DETEKSI ILLEGAL LOGGING DENGAN MENGGUNAKAN

METODE WAVELET NEURAL-NETWORK

SyafruddinSyarif, IndrabayuAmirullah, AnindityaNurulJafar

Jurusan Elektro Fakultas Teknik

Universitas Hasanuddin

Email:nurulanindityajafar@gmail.com

ABSTRACT

Illegal Logging are activities related with chopping down trees unauthorized or does
not have permissions. It has estimated that losses caused by illegal logging reach Rp. 3 billion
every year. That losses is equivalent to 11% of Indonesian Government budget for subsidized
fuel in 2004.
On image processing stages, it uses conventional segmentation, where only the Red
layer is extracted from an RGB image. A sample image is cropped based to its condition,
which are trees area and non-trees area. The results of the cropped image is extracted with
conventional segmentation. Conventional segmentation use the pattern of 25 red layers value,
that pattern is chosen through trial and error stages. On this system, there are 2100 red layers
pattern for trees area and 2000 red layers pattern for non-trees area or illegal logging vestige.
The sample image that is used for the test, is taken from a protected forrest in
Kampar, Riau with the size 750 m × 560 m. This region is selected because of the availability
of imagery in this area on the Google Earth. The test result demonstrate the accuracy for the
illegal logging detection with neural network backpropagation model reach 99,33%.

Keyword :Illegal Logging, Neural Network, Backpropagation.

1. Pendahuluan MegadiversityCountry. Hutan Indonesia

Hutan Indonesia merupakan salah satu merupakan rumah bagi ribuan jenis flora
pusat keanekaragaman hayati di dunia, dan fauna dan beberapa dari flora dan
dimana Indonesia merupakan urutan fauna tersebut merupakan endemik di
ketiga dari tujuh negara yang disebut Indonesia. Kenyataannya pemanfaatan

1
hutan alam yang telah berlangsung sejak Illegal logging mencapai Rp.30 trilyun
awal 1970-an ternyata memberikan efek per tahun. Kerugian dari segi lingkungan
jangka panjang yang buruk bagi hutan di yang paling utama adalah hilangnya
Indonesia. Terlepas dari keberhasilan sejumlah tertentu pohon sehingga tidak
penghasil devisa, peningkatan terjaminnya keberadaan hutan yang
pendapatan, menyerap tenaga kerja, serta berakibat pada rusaknya lingkungan,
mendorong pembangunan wilayah, berubahnya iklim mikro, menurunnya
pembangunan kehutanan melalui produktivitas lahan, erosi dan banjir serta
pemanfaatan hutan alam memberikan hilangnya keanekaragaman
dampak negatif. Dampak negatif tersebut hayati.Dampak yang lebih parah lagi
antara lain tingginya laju deforestasi adalah kerusakan sumber daya hutan
yang menimbulkan kekhawatiran akan akibat penebangan liar tanpa
tidak tercapainya kelestarian hutan mengindahkan kaidah manajemen hutan
yang diperkuat oleh adanya penebangan dapat mencapai titik dimana upaya
liar (Illegal logging). mengembalikannya ke keadaan semula
Kegiatan penebangan kayu secara liar menjadi tidak mungkin lagi
(illegal logging) tanpa mengindahkan (irreversible).
kaidah-kaidah manajemen hutan untuk Pengolahan citra saat ini
menjamin kelestarian sumber daya hutan mempunyai aplikasi yang sangat luas
telah menyebabkan berbagai dampak dalam berbagai bidang kehidupan antara
negatif dalam berbagai aspek, sumber lain di bidang biomedis, astronomi,
daya hutan yang sudah hancur selama arkeologi, arsip citra dan dokumen,
masa orde baru, kian menjadi rusak bidang industri, dan pengindraan jauh.
akibat maraknya penebangan liar dalam Hal tersebut menyebabkan ketersediaan
jumlah yang sangat besar. Kerugian citra-citra digital untuk sebagian besar
akibat penebangan liar memiliki dimensi wilayah di permukaan bumi semakin
yang luas tidak saja terhadap masalah banyak.Dalam Tugas Akhir ini,
ekonomi, tetapi juga terhadap masalah digunakan citra yang diperoleh dari
sosial, budaya, politik dan lingkungan. Google Earth.Google Earth tersusun dari
Dari perspektif ekonomi kegiatan Illegal citra-citra resolusi tinggi (quickbird,
logging telah mengurangi penerimaan ikonos, geo-eye) serta citra resolusi
devisa negara dan pendapatan negara. menengah (landsat, aster, spot).
Berbagai sumber menyatakan bahwa Wavalet merupakan Alat bantu
kerugian negara yang diakibatkan oleh matematis yang mampu melakukan

