ini telah disetujui di seminar pada Tanggal, …  Dosen Pembimbing I Dr. Indah Agustien, S.Kom., M.Kom NIP. 19780820 200212 2 001 Dosen Pembimbing II Fika Hastarita R.,ST, M.Eng NIP. 19830305 200604 2 002 Mengetahui, Program Studi Teknik Informatika Ketua, Arik Kurniawati, S.Kom., M.Kom NIP. 19780309 200312 2 009 Menyetujui, Bidang Minat Sistem Terdistribusi Koordinator, Sigit Susanto Putro, S.Kom. M.Kom NIP. 19790313 200604 1 002 1. Judul Penelitian Content-Based Image Retrieval (CBIR) Berbasis Web Dengan Metode Analisis Komponen Utama (PCA) Dan K-Mean 2. Abstraksi Teknik pencarian citra berbasis teks yang ada saat ini belum dapat digunakan untuk merepresentasikan citra yang kita cari didalam sebuah database citra, sehingga seringkali diperoleh hasil pencarian citra yang tidak sesuai dengan yang diinginkan karena kita harus mengetahui kata kunci yang tepat sesuai dengan nama file citra untuk memperoleh citra yang kita inginkan. Untuk mengatasi masalah pencarian citra tersebut, salah satu solusinya adalah dengan menggunakan CBIR. Content-Based Image Retrieval (CBIR) atau temu kembali citra yaitu suatu metode pencarian citra dengan melakukan perbandingan antara fitur citra queri dengan fitur citra yang ada di database (Query by Example). Metode CBIR yang sering digunakan adalah pencarian berdasarkan kemiripan fitur warna, bentuk, dan tekstur. Sedangkan untuk menghitung kemiripan fitur warna tersebut menggunakan metode Euclidean distance. Atas dasar itulah penulis terdorong untuk melakukan penelitian dan pembuatan aplikasi pencarian citra berdasarkan ekstraksi fitur warna dan bentuk (Deteksi Tepi) dengan menggunakan metode PCA dan K-Mean. Sehingga dengan menggunakan dua metode tersebut akan mendapatkan hasil pencarian citra yang lebih akurat. Kata kunci : CBIR, Histogram, Edge Detection, Euclidean, K-Mean, PCA. 3. Latar Belakang Sistem temu kembali konten citra (CBIR - Content-based Image Retrieval) saat ini merupakan bagian penting dalam teknologi temu kembali informasi citra dan diaplikasikan dalam beberapa bidang seperti industri (Tao et al., 2008), forensik (Garni dan Hamiane, 2008), remote sensing (Hafiane, et al., 2006; Xie, 2004) dan aplikasi kedokteran (Muller et al., 2004). Berkembangnya pemakaian citra digital dan besarnya ukuran jumlah data citra digital ditindaklanjuti dengan banyaknya peneliti melakukan penelitian untuk meningkatkan efisiensi pencarian dan pengindeksan data citra. Pencarian citra secara tradisional menggunakan teks untuk melakukan pencarian citra ternyata kurang memadai untuk mendapatkan citra dalam bentuk data visual. Konsekuensinya harus dilakukan pencarian citra berdasarkan fitur bentuk, fitur tekstur dan fitur warna dalam pencarian dan pengindeksan data citra. Penelitian-penelitian sebelumnya menunjukkan bahwa CBIR menggunakan pendekatan fitur warna merupakan salah satu yang terpopuler dan mudah untuk dipergunakan dalam pencarian citra tersebut. Beberapa metode yang didasarkan pada ekstraksi fitur warna diantaranya adalah histogram, korelogram warna dan temperatur dominan warna. Pencarian citra di internet saat ini sudah banyak tersedia dalam bentuk mesin pencari citra seperti Google Image Search, Flickr, dan AltaVista Image Search. Metode pencarian citra dibagi dalam dua kategori yaitu text based image retrieval (TBIR) dan content based image retrieval (CBIR). Teknik pencarian menggunakan kategori TBIR dikembangkan oleh beberapa peneliti antara lain Li et al. (2007) menggunakan model pembelajaran kategori, Fergus et al. (2005) mengembangkan metode probabilistic Laten Semantic