Penerapan Deep Learning dalam Pengolahan Citra Digital

Pengolahan citra digital merupakan salah satu bidang yang berkembang pesat dalam beberapa dekade terakhir. Dengan semakin banyaknya data citra yang dihasilkan dari berbagai sumber seperti kamera digital, pemindaian medis, dan sensor satelit, diperlukan metode yang efektif untuk menganalisis dan memproses citra tersebut. Salah satu pendekatan terkini yang telah menunjukkan kinerja yang luar biasa dalam berbagai tugas pengolahan citra adalah deep learning.

Deep learning merupakan cabang dari machine learning yang menggunakan jaringan neural yang dalam (deep neural networks) untuk memodelkan dan memahami data yang kompleks. Dalam konteks pengolahan citra digital, deep learning telah digunakan untuk berbagai tugas, mulai dari klasifikasi objek hingga restorasi citra, deteksi anomali, segmentasi, dan banyak lagi. Dalam artikel ini, kita akan mempelajari berbagai aplikasi deep learning dalam pengolahan citra digital serta teknik-teknik yang digunakan untuk meningkatkan kinerja dan akurasi.

1. Pengenalan Citra

Salah satu aplikasi utama deep learning dalam pengolahan citra adalah pengenalan citra. Hal ini mencakup pengenalan objek, pengenalan wajah, pengenalan tanda tangan, dan sebagainya. Deep learning telah menunjukkan kemampuannya dalam melakukan tugas-tugas ini dengan tingkat akurasi yang sangat tinggi.

1.1. Pengenalan Objek

Pengenalan objek adalah tugas untuk mengidentifikasi objek atau benda dalam sebuah citra. Deep learning telah membuktikan dirinya sebagai metode yang efektif untuk menyelesaikan tugas ini. Salah satu model deep learning yang populer untuk pengenalan objek adalah Convolutional Neural Network (CNN). CNN memiliki kemampuan untuk mengekstrak fitur-fitur hierarkis dari citra yang kemudian digunakan untuk mengenali objek.

Baca Juga: Klasifikasi Jenis Burung Love Bird dengan Metode K-Means Clustering berdasarkan Ciri Warna YCbCr

Konsep Dasar Pengenalan Objek

Konsep dasar dari pengenalan objek adalah untuk mengajarkan komputer untuk memahami konteks visual dari citra. Hal ini melibatkan pembuatan model yang dapat mengidentifikasi dan membedakan objek yang berbeda dalam citra, bahkan jika objek tersebut muncul dalam pose yang berbeda, dengan pencahayaan yang berbeda, atau di latar belakang yang berbeda.

Untuk mencapai hal ini, deep learning menggunakan pendekatan yang terinspirasi dari cara manusia memproses informasi visual. CNN, salah satu arsitektur deep learning yang paling umum digunakan untuk tugas ini, memiliki kemampuan untuk mengekstrak fitur-fitur hierarkis dari citra, mulai dari fitur-fitur rendah seperti garis dan sudut hingga fitur-fitur yang lebih kompleks seperti bentuk dan tekstur.

Arsitektur Convolutional Neural Network (CNN)

CNN terdiri dari lapisan-lapisan yang berbeda, termasuk lapisan konvolusi, lapisan aktivasi, dan lapisan pooling. Lapisan konvolusi bertanggung jawab untuk mengekstrak fitur-fitur dari citra dengan menerapkan filter konvolusi pada citra. Lapisan aktivasi kemudian menerapkan fungsi aktivasi non-linear untuk menghasilkan representasi yang lebih abstrak dari fitur-fitur tersebut. Sedangkan lapisan pooling digunakan untuk mengurangi dimensi data dengan mengambil nilai maksimum atau rata-rata dari wilayah-wilayah tertentu dalam citra.

Baca Juga: Arsitektur Convolutional Neural Network (CNN) untuk Pengolahan Citra Digital

Selama proses pelatihan, CNN belajar untuk menyesuaikan bobot-bobot mereka agar dapat menghasilkan representasi yang optimal dari citra pelatihan. Ini dilakukan dengan meminimalkan fungsi kerugian yang mengukur perbedaan antara prediksi yang dibuat oleh model dan label yang sebenarnya dari citra.