2
dekomposisi terhadap sebuah fungsi
secara terhirarkhi. Wavelet dapat
digunakan untuk menggambarkan
sebuah model atau citra asli ke dalam 2.1 Segmentasi Konvensional
suatu fungsi matematis tanpa Segmentasi citra dilakukan untuk
memperhatikan bentuk dari model mengusahakan masukan pada neural
merupakan citra, kurva, atau sebuah network secara efisien dan efektif.
bidang.Transformasi wavelet merupakan Karenajika data citra yaitu per pixel
sebuah fungsi konversi yang dapat langsungdimasukkan sebagai masukan
membagi fungsi atau sinyal de dalam NeuralNetworkuntukdiklasifikasi,makaju
komponen frekuensi atau skala yang mlahnya akan menjadi sangat besar dan
berbeda, dan selanjutnya dapat dipelajari akan memerlukan waktu yang sangat
setiap komponennya tersebut dengan lama untuk melakukan pelatihan.
resolusi tertentu sesuai dengan skalanya. Metoda segmentasi konvensional
Jaringan Syaraf Tiruan ( ini dilakukan dengan cara membagi citra
NeuralNetwork ) yang biasa disingkat menjadi kelompok-kelompok yang lebih
JST adalah paradigma pemrosesan kecil, sehingga
suatu informasi diharapkanuntukpengolahan
yangterinspirasi oleh sistem syaraf datanya dapat dilakukan lebih cepat.
biologi, sama seperti otak yang
memprosessuatu informasi dimana
terdiri dari unit- unit pemroses terkecil
yang disebutneuron. Jaringan Syaraf
Tiruan dibentukuntuk memecahkan suatu
masalah sepertipengenalan pola, Gambar I. Ilustrasi Segmentasi
klasifikasi, atau deteksi.Jaringan Syaraf Konvensional
Tiruan (Neural
Network)berkembangpesat Salah satu kelemahan
beberapatahunbelakangan ini.Hal padametodasegmentasi
tersebut disebabkan karena Jaringan konvensional
Syaraf Tiruan dapat dibuat menjadi iniadalahpemilihan berapa jumlah
model atau fungsi yang sangat kompleks. segmenyang dilakukan. Apabila jumlah
segmen terlalu banyak maka proses
pengolahan datanya akan menjadi lebih

3
lama, sedangkan jika jumlah segmen Transformasi Wavelet
terlalu sedikit maka data yang diperoleh Dengan menggunakan koefisien
tidak sesuai dengan representasi citra DWT2, maka dapat dilakukan proses
yang sebenarnya. inverse discrete wavelet transform 2-
D(IDWT2) untuk merekontruksi menjadi
2.2 Wavelet sinyal asal. DWT2 menganalisis sinyal
Transformasi wavelet merupakan pada frekuensi berbeda dengan resolusi
sebuah fungsi konversi yang dapat berbeda melalui dekomposisi sinyal
membagi fungsi atau sinyal de dalam menjadi detail informasi dan taksiran
komponen frekuensi atau skala yang kasar. DWT2 bekerja pada dua
berbeda, dan selanjutnya dapat dipelajari kumpulan fungsi yang disebut fungsi
setiap komponennya tersebut dengan penskalaan dan fungsi wavalet yang
resolusi tertentu sesuai dengan skalanya. masing-masing berhubungan dengan
lowpass filter dan highpass filter.
a. Dekomposisi Citra Pada
Transformasi Wavelet
Pada tahap ini dilakukan proses
dekomposisi data yang dimulai dengan
melakukan dekomposisi terhadap baris
dari data yang diikuti dengan operasi
dekomposisi terhadap kolom pada
koefisien data keluaran dari tahap Gambar III. Transformasi Wavelet
pertama sehingga di peroleh koefisien Rekonstruksi
discrete wavelet transform 2-D (DWT2).
2.2 Artificial Neural Network
Jaringan Syaraf Tiruan (Neural
Network)merupakanparadigmapemrosesa
n suatu informasiyangterinspirasi
oleh sistem syaraf biologi,
sama seperti otak yang memproses suatu
Gambar II. Transformasi Wavelet informasi dimana terdiri dari unit-unit
Dekomposisi pemroses terkecil yang disebut neuron.
Jaringan syaraf tiruan dibentuk untuk
b. Rekonsturksi Citra Pada memecahkan suatu