Analysis (pLSA), dan Schroff et al. (2007) mengembangkan pengelompokan spesifik objek dari hasil pencarian web. Google sendiri saat ini sudah mengembangkan sistem pencarian berdasarkan kemiripan citra (CBIR) dengan cara memasukkan query citra. Penelitian tentang CBIR yang menggunakan metode histogram warna untuk menggambar komposisi warna pada citra pernah dilakukan oleh Marques et.al. (2002), Liu et al. (2004), Ju dan Ma (2002), Yap dan Paramesran (2006), Khanh et al. (2003), Konstantinidis et al. (2005), dan Shim dan Choi (2002). Sedangkan penelitian sistem CBIR yang menggunakan karakter visual dengan fitur bentuk antara lain dilakukan oleh Pourghassem dan Ghassemian (2008), Dai dan Zhang (2005), Zhang dan Lu (2005), dan Antani et al. (2004). Pencarian citra berdasarkan fitur bentuk tepi dilakukan oleh beberapa peneliti antara lain Rahmani et al. (2008), Banerjee dan Kundu (2003), Han dan Guo (2003). Penelitian yang menggunakan fitur tekstur diantaranya dilakukan oleh Rahman et al. (2007), Kokare et al. (2006), Chun et al. (2003), Rallabandi dan Rallabandi (2008), Oliviera et al. (2007), Muneeswaran et al. (2006), dan Yu et al. (2005). Pengukuran kemiripan citra adalah bagian terpenting dalam sistem CBIR, baik untuk citra asli maupun citra yang terkompresi. Ketika melakukan evaluasi terhadap citra yang terkompresi, maka tingkat kemiripan citra yang mendekati sistem visual manusia (human visual system) akan mendapatkan citra yang lebih akurat. Pengukuran yang sering dipergunakan dalam pencarian kemiripan citra adalah dengan mean squared error (MSE) dan peak signal-to-noise ratio (PSNR). Nilai MSE dan PSNR akan menunjukkan tingkat kritikal kemiripan citra terhadap penyimpangan citra yang dibandingkan (Eckert dan Bradley, 1998; Wang et al., 2004). Penyimpangan nilai tersebut pada citra digital akan mengakibatkan terjadinya penurunan kualitas citra, sehingga pada akhirnya akan mempengaruhi penilaian dari sistem visual manusia. Keuntungan pengukuran kualitas cintra menggunakan nilai MSE dan PSNR adalah perhitungan yang sangat cepat dan mudah untuk diimplementasikan (Wang dan Bovik, 2002). Pembahasan tentang algoritma penaksiran kualitas citra dan video dapat ditemukan pada penelitian Eckert dan Bradley (1998), Pappas dan Safranek (2000), Wang et al. (2003), Winkler (1999), Koumaras et al. (2005), Lai dan Kuo (2000), dan Lauterjung (1998). Halkidi et al. (2001) mengartikan bahwa pengklasteran sebagai bagian paling penting dalam menyelesaikan masalah unsupervised. Definisi dasar dari pengklasteran adalah proses untuk mengorganisasi objek-objek ke dalam kelompok dimana objek dalam satu kelompok memiliki kemiripan dan objek yang tidak mirip berada pada kelompok lain. Dalam penelitian ini, penulis menggunakan Algoritma PCA dan K-Means Klastering untuk mencari tingkat kecocokan citra yang akan dicari (citra uji) dengan citra yang terdapat dalam basis data citra (citra latih). 4. Perumusan Masalah Permasalahan yang akan dibahas pada penelitian ini adalah sebagai berikut : Bagaimana merancang sistem pencarian citra dengan Content Base Image Retrival menggunakan metode PCA dan K-Means berbasis web? Bagaimana tingkat akurasi Ekstraksi Fitur warna dan Ekstraksi Fitur bentuk (deteksi tepi) dalam proses pencarian citra? Bagaimana proses Analisis Komponen Utama (PCA) dan Klastering K-Means dalam proses pencarian citra? 