Penggunaan Pengenalan Objek dalam Berbagai Konteks

Pengenalan objek telah diterapkan dalam berbagai konteks, termasuk pengawasan video, deteksi kecelakaan dalam mobil otonom, pemantauan lalu lintas, pengenalan wajah untuk keamanan, dan banyak lagi. Di sektor industri, pengenalan objek digunakan untuk mengotomatisasi proses produksi, memantau kualitas produk, dan meningkatkan efisiensi operasional.

Tantangan dalam Pengenalan Objek

Meskipun telah ada kemajuan yang signifikan dalam pengenalan objek menggunakan deep learning, masih ada beberapa tantangan yang perlu diatasi. Beberapa di antaranya adalah:

Variabilitas dalam Data: Objek dalam citra dapat muncul dalam berbagai pose, ukuran, dan kondisi pencahayaan yang berbeda, yang dapat membuat pengenalan menjadi lebih sulit.
Overfitting: Model-model deep learning rentan terhadap overfitting, terutama jika data pelatihan terbatas atau tidak seimbang.
Interpretabilitas: Meskipun deep learning sering kali menghasilkan hasil yang sangat baik, interpretasi alasan di balik prediksi model seringkali sulit dipahami oleh manusia.

1.2. Pengenalan Wajah

Pengenalan wajah adalah salah satu aplikasi paling umum dari deep learning dalam pengolahan citra. Deep learning memungkinkan sistem untuk belajar representasi wajah yang sangat kompleks, termasuk variasi dalam pencahayaan, pose, dan ekspresi. Dengan menggunakan jaringan neural yang dalam, sistem dapat mengenali individu dalam citra dengan tingkat akurasi yang tinggi.

Pengenalan Wajah Menggunakan Algoritma PCA

Baca Juga: Deteksi Wajah Menggunakan Algoritma Viola-Jones

Konsep Dasar Pengenalan Wajah

Konsep dasar dari pengenalan wajah adalah untuk mengajarkan komputer untuk mengidentifikasi individu berdasarkan ciri-ciri unik dari wajah mereka. Ini melibatkan ekstraksi fitur-fitur wajah yang penting, seperti bentuk mata, hidung, dan mulut, serta pola kulit, rambut, dan ciri-ciri lainnya.

Dalam deep learning, CNN telah terbukti sangat efektif dalam mempelajari representasi yang abstrak dari wajah manusia. CNN belajar untuk mengidentifikasi pola-pola penting dalam citra wajah, yang kemudian digunakan untuk membedakan antara individu-individu yang berbeda.

Arsitektur Convolutional Neural Networks (CNN) untuk Pengenalan Wajah

Seperti dalam pengenalan objek, CNN juga merupakan arsitektur yang paling umum digunakan dalam pengenalan wajah. Arsitektur CNN terdiri dari lapisan-lapisan yang berbeda, termasuk lapisan konvolusi, lapisan aktivasi, dan lapisan pooling.

Lapisan konvolusi bertanggung jawab untuk mengekstrak fitur-fitur penting dari citra wajah, seperti tepi, sudut, dan tekstur kulit. Lapisan aktivasi kemudian menerapkan fungsi aktivasi non-linear untuk menghasilkan representasi yang lebih abstrak dari fitur-fitur tersebut. Sedangkan lapisan pooling digunakan untuk mengurangi dimensi data dengan mengambil nilai maksimum atau rata-rata dari wilayah-wilayah tertentu dalam citra.

Penggunaan Pengenalan Wajah dalam Berbagai Konteks

Pengenalan wajah telah diterapkan dalam berbagai konteks, termasuk:

Keamanan: Sistem pengenalan wajah digunakan dalam sistem keamanan untuk mengontrol akses ke area terbatas, seperti gedung kantor, ruangan rahasia, atau perangkat elektronik pribadi.
Identifikasi: Pengenalan wajah digunakan dalam aplikasi identifikasi individu untuk keperluan seperti pemantauan kehadiran di tempat kerja, pengaturan sistem pembayaran tanpa kontak, atau keamanan perbatasan.
Pengawasan: Pengenalan wajah digunakan dalam sistem pengawasan untuk mendeteksi orang-orang yang mencurigakan atau terlarang di tempat umum, seperti bandara, stasiun kereta, atau acara publik.
Interaksi Manusia-Mesin: Pengenalan wajah digunakan dalam interaksi antara manusia dan mesin, seperti pengenalan pengguna pada perangkat pintar atau otomatisasi proses identifikasi di aplikasi perbankan atau pemerintahan.