4
 masalahsepertipengenalan pola, tersembunyi untukditeruskan ke unit-unit

klasifikasi, atau deteksi karena proses lapis keluaran.Kemudian unit-

pembelajaran. unitlapiskeluaranmemberikan tanggapan

Jaringan syaraf tiruan, seperti yang disebutsebagai keluaran Neural
manusia, belajar dari suatu contoh Network. Saatkeluaran Neural Network
karenamempunyai karakteristik yang tidak samadengan keluaran yang
adaptif,yaitu dapat belajar diharapkan makakeluaran
daridata-datasebelumnya dan akandisebarkan
mengenal pola data yang selalu berubah. mundur(backward)padalapis
Selain itu, neural network merupakan tersembunyiditeruskan ke unit
sistem tak terprogram, artinya semua pada lapis masukan.Oleh
keluaran atau kesimpulan yang ditarik karenanyamaka
oleh jaringan didasarkan pada mekanismepelatihan
pengalamannya selama mengikuti proses tersebutdinamakanbackpropagati
pembelajaran/pelatihan. on/ propagasi balik.

2.4Backpropagation
Backpropagationatau
3.1 Deskripsi Umum Sistem
propagasibalik
Sistem deteksi yang dilakukan
merupakansuatuteknikpembelajar
adalah deteksi secara Real Time. Sampel
an/pelatihan supervisedlearning yang
citra hutan yang diperoleh dari Google
paling banyak digunakan.
Earth Plus merupakan daerah hutan
Metode ini merupakan salah satu metode
lindung di kabupatenLahat,Sumatera
yang sangat baik dalam menangani Selatan. Pemilihan wilayah ini karena
masalah pengenalan pola-pola kompleks. ketersediannya di Google Earth Plus,
Di dalam jaringan propagasi balik, setiap dimana tidak semua wilayah memiliki
unit yang berada di lapisan input lebih dari satu citra tahun. Selain itu,
terhubung dengan setiap unit yang ada di kualitas citra pada wilayah ini cukup baik
lapisan tersembunyi. Secara garis besar, seperti tidak terdapat banyak awan pada
mengapa algoritma ini di sebut sebagai citra dan selisih waktu ketiga data tidak
propagasi balik (Backpropagation), terlalu jauh dibanding citra di wilayah
dapatdiuraikan sebagai berikut: Ketika lain. Kesemua sampel citra memiliki
NeuralNetwork diberikan pola masukan ukuran wilayah 480 m × 240 m. Ukuran
sebagaipola pelatihan maka pola tersebut ini digunakan sebagai masukan untuk
menuju ke unit-unit pada lapis pengujian sistem karena dengan