5. Tujuan dan Manfaat Tujuan dari penelitian ini adalah: Untuk merancang sistem pencarian citra dengan Content Base Image Retrival menggunakan metode PCA dan K-Means berbasis web. Untuk mengetahui tingkat akurasi Ekstraksi Fitur warna dan Ekstraksi Fitur bentuk (deteksi tepi) dalam proses pencarian citra. Untuk menganalisa hasil dari proses metode Analisis Komponen Utama (PCA) dan Klastering K-Means dalam proses pencarian citra. Manfaat dari penelitian ini adalah: Implementasi dari hasil perancangan sistem diharapkan mampu bermanfaat untuk memberikan solusi peningkatan akurasi pencarian citra pada database citra Mengetahui proses ekstraksi fitur warna citra untuk kebutuhan pengklasteran record database citra dan untuk pencocokan citra Mengetahui proses ekstraksi fitur bentuk citra untuk kebutuhan pengklasteran record database citra dan untuk pencocokan citra 6. Batasan Masalah Tujuan dari penelitian ini adalah: Pencarian citra dengan Content Base Image Retrival hanya memanfaatkan ekstraksi fitur warna dan bentuk untuk proses pencocokan citra Metode yang digunakan dalam penelitian ini adalah metode Analisis Komponen Utama (PCA) dan Klastering K-Means Bahasa pemrograman yang digunakan yaitu PHP dengan berbasis web 7. Studi Pustaka 7.1. Penelitian Sebelumnya Penelitian yang berkaitan dengan Content Base Image Retrival sebenarnya sudah banyak dilakukan, seperti yang pernah dilakukan oleh dosen Politeknik Elektronika Negeri Surabaya yaitu Nana Ramadijanti dan Setiawardhana, dan Mahasiswa Politeknik Elektronika Negeri Surabaya yaitu Fitria Purnamasari. Seperti yang telah ditulis dalam judul jurnalnya “Sistem Online Content Based Image Retrieval menggunakan Identifikasi Dominan Warna pada Foreground Objek” Pada penelitian tersebut permasalahan yang akan dicari solusinya yaitu teknik pencarian gambar dengan menggunakan fitur warna, teknik mendapatkan fitur warna yang dominan pada gambar, kemudian akan dilakukan Pengembangan pada sistem online kamera dengan performasi dan kualitas yang baik. Sedangkan penelitian penulis yang akan dilakukan yaitu dengan menambahkan satu ekstraksi fitur lagi yaitu ekstraksi fitur bentuk atau deteksi tepi, sehingga diharapkan hasil yang diperoleh nantinya lebih tinggi tingkat akurasinya dari pada hanya ekstraksi warna. 7.2. Content-based image retrieval (CBIR) Content-based image retrieval (CBIR), yang juga dikenal dengan istilah query by image content (QBIC) dan content-based visual information retrieval (CBVIR) adalah suatu aplikasi computer vision yang digunakan untuk melakukan pencarian gambar- gambar digital pada suatu basis data. Sekitar tahun 1970 penelitian awal image retrieval dilakukan dengan menggunakan pendekatan pengindeksan dan informasi citra berbasis teks. Teknik pencarian gambar dengan input teks dinilai tidak praktis karena dua alasan, yakni ukuran basis data yang besar dan subyektif dalam mengartikan gambar. Untuk menghindari teknik tersebut, maka sekitar tahun 1990 image retrieval dikembangkan lagi menggunakan pendekatan alternatif yaitu teknik mencari gambar hanya berdasarkan informasi yang ada pada gambar tersebut. Teknik image retrieval yang dipilih disamping dapat mencapai rata-rata kemampuan retrieval yang tinggi, seringkali memberikan konsekuensi waktu komputasi yang tinggi dikarenakan harus memproses dimensi data gambar yang besar. Proses secara umum dari CBIR adalah gambar yang menjadi query dilakukan proses ekstraksi fitur (image contents), begitu halnya dengan gambar yang ada pada sekumpulan gambar juga dilakukan proses seperti pada gambar query. Parameter fitur gambar yang dapat digunakan untuk retrieval pada sistem ini seperti histogram, susunan warna, tekstur, dan bentuk, tipe spesifik dari obyek, tipe event tertentu, nama individu, lokasi, emosi. Berikut ini adalah