Tantangan dalam Pengenalan Wajah

Meskipun telah ada kemajuan yang signifikan dalam pengenalan wajah menggunakan deep learning, masih ada beberapa tantangan yang perlu diatasi. Beberapa di antaranya adalah:

Variabilitas Wajah: Wajah manusia dapat muncul dalam berbagai pose, ekspresi, pencahayaan, dan sudut pandang, yang membuat pengenalan menjadi lebih sulit.
Privasi dan Etika: Penggunaan teknologi pengenalan wajah memunculkan banyak pertanyaan tentang privasi individu dan etika penggunaan data biometrik.
Keamanan: Teknologi pengenalan wajah juga rentan terhadap penipuan atau manipulasi, seperti menggunakan foto atau video palsu untuk melewati sistem pengenalan.

2. Restorasi Citra

Restorasi citra adalah proses untuk memperbaiki atau memperbaiki citra yang rusak atau kabur. Deep learning telah digunakan untuk restorasi citra dalam berbagai konteks, termasuk restorasi citra medis, restorasi citra histologi, dan lain-lain.

Baca Juga: Perbaikan Kualitas Citra (Image Enhancement)

2.1. Denoising

Salah satu tugas dalam restorasi citra adalah denoising, yaitu proses untuk menghilangkan atau mengurangi noise atau gangguan yang tidak diinginkan dari citra digital. Noise dalam citra dapat disebabkan oleh berbagai faktor, termasuk sensor kamera, lingkungan pencahayaan yang rendah, atau kesalahan dalam proses akuisisi citra. Tujuan dari denoising adalah untuk memperbaiki kualitas citra dengan menghilangkan noise tanpa mengurangi detail yang penting.

Metode Denoising Konvensional

Sebelum kedatangan deep learning, metode denoising konvensional termasuk teknik-teknik seperti penghalusan Gaussian, median filtering, atau penggunaan filter spesifik seperti filter bilateral. Meskipun metode-metode ini relatif mudah untuk diimplementasikan dan dipahami, mereka seringkali tidak efektif dalam menghilangkan noise tanpa mengurangi detail citra yang penting, terutama dalam kasus noise yang kuat atau kompleks.

Deep Learning untuk Denoising

Dengan kemajuan dalam deep learning, khususnya dengan penggunaan Convolutional Neural Network (CNN), denoising citra telah mencapai tingkat akurasi yang lebih tinggi. Deep learning memungkinkan model-model untuk mempelajari representasi yang lebih abstrak dari citra, sehingga dapat mengidentifikasi dan menghilangkan noise dengan lebih efektif.

Convolutional Neural Network (CNN) untuk Denoising

CNN digunakan dalam denoising citra dengan mempelajari hubungan kompleks antara citra yang bersih (tanpa noise) dan citra yang terkontaminasi oleh noise. Selama proses pelatihan, model CNN belajar untuk memetakan citra yang terkontaminasi ke citra yang bersih, sehingga ketika dihadapkan pada citra yang belum pernah dilihat sebelumnya, model dapat menghasilkan estimasi yang akurat dari citra yang sebenarnya.

Penggunaan Data Pelatihan yang Luas

Salah satu kekuatan utama deep learning dalam denoising adalah kemampuannya untuk memanfaatkan jumlah data pelatihan yang besar. Dengan menggunakan dataset yang luas, model dapat mempelajari representasi yang lebih umum dari citra yang terkontaminasi oleh noise, sehingga dapat menghasilkan hasil yang lebih baik pada citra-citra baru yang belum pernah dilihat sebelumnya.

Tantangan dalam Denoising

Meskipun deep learning telah membawa kemajuan besar dalam denoising citra, masih ada beberapa tantangan yang perlu diatasi. Beberapa di antaranya adalah:

Overfitting: Model-model deep learning rentan terhadap overfitting, terutama jika data pelatihan terlalu sedikit atau tidak mewakili variasi yang cukup dari citra yang terkontaminasi oleh noise.
Komputasi yang Intensif: Pelatihan model deep learning untuk denoising membutuhkan sumber daya komputasi yang besar, terutama jika menggunakan dataset yang luas atau arsitektur yang kompleks.
Penyesuaian Parameter: Memilih parameter-parameter yang tepat untuk model denoising, seperti ukuran jendela atau jumlah lapisan dalam CNN, dapat menjadi tantangan yang membutuhkan pengujian dan eksperimen yang cermat.