5
menggunakan ukuran ini daerah hutan Wavelet-Neural network dalam
masih dapat terlihat jelas dan karena mendeteksi Illegal Logging.
setiap gambar memiliki resolusi 1152
pixel x 576 pixel sehingga untuk setiap 3.2 Alur dan Arsitektur Sistem
pixel mewakili 0,18 m2 dari gambar, Alur dan arsitektur sistem yang dibuat
dengan begitu perubahan yang terjadi dibagi menjadi 3 tahapan yaitu :
dapat teridentifikasi dengan lebih baik. ♦ Tahap Pre-processing
Sampel citra yang ada akan ♦ Tahap Pembuatan Sistem
melalui tahapan pre-processing, dan ♦ Tahap Pengujian Sistem
kemudian menggunakan metode
Wavelet-Neural network
Backpropagation untuk pendeteksian 3.2.1 Tahap Preprocessing
penebangan liar. Sistem akan Tahap pertama dalam pembuatan
membandingkan parameter fitur layer sistem ini, yaitu tahap pre-processing
filtering Red dari RGB sampel citra data diawali dengan pengambilan citra hutan
uji dengan parameter fitur layer filtering di daerah kabupaten Lahat,Sumatra
Red dari RGB sampel citra data latih. Selatan . Hasil dari pengambilan citra
Dengan demikian dapat diketahui apakah tersebut kemudian di klasifikasikan
terjadi penebangan liar atau tidak pada menjadi daerah tertebang dan daerah
daerah tersebut. pepohonan, yang akan disegmentasikan
Alur pembuatan sistem deteksi dan kemudian di save menjadi data latih
penebangan liar (Illegal Logging) ini untuk Wavelet-Neural network.
terbagi menjadi tahap pre-processing, Flowchart untuk tahap ini, seperti pada
tahap pembuatan Wavelet-Neural gambar 2.
network, dan tahap pengujian sistem.
Tahap pre-processing merupakan tahap
pengambilan dan pembuatan data latih.
Pada tahap pembuatan sistem, Wavelet-
Neural networkyang akan dipakai
sebagai pendeteksi Illegal Logging
dibentuk dan dilatih dengan data yang
diperoleh dari tahap sebelumnya. Tahap
pengujian sistem untuk menguji sejauh
mana kemampuan dan keakuratan

6
 Mulai

Sampel Citra
Hutan
Gambar V. Proses PengambilanData

Pengambilan sampel daerah tertebang Latih Dengan

dan daerah pepohonan MenggunakanSegmentasi
Konvensional
Segmentasi

Save data latih dan data Agar data dapat dikenali oleh
target
jaringan dan dapat diproses maka data

Selesai harus diubah terlebih dahulu dalam

Gambar IV. Flowchart Preprocessing bentuk matriks atau numerik. Untuk data
latih daerah tertebang dan daerah
Seperti terlihat pada gambar IV, dengan pepohonan akan tersimpan dalam format
menggunakan software Google Earth file .mat. Pada pembuatan data
dilakukan pengambilan citra daerah target, akandilakukan load pada data
hutan lindung yang diidentifikasi latih yang telah tersimpan sebelumnya
mengalami illegal logging.Citra tersebut untuk diberi nilai target sesuai dengan
akan digunakan sebagai data latih untuk kelasnya yaitu:
sistem yang akan digunakan. ♦ Target diberi nilai 1 untuk data
Pengambilan citra untuk data latih latih daerah tertebang
melalui proses croping dengan ukuran ♦ Target diberi nilai 0 untuk data
128 × 128pixeldan diklasifikasikan latih daerah pepohonan
menjadi data latih untuk daerah
tertebang dan data latih untuk 3.2.2 Tahap Pembuatan Sistem
pepohonan. Satu pola yang diambil Flowchart
terdiri dari64 pixel dimana tiap-tiap pixel untuktahappembuatan sistem
memiliki 3 layer yaitu Red, Green, tampak pada gambar VI, dimana diawali
Blue(RGB), namun pada sistem ini dengan load data latih dari tahap
hanya layerRed yang paling mudah sebelumnya, kemudian dilakukan setting
dikelola saat proses Wavelet-Neural parameter-parameter neruralnetwork.
network. Selanjutnya sistem dilatih hingga
diperoleh keluaran jaringan dengan error
yang paling mendekati error yang

7
ditargetkan. normalisasi agar terjadi sinkronisasi data,
disamping itu juga untuk memudahkan
dalam proses komputasi.