gambar proses CBIR dengan menggunakan metode PCA dan K-Means Gambar 7.1.1. Proses CBIR dengan menggunakan metode PCA dan K-Means 7.3. Ekstraksi Fitur Warna Ekstraksi fitur warna adalah proses pengambilan histogram, baik dari gambar database maupun gambar query. Berikut ini adalah gambar proses ekstraksi warna Gambar 7.1.2. Ekstraksi Fitur Warna pada Citra Pada tahap ini terdiri dari beberapa sub tahapan, yaitu: a. Pengambilan nilai RGB tiap piksel. b. Kuantisasi warna dari yang semula berjumlah (360 x 255 x 255) atau 23409000 kemungkinan warna, diubah menjadi (4 x 4 x 4) atau 64 kemungkinan warna. Dengan cara ini, nilai R berkisar antara 0 sampai dengan 3, G berkisar antara 0 sampai dengan 3, dan B berkisar antara 0 sampai dengan 3. c. Normalisasi. d. Pembuatan histogram RGB, nilai-nilai ini nantinya dijadikan parameter ekstraksi fitur warna. 7.4. Ekstraksi Fitur Bentuk Ekstraksi fitur bentuk adalah proses pengambilan ciri bentuk dari sebuah citra, dengan menjadikan citra tersebut menjadi grayscale. Berikut ini adalah gambar proses ekstraksi warna : Gambar 7.1.3. Ekstraksi Fitur Bentuk pada Citra Pada tahap ini terdiri dari beberapa sub tahapan, yaitu: a. Pada tahap yang pertama yaitu deteksi tepi. Terdapat beberapa sub tahapan, diantaranya adalah gray-scale, dan proses deteksi tepi itu sendiri. - Citra asal dikonversi menjadi citra dengan derajat keabuan (gray-scale). S = (R + G + B) / 3. - Sebelum melakukan proses deteksi tepi, konversi terlebih dahulu citra menjadi citra biner. Proses deteksi tepi (Edge Detection), menggunakan HPF (High Pass Filter), yakni proses filter yang mengambil citra degan gradiasi intensitas yang tinggi dan perbedaan intensitas yang rendah akan dikurangi atau dibuang. Hasil dari proses deteksi tepi yaitu telah didapatkannya matriks biner berukuran 192 x 128 atau sebanyak 24576 piksel yang berisi angka 0/1. - Matriks tersebut harus dikuantisasi 16x16, agar lebih sederhana pada saat proses clustering. Sehingga hasilnya menjadi matriks berukuran 12 x 8 atau sebanyak 96 piksel yang berisi angka 0/1. Nilai-nilai inilah yang nantinya menjadi acuan dan merupakan hasil ekstraksi fitur bentuk. 7.5. Principal Components Analysis (PCA) Sebuah image 2D dengan dimensi b baris dan k kolom dapat direpresentasikan kedalam bentuk image 1D dengan dimensi n (n=b*k). Dengan ekspresi lain dapat dituliskan sebagai , adalah ruang image dengan dimensi n. Image training yang digunakan sebanyak sampel dinyatakan dengan yang diambil dari sebanyak obyek/kelas yang dinyatakan dengan . Total matrix scatter (atau matrix covariance) didefinisikan sebagai berikut: (1) adalah rata-rata sampel image yang diperoleh dengan merata-rata training image . Dengan dekomposisi eigen, matrix covariance ini dapat didekomposisi menjadi: (2) dimana adalah matrix eigenvector, dan adalah is a diagonal matrix dari nilai eigen. Kemudian dipilih sejumlah kolom eigenvector dari matrix yang berasosiasi dengan sejumlah m nilai eigen terbesar. Pemilihan eigenvector ini menghasilkan matrix transformasi atau matrix proyeksi , yang mana terdiri dari m kolom eigenvector terpilih yang biasa disebut juga dengan ‘eigenimage’. Berikutnya sebuah image x (berdimensi n) dapat diekstraksi kedalam feature baru y (berdimensi m < n) dengan memproyeksikan x searah dengan sebagai berikut: (3) kata lain metode PCA memproyeksikan ruang asal kedalam ruang baru yang berdimensi lebih rendah , yang mana sebanyak mungkin kandungan informasi asal tetap dipertahankan untuk tidak terlalu banyak hilang setelah dibawa ke dimensi feature yang lebih kecil. Disini terlihat reduksi feature yang signifikan dari n buah menjadi m buah yang tentunya akan sangat meringankan komputasi dalam proses pengenalan berikutnya. 