2.2. Deblurring

Deblurring adalah proses untuk mengurangi atau menghilangkan efek kabur dari citra digital. Efek kabur dapat terjadi karena berbagai faktor, termasuk gerakan kamera saat pengambilan foto, ketidakstabilan tangan saat memotret, atau ketajaman optik yang rendah pada lensa kamera. Tujuan dari deblurring adalah untuk memperbaiki kualitas citra dengan mengembalikan detail yang hilang akibat kabur.

Denoising dan Deblurring Menggunakan Filter Wiener

Baca Juga: Restorasi Citra Digital: Mengatasi Derau untuk Mendapatkan Kualitas yang Lebih Baik

Metode Deblurring Konvensional

Sebelum perkembangan dalam deep learning, metode deblurring konvensional melibatkan teknik-teknik seperti penggunaan filter spesifik seperti filter dekonvolusi, penggunaan algoritma penghapusan kabur seperti algoritma Richardson-Lucy, atau penggunaan informasi tambahan seperti estimasi gerakan kamera untuk mengkompensasi efek kabur. Namun, metode-metode ini seringkali tidak dapat menghasilkan hasil yang memuaskan, terutama dalam kasus kabur yang kompleks atau kuat.

Deep Learning untuk Deblurring

Dengan kemajuan dalam deep learning, khususnya dengan penggunaan Convolutional Neural Network (CNN), deblurring citra telah mencapai tingkat akurasi yang lebih tinggi. Deep learning memungkinkan model-model untuk mempelajari representasi yang lebih abstrak dari citra, sehingga dapat mengidentifikasi dan mengurangi efek kabur dengan lebih efektif.

Convolutional Neural Network (CNN) untuk Deblurring

CNN digunakan dalam deblurring citra dengan mempelajari hubungan kompleks antara citra yang terkabur dan citra yang tidak terkabur. Selama proses pelatihan, model CNN belajar untuk memetakan citra yang terkabur ke citra yang tidak terkabur, sehingga ketika dihadapkan pada citra yang belum pernah dilihat sebelumnya, model dapat menghasilkan estimasi yang akurat dari citra yang sebenarnya.

Penggunaan Data Pelatihan yang Luas

Salah satu kekuatan utama deep learning dalam deblurring adalah kemampuannya untuk memanfaatkan jumlah data pelatihan yang besar. Dengan menggunakan dataset yang luas, model dapat mempelajari representasi yang lebih umum dari efek kabur dalam citra, sehingga dapat menghasilkan hasil yang lebih baik pada citra-citra baru yang belum pernah dilihat sebelumnya.

Tantangan dalam Deblurring

Meskipun deep learning telah membawa kemajuan besar dalam deblurring citra, masih ada beberapa tantangan yang perlu diatasi. Beberapa di antaranya adalah:

Overfitting: Model-model deep learning rentan terhadap overfitting, terutama jika data pelatihan terlalu sedikit atau tidak mewakili variasi yang cukup dari efek kabur dalam citra.
Penyesuaian Parameter: Memilih parameter-parameter yang tepat untuk model deblurring, seperti ukuran jendela atau jumlah lapisan dalam CNNs, dapat menjadi tantangan yang membutuhkan pengujian dan eksperimen yang cermat.

3. Segmentasi Citra

Segmentasi citra adalah proses untuk membagi citra menjadi bagian-bagian yang berbeda, yang kemudian dapat dianalisis secara terpisah. Deep learning telah digunakan untuk segmentasi citra dalam berbagai konteks, termasuk segmentasi medis, segmentasi objek, segmentasi tekstur, dan lain-lain.

Segmentasi Citra Menggunakan Metode Active Contour

3.1. Segmentasi Objek

Segmentasi objek adalah proses untuk memisahkan objek atau benda dari latar belakang dalam sebuah citra. Tujuannya adalah untuk mengidentifikasi dan menentukan batas-batas yang tepat dari objek dalam citra sehingga objek dapat dianalisis secara terpisah. Segmentasi objek merupakan langkah penting dalam berbagai aplikasi pengolahan citra, termasuk pengenalan objek, deteksi objek, pelacakan objek, dan pemahaman konten citra.