Mulai

Load Data 3.2.3 Pengujian Sistem

Latih Untuk mengetahui kemampuan sistem
neural network yang telah dibuat,
Proses Waveletuntuk
Dekomposisi dilakukan tahap pengujian sistem. Tahap
ini diawali dengan menginputkan citra
Setting Target 1 untuk
Ilegal Logging, yang akan diuji dengan sistem yang telah
0 untuk Non Ilegal logging dibuat. Output dari sistem kemudian di
analisa untuk ditentukan apakah daerah
Setting Parameter Neural
Network tersebut mengalami illegal logging atau
tidak.Flowchart tahap ini tampak pada
Training gambar VII.

Save Jaringan
Mulai
Selesai

Gambar VI. Flowchart Pembuatan Load Citra

Sistem
Proses Wavelet Dekomposisi

Pada tahap setting parameter

Load Jaringan Saraf Tiruan
neuralnetwork, fungsi aktivasi dari unit
masukanke layar tersembunyi adalah Proses WaveletRekonstruksi
sigmoidbipolar dan sigmoid
binerkemudian darilayar tersembunyi ke Output
keluaran adalahfungsi identitas.Langkah
pertama yangharus dilakukan untuk Analisis
memprogramBackpropagationdengan
matlab adalahinisialisai jaringan, Selesai

Inisialisasi
Gambar VII. Flowchart Pengujian
dilakukandenganmemberiperintahinit. Sistem
Selanjutnya normalisasi, tujuan utama

8
 Pada gambar VII, untuk Mulai
mengetahui keakuratan jaringan wavelet-
neural network dilakukan pengujian Load Citra
sistem dengan perintah sim. Keseluruhan
gambar akan dipecah menjadi sub pixel Proses Wavelet Dekomposisi
atau segmen dimana satu segmen terdiri
Load Jaringan Saraf Tiruan
dari 64pixel (sesuai dengan jumlah pixel
pada segmen data latih). Segmen-
Proses WaveletRekonstruksi
segmen tersebut akan dikenali atau
dideteksi oleh wavelet-neural network
Output
untuk penentuan daerah tertebang atau
daerah pepohonan. Analisis
Hasil deteksi oleh neural network
dapat diketahui dengan pemberian mark Selesai
(warna merah), pada gambar output. Gambar VIII. Flowchart Pengujian
Daerah yang ditandai dengan warna Sistem

merah Pada gambar VIII, untuk

merupakan daerah tertebang. Dalam mengetahui keakuratan jaringan wavelet-

penentuan apakah neural network dilakukan pengujian

daerahtersebutmengalami sistem dengan perintah sim. Keseluruhan

illegal logging atau tidak, gambar akan dipecah menjadi sub pixel
atau segmen dimana satu segmen terdiri
dari 64pixel (sesuai dengan jumlah pixel
3.2.3 Pengujian Sistem pada segmen data latih). Segmen-
Untuk mengetahui kemampuan segmen tersebut akan dikenali atau
sistem neural network yang telah dibuat, dideteksi oleh wavelet-neural network
dilakukan tahap pengujian sistem. Tahap untuk penentuan daerah tertebang atau
ini diawali dengan menginputkan citra daerah pepohonan.
yang akan diuji dengan sistem yang telah Hasil deteksi oleh wavelet-neural
dibuat. Output dari sistem kemudian di network dapat diketahui dengan
analisa untuk ditentukan apakah daerah pemberian mark (warna merah), pada
tersebut mengalami illegal logging atau gambar output.Daerah yang ditandai
tidak.Flowchart tahap ini tampak pada dengan warna merah merupakan daerah
gambar VIII. tertebang.Dalam menentukan apakah