7.6. Klastering K-Means Data Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non-hierarchical (non hirarki) data clustering. K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. Data clustering menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut[6]: Jurnal Sistem dan Informatika Vol. 3 (Pebruari 2007), 47-60 48 a. Tentukan jumlah cluster b. Alokasikan data ke dalam cluster secara random c. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster d. Alokasikan masing-masing data ke centroid/rata-rata terdekat e. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan di atas nilai threshold yang ditentukan Dalam tulisan ini beberapa hal terkait dengan metode K-Means ini berusaha untuk dijelaskan, termasuk di antaranya beberapa pengembangan yang telah dilakukan terhadap K-Means, beberapa permasalahan yang harus diperhitungkan dalam menggunakan metode K-Means dalam pengelompokan data, ulasan mengenai keberadaan K-Means di antara metode pengklasifikasian dengan arahan (supervised) dan tanpa arahan (unsupervised), ulasan singkat mengenai metode K-Means untuk dataset yang mempunyai bentuk khusus dan mixture modelling, serta algoritma dari metode-metode pengelompokan yang masih digolongkan sebagai pengembangan metode K-Means. 2. Perkembangan Penerapan K-Means Beberapa alternatif penerapan K-Means dengan beberapa pengembangan teori-teori penghitungan terkait telah diusulkan. Hal ini termasuk pemilihan: 2.1. Distance space untuk menghitung jarak di antara suatu data dan centroid[1,3,7,8,9] 2.2. Metode pengalokasian data kembali ke dalam setiap cluster[1,3,6,7,8,9,16] 2.3. Objective function yang digunakan[1,3,6,7,8,9,16] 7.7. Metodologi Penelitian 7.7.1 Materi Yang Akan Dipakai Penelitian ini menggunakan data citra digital dalam bentuk file JPG maupun JPEG yang disimpan dalam database yang memanfaatkan relational database management systems (RDBMS). Record database citra berasal dari file citra digital bertipe JPG/JPEG diperoleh dengan melakukan koleksi citra dari mengunduh internet, kumpulan citra dari majalah-majalah komputer, kumpulan citra yang diperoleh dari frame beberapa film, total jumlah 48.000 file citra dan selanjutnya diproses dengan beberapa tahapan dan disimpan ke dalam bentuk record database citra memanfaatkan tipe blob-field yang disediakan dalam sistem database. Pengujian waktu akses, uji validitas klaster, pengujian fungsi tujuan dan evaluasi kinerja tingkat akurasi query CBIR diujicobakan pada database WANG yang terdiri dari 1.000 citra terbagi menjadi 10 kategori dan juga diujicobakan pada database citra yang terdiri dari 48.000 file citra terbagi menjadi 13 kategori. Evaluasi kinerja tingkat akurasi pencarian citra menggunakan ekstraksi fitur warna citra berdasarkan PSNR warna, intensitas warna, histogram warna, dan momen warna. 7.7.2 Jalan Penelitian Untuk mencapai tujuan dari penelitian di atas, maka penelitian ini dilakukan dengan beberapa tahapan yaitu : 7.7.2.1. Studi pustaka, yaitu dengan mempelajari karya ilmiah hasil penelitian beberapa peneliti yang dipublikasikan dalam bentuk jurnal, paper dan buku. Disamping itu penulis juga mempelajari beberapa aplikasi yang dikembangkan oleh beberapa perusahaan pengembang maupun aplikasi yang dihasilkan oleh peneliti terdahulu yang berkaitan dengan penelitian ini. 7.7.22. Melakukan analisis dan desain sistem, yaitu melakukan analisis berbagai sistem yang telah dikembangkan oleh peneliti terdahulu, serta beberapa terapan dari pengklasteran partisi, dilanjutkan dengan membuat desain sistem baru yang merupakan integrasi dari optimasi query dan pengklasteran record citra dengan tujuan untuk meningkatkan akurasi pencarian dan penurunan waktu akses pencarian citra. 