Segmentasi Citra Menggunakan Metode Klasifikasi

Baca Juga: Metode Segmentasi Citra Digital

Metode-Metode Segmentasi Objek

Ada berbagai metode yang digunakan untuk segmentasi objek dalam pengolahan citra digital. Beberapa di antaranya adalah:

1. Metode berbasis intensitas

Metode ini menggunakan karakteristik intensitas piksel dalam citra, seperti tingkat kecerahan atau warna, untuk membedakan antara objek dan latar belakang. Contoh metode berbasis intensitas termasuk thresholding, pemisahan histogram, dan pemisahan berdasarkan filter.

2. Metode berbasis kontur

Metode ini fokus pada deteksi kontur atau batas-batas objek dalam citra. Algoritma-algoritma seperti Canny Edge Detection atau algoritma watershed digunakan untuk menemukan kontur objek yang jelas.

3. Metode berbasis klasifikasi

Metode ini melibatkan penggunaan model klasifikasi, seperti Support Vector Machines (SVM) atau Convolutional Neural Network (CNN), untuk membedakan antara piksel-piksel yang termasuk dalam objek dan latar belakang.

4. Metode berbasis region

Metode ini membagi citra menjadi wilayah-wilayah homogen berdasarkan beberapa kriteria, seperti warna, tekstur, atau intensitas, dan kemudian menggabungkan wilayah-wilayah tersebut untuk membentuk objek. Contoh metode berbasis region termasuk algoritma region growing dan algoritma mean shift.

Convolutional Neural Network (CNN) untuk Segmentasi Objek

Dalam beberapa tahun terakhir, Convolutional Neural Networks (CNN) telah menjadi salah satu pendekatan yang paling sukses dalam segmentasi objek. CNN dapat mempelajari representasi yang lebih abstrak dari citra yang berguna untuk membedakan antara objek dan latar belakang.

Selama proses pelatihan, CNN belajar untuk memetakan piksel-piksel dalam citra ke kelas-kelas yang berbeda, misalnya, objek atau latar belakang. Dengan menggunakan citra bersamaan dengan label segmentasi yang tepat, model CNN dapat mempelajari hubungan kompleks antara fitur-fitur citra dan kelas-kelas segmentasi.

Aplikasi Segmentasi Objek

Segmentasi objek memiliki berbagai aplikasi dalam pengolahan citra digital, termasuk:

Pengenalan objek: Untuk mengidentifikasi dan membedakan objek-objek dalam sebuah citra.
Deteksi objek: Untuk menemukan lokasi objek dalam sebuah citra.
Pelacakan objek: Untuk melacak pergerakan objek dari satu frame citra ke frame berikutnya dalam sebuah video.
Pemahaman konten citra: Untuk menganalisis dan memahami struktur dan konten dari sebuah citra.

Tantangan dalam Segmentasi Objek

Meskipun telah ada kemajuan yang signifikan dalam segmentasi objek, masih ada beberapa tantangan yang perlu diatasi, termasuk:

Variabilitas objek: Objek dalam citra dapat bervariasi dalam ukuran, bentuk, warna, dan tekstur, yang membuat segmentasi menjadi lebih sulit.
Kompleksitas latar belakang: Latar belakang dalam citra dapat mengandung elemen-elemen yang rumit atau tidak terduga yang dapat membingungkan algoritma segmentasi.
Interaksi antar objek: Ketika objek-objek tumpang tindih atau berdekatan satu sama lain, membedakan antara mereka menjadi lebih sulit.

Baca Juga: Apa itu Artificial Intelligence, Deep Learning, Dan Convolutional Neural Network??

Deep learning telah membawa kemajuan besar dalam bidang pengolahan citra digital. Dengan menggunakan jaringan neural yang dalam, deep learning telah menghasilkan hasil yang luar biasa dalam berbagai tugas seperti pengenalan objek, restorasi citra, segmentasi citra, dan banyak lagi. Meskipun demikian, masih banyak tantangan yang harus diatasi, termasuk interpretabilitas model, keterbatasan data pelatihan, dan lain-lain. Namun, dengan terus berkembangnya teknologi dan penelitian, deep learning diharapkan akan terus meningkatkan kinerja dan aplikasinya dalam pengolahan citra digital di masa mendatang.