9
daerah tersebut mengalami
Logging atau tidak, dilakukan deteksi
untuk citra pertama dan citra kedua atau
citra kedua dan citra ketiga. Selisih
antara luas daerah yang dimark (daerah
tertebang) pada data kedua dengan luas
daerah yang dimark pada data pertama,
akan menghasilkan nilai seperti:
ü Hasil pengurangan yang bernilai
positif (+1) maka Illegal Logging,
yang mengidentifikasikan bahwa luas
daerah pepohonan pada data awal
berkurang pada data akhir.
ü Hasil pengurangan yang bernilai nol
(0) maka tidak terjadi
Logging, yang mengidentifikasikan
bahwa luas daerah pepohonan pada
data awal dan data akhir tetap
samaatau tidak mengalami
perubahan.
Untuk mengetahui luasan daerah
Illegal Logging, terlebih
dilakukan perhitungan luas kawasan
hutan pada citra. Jadi untuk citra
masukan dengan ukuran 480 m × 240 m,
maka luas kawasan yang diamati yaitu:
480 m × 240 m = 115.200 m
Kemudian dilakukan perhitungan
cakupan luasan per pixel pada gambar,
dimana:
Luas cakupan perpixel =
Illegal Jadi untuk citra masukan dengan
resolusi 1152 × 576 pixel, diperoleh :
Luas cakupan per pixel =
115.200m2
1152×576 (pixel)
115.200m
Luas cakupan per pixel =
663.552(pixel)
Luas cakupan perpixel = 0.1736
Untuk memperoleh luas daerah Illegal
Logging digunakan :
Luas daerah illegal logging = selisih
jumlah pixel daerah tertebang x
jumlah pixel dalam satu segmen x
luas cakupan per pixel
Illegal
Sehingga di peroleh persamaan
berikut :
selisih jumlah pixel daerah tertebang
× 64 × 0.8 m = ⋯ m
4. Pengujian dan Analisa
dahulu Pengujian dilakukan dengan 10 Data
sampel citra yang masing-masing data
mempunyai 3 gambar yakni gambar
tahun 2006, gambar tahun 2007 dan
gambar tahun 2009 dari lokasi-lokasi
yang berbeda tetapi masih dalam wilayah
hutan lindung Lahat, Sumatera Selatan.
Ukuran citra uji yang digunakan yaitu
480 m × 240 m. Pada pengujian ini,
sampel data latih yang dipakai sebanyak
( )
( ) 1536 pola segmen untuk daerah non
illegal logging dan 1536 pola segmen
10
untuk daerah illegal logging.Jumlah data
uji dengan penebangan sebanyak 3
pasang sampel citra dengan penebangan
dan data uji tanpa penebangan sebanyak
3 pasang sampel.

Gambar IX. Sistem Pembuat Datalatih

Gambar XI. Salah Satu Contoh Input

&Output Sistem

Pendeteksian
penebanganliard
engan sistem ini dapat mendeteksi
penebangan minimal dengan luas 12 m2,
Gambar X. Sistem Pengujian batasan luasan ini karena sistem dilatih
hanya untuk mengenali pola yang terdiri
Luas daerah illegal logging = selisih dari 64pixel, dimana 1 pixel pada gambar
jumlah pixel daerah tertebang x sebanding dengan 0.18 m2 skala
jumlah pixel dalam satu segmen x sebenarnya, jadi terdapat hubungan
luas cakupan per pixel antara minimal luas area yang dapat
dideteksi dengan resolusispasial citra