8. Sistematika Penulisan Penelitian ini disusun dengan sistematika sebagai berikut : BAB I, memberikan gambaran umum tentang latar belakang, permasalahan yang terjadi terkait dengan temu kembali konten citra pada database citra. Bab ini juga memberikan gambaran tentang tujuan dan manfaat penelitian, kontribusi penelitian dan metodologi penelitian yang dipergunakan. BAB II, menguraikan tentang tinjauan pustaka dari berbagai penelitian yang sudah dilakukan oleh peneliti-peneliti terdahulu yang dijadikan sebagai referensi pada penelitian ini dan dititikberatkan pada penelitian tentang sistem CBIR, pengklasteran partisi dan implementasi dari CBIR dan pengklasteran partisi tersebut. BAB III, berisi landasan teori dari berbagai sumber yang dititikberatkan pada database relasional, kompresi dan pemrosesan citra, sistem temu kembali konten citra, pengukuran kualitas citra, pengklasteran, pengukuran kemiripan, algoritma pengklasteran, analisa dan uji validitas klaster dan evaluasi temu kembali. BAB IV, menguraikan tentang metodologi penelitian secara detail mengenai arsitektur sistem, ekstraksi fitur yang digunakan, deskripsi objek penelitian, perangkat yang digunakan, fungsi tujuan, diagram proses, implementasi yang diuraikan dalam bentuk algoritma, dan analisis hasil dan evaluasi kinerja query CBIR. BAB V, menjelaskan tentang uraian hasil penelitian berdasarkan arsitektur sistem yang diusulkan dan penerapannya pada database WANG dan database citra. Bab ini juga membahas secara detail hasil penelitian dan pembahasan yang terdiri dari praproses, implementasi algoritma pengklasteran, hasil pembentukan klaster, hasil pengujian waktu akses query CBIR tanpa klaster dan query CBIR menggunakan klaster, uji validitas klaster, pengujian fungsi tujuan, dan evaluasi kinerja tingkat akurasi query CBIR. BAB VI, berisi kesimpulan dari hasil pembahasan serta saran-saran untuk penelitian berikutnya. 9. Jadwal Kegiatan Tabel 9.1 Tabel Jadwal Kegiatan No Kegiatan Bulan 1 2 3 4 5 1 Studi Literatur 2 Studi Lapangan 3 Analisan dan Perancangan 4 Implementasi dan Pengujian 5 Pembuatan Laporan 11. Daftar Publikasi Selama proses penelitian disertasi telah menghasilkan publikasi pada Jurnal Internasional, proceeding dan seminar yaitu : 1. Juli Rejito, Retantyo Wardoyo, Sri Hartati, Agus Harjoko, “Optimization CBIR Using K-Means Clustering for Image Database”, International Journal of Computer Science and Information Technologies, Vol. 3 (4), 2012, page 4789-4793. 2. Juli Rejito, Retantyo Wardoyo, Sri Hartati, Agus Harjoko, “Optimasi Query CBIR Menggunakan Klaster Indeks K-Means”, disampaikan pada Seminar Nasional dan dimuat dalam Proceeding Konferensi Nasinonal Matematika XVI Tahun 2012. 3. Juli Rejito, Retantyo Wardoyo, Sri Hartati, Agus Harjoko, “Uji Validitas dan Waktu Akses Klaster K-Means Database Citra”, disampaikan pada Seminar Nasional dan dimuat dalam Proceeding Konferensi Nasinonal Matematika XVI Tahun 2012. 4. Juli Rejito, Retantyo Wardoyo, Sri Hartati, Agus Harjoko, “Optimasi Query CBIR Database Citra Menggunakan K-Means Cluster”, Seminar Nasional Hasil Penelitian MIPA, UGM Tahun 2011. 5. Juli Rejito, Retantyo Wardoyo, Sri Hartati, Agus Harjoko, “Algoritma Konversi Warna Dalam Metoda Similarity Match Query CBIR”, Seminar Nasional Hasil Penelitian MIPA, UGM Tahun 2010. 9