Berikut ini merupakan beberapa source code pemrograman matlab eksklusif mengenai penerapan deep learning dalam pengolahan citra digital:

1. Identifikasi Fraktur Tulang Tibia Dan Fibula Menggunakan Algoritma Support Vector Machine (SVM)
Pada pemrograman ini, segmentasi citra dilakukan menggunakan metode deteksi tepi canny, ekstraksi ciri dilakukan menggunakan metode moment invariant, sedangkan identifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM).

2. Klasifikasi Jenis Buah Mangga Menggunakan Convolutional Neural Network (CNN)
Pada pemrograman ini, jenis buah mangga yang diklasifikasikan adalah mangga apel, mangga arumanis, mangga madu, dan mangga manalagi. Layer-layer yang digunakan dalam membangun arsitektur CNN antara lain imageInputLayer, convolution2dLayer, batchNormalizationLayer, reluLayer, maxPooling2dLayer, fullyConnectedLayer, softmaxLayer, dan classificationLayer.

3. Identifikasi Kesegaran Ikan Nila Menggunakan Metode K-Nearest Neighbor (K-NN)
Pada pemrograman ini, ekstraksi ciri dilakukan menggunakan ciri tekstur GLCM (Gray Level Co-Occurence Matrix) dan ciri warna HSV (Hue, Saturation, Value).

4. Klasifikasi Hewan Kucing Dan Anjing Menggunakan Convolutional Neural Network (CNN) ResNet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan hewan kucing dan anjing. Arsitektur yang digunakan untuk membangun CNN adalah ResNet-18.

5. Semantic Segmentation Using Convolutional Neural Network (CNN) ResNet
Pada pemrograman ini, CNN digunakan untuk melakukan deteksi hewan kucing. Arsitektur yang digunakan untuk membangun CNN adalah ResNet-18.

6. Watermarking Citra Menggunakan Discrete Wavelet Transform (DWT)
Pada pemrograman ini, watermarking citra digital dilakukan menggunakan metode Discrete Wavelet Transform (DWT). Dengan menggunakan empat level dekomposisi wavelet dan variasi nilai alpha dalam proses watermarking.

7. Klasifikasi Jenis Jambu Biji Menggunakan Convolutional Neural Network (CNN) Alexnet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan jenis jambu biji. Arsitektur yang digunakan untuk membangun CNN adalah Alexnet.

8. Klasifikasi Jenis Penyakit Pada Daun Kopi Menggunakan Convolutional Neural Network (CNN) Densenet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan jenis penyakit pada daun kopi. Arsitektur yang digunakan untuk membangun CNN adalah Densenet-201.

9. Identifikasi Tingkat Kematangan Buah Jeruk Menggunakan Metode K-Nearest Neighbor (K-NN)
Pada pemrograman ini, ekstraksi ciri menggunakan ciri tekstur orde satu dan orde dua GLCM (Gray Level Co-Occurence Matrix), ciri warna HSV (Hue, Saturation, Value), dan ciri bentuk (Metric, Eccentricity). Seleksi ciri dilakukan menggunakan metode Principal Component Analysis (PCA). Sedangkan klasifikasi menggunakan metode K-Nearest Neighbor (K-NN).

10. Identifikasi Tingkat Kematangan Buah Pepaya Menggunakan Metode Support Vector Machine (SVM)
Pada pemrograman ini, segmentasi citra dilakukan dengan menggunakan metode K-Means Clustering. Ekstraksi ciri menggunakan ciri warna RGB (Red, Green, Blue) dan ciri tekstur GLCM (Gray Level Co-Occurence Matrix). Sedangkan klasifikasi menggunakan metode Support Vector Machine (SVM).

11. Identifikasi Tingkat Kematangan Buah Naga Menggunakan Jaringan Syaraf Tiruan (JST) Backpropagation
Pada pemrograman ini, segmentasi citra dilakukan dengan menggunakan metode thresholding. Ekstraksi ciri menggunakan ciri warna HSV (Hue, Saturation, Value) dan ciri warna YCbCr (Luminance, Chrominance-Blue, Chrominance-Red). Sedangkan klasifikasi menggunakan metode Jaringan Syaraf Tiruan Backpropagation.