11
yang dipakai. Semakin besar resolusi 3. Metode wavelet-neural network

spasial yang dipakai, luas area yang dapat digunakan untuk mendeteksi

dapat dideteksi semakin besar, laju perubahan luas illegal logging ,

sebaliknya, semakin kecil resolusi pada ( tahun 2006-2007 ) laju

spasial yang dipakai, luas area yang perubahan luas illegal logging

dapat dideteksi juga semakin sebesar 24975,4 m2 dan pada ( tahun

kecil.Walaupun begitu, pendeteksian 2007-2009 ) laju perubahan luas

dengan resolusi spasial yang besar, illegal logging sebesar 5483,52 m2

dapat mengurangi.
Keberhasilan dari program ini adalah 100 % Daftar Pustaka
dari 10 data yang di uji. [1.]http://dpd.go.id/2011/01/kesimpu
lan-rdpu-komite-ii-membahas-
5. Kesimpulan ruu-tentang-pencegahan-dan-
Berdasarkan pada penelitian yang pemberantasan-pembalakan-liar/
telah dilakukan mengenai pendeteksian diakses pada tanggal 21 Februari
penebangan liar atau pembalakan liar 2012
(illegal logging) dengan menggunakan [2.]Iqbal, Muhammad. 2009. Dasar
metode Wavelet Neural Network, maka Pengolahan Citra Menggunakan
dapat ditarik beberapa kesimpulan yaitu: Matlab. Institut Pertanian Bogor.
[3.]Sela, Enny Itje, danAgus
1. Metode Wavelet-Neural Network Harjoko. 2011. Deteksi dan
dapat digunakan untuk Identifikasi Objek Abnormal.
mengidentifikasi laju perubahan luas Yogyakarta
illegal logging dengan nilai [4.]GonzalesC.,Rafael, dan Richard
keakuratan mencapai 100% dengan Woods E. 2002. Digital Image
asumsi penebangan dibawah 1000 Processing Second Edition. New
m2 bukan illegal logging Jersey:Prentice Hall
2. Pendeteksian laju perubahan luas [5.]Purnomo, MauridhiHery dan
illegal logging dengan sistem ini Kurniawan, Agus. 2006.
dapat mendeteksi penebangan Supervised Neural Networks dan
2
minimal dengan luas 18 m , karena Aplikasinya. Yogyakarta : Graha
skala yang dipakai untuk 1 pixel Ilmu
pada gambar sama dengan 0,1736
[6.]Anonim.AWS(Automatic
m2 pada skala sebenarnya.
Weather Station).29 Mei
12
 2012.http://www.klimatologibanj [14.] Silvia dan Silvia Engeline.
arbaru.com/artikel/2008/12/aws- 2000. “Kompresi Citra
automatic-weather-station/ Menggunakan Transformasi
[7.]Jek Siang, Jong. 2009. Jaringan Wavelet Konvensional”. Jurusan
Syaraf Tiruan Teknik Elektro Unhas, Tugas
&Pemrogramannya Akhir
Menggunakan MATLAB. [15.] Rivanto dan
Yogyakarta : Penerbit Andi Dionisius.2012.“Pendeteksian
[8.]Hermawan, Arief. 2006. Illegal Logging Dengan Neural
Jaringan Syaraf Tiruan Teori Network Metode
dan Aplikasi. Yogyakarta : Backpropagation”. Jurusan
Penerbit Andi Teknik Elektro Unhas, Tugas
[9.]Kiki, Sri Kusumadewi. Analisis Akhir
Jaringan Syaraf Tiruan dengan [16.] Yusita dan rahmadaniah Erna.
Metode Backpropagation Untuk 2011. “Prediksi Curah Di
Mendeteksi Gangguan Psikologi. Wilayah Makassar Menggunakan
[10.] Muhammad Arief Rahman Metode Wavelet-Neural
Hakim. 2010. Wood Parket Network”. Jurusan Teknik
Classification based on GDLM Elektro Unhas, Tugas Akhir
testure Analysis With [17.] Rifad dan
Backpropagation Method. ZulkarnainJamid.2012.“Sistem
Gunadarma Universty Deteksi Citra Illegal Logging
[11.] Matlab help, neural network Menggunakan Proses Matching
toolbox, mathworks inc. Dengan Metode Discrete Cosine
[12.] Sutarno.2010. “Analisis Transform”. Jurusan Teknik
Perbandingan Transformasi Elektro Unhas, Tugas Akhir
Wavelet pada Pengenalan Citra [18.] Pingkan dan
Wajah”.Fakultas Ilmu Komputer, TrimurtiFeminina.2011.“Pemanf
Universitas Sriwijaya aatan Neuro fuzzy Untuk Deteksi
[13.] Deden.“Pemrosesan Citra Dini Illegal Logging”. Jurusan
Menggunakan Transformasi Teknik Elektro Unhas, Tugas
Wavelet” Akhir
http://elib.unikom.ac.id/download
.php?id=14396

13