IMPLEMENTASI THRESHOLD METODE OTSU

UNTUK SEGMENTASI CITRA DAN ALGORITMA MOUNTAIN

FUNCTION UNTUK DETEKSI GAMBAR
Dikky Kurnia
Syabab84@plasa.com
ABSTRAK
Pengenalan logo (logo recognition) yang dilakukan komputer, telah menjadi bidang kajian yang
menarik. Untuk melakukan pengenalan logo, berbagai tahapan telah diusulkan. Salah satu tahapan
yang diusulkan adalah pendeteksian, ekstraksi dan pengenalan. Pendeteksian gambar merupakan
langkah awal yang penting untuk dikerjakan pada tahapan pengenalan logo. Proses ekstraksi dan
pengenalan tidak akan dapat dikerjakan sebelum proses pendeteksian gambar dilakukan. Sistem
pendeteksi gambar dibuat dengan mengimplementasikan threshold metode OTSU dan algoritma
mountain function. Threshold metode OTSU merupakan algoritma yang digunakan untuk
melakukan segmentasi citra digital abu-abu ke dalam citra digital hitam (foreground) dan putih
(background). Algoritma mountain function digunakan untuk menghitung nilai kepadatan ruang
pixel foreground dalam sebuah kotak jendela yang bergerak untuk mendeteksi keberadaan gambar
pada dokumen citra.
Kata Kunci : Logo, Deteksi, Gambar, Threshold, OTSU, Mountain, Function.
ABSTRACT
Logo recognition which is process by a computer has been interesting study. To recognize a logo,
lot of methods is proposed. One method was proposed is detection, extraction and recognition.In
logo recognition stage, image detection is important first step to do. Extraction and recognition
would not be processed before detection process had done. Image detection system builded by
implements OTSUs threshold method and mountain function algorithm. OTSUs threshold
method is an algorithm which is used to segment digital image in to black and white image.
Mountain function algorithm is used to count spatial density value of the foreground pixel in a
windowed box which is move to detect the presence of a picture in document image.
Keyword : Logo, Detection, Picture, Threshold, OTSU, Mountain, Function.

1.1 Latar Belakang

Pengenalan logo (logo
recognition)
yang
dilakukan
komputer, telah menjadi bidang
kajian yang menarik, khususnya
dalam bidang kajian document image
analysis.
Untuk
melakukan
pengenalan logo, berbagai tahapan
telah diusulkan. Salah satu tahapan
yang diusulkan adalah pendeteksian,
ekstraksi dan pengenalan.

Pendeteksian gambar merupakan

langkah awal yang penting untuk
dikerjakan pada tahapan pengenalan
logo dalam sebuah dokumen citra.
Proses ekstraksi dan pengenalan tidak
akan dapat dikerjakan sebelum proses
pendeteksian gambar dilakukan.
Pada tugas akhir ini penulis mencoba
untuk membuat sistem pendeteksi
gambar (baik gambar logo ataupun non
logo) pada dokumen citra (citra digital
yang berisi teks, gambar logo atau
gambar non logo)
menggunakan

threshold
metode
OTSU
dan
algoritma mountain function.
Pendeteksian gambar yang akan
dikerjakan sistem, terdiri dari 2 proses
pokok.
Pertama,
melakukan
segmentasi dokumen citra abu-abu
kedalam dokumen citra hitam
(foreground) dan putih (background)
dengan
menggunakan
threshold
metode OTSU (citra digital hitam dan
putih yang dihasilkan dari proses
segmentasi menggunakan threshold
metode OTSU, dijadikan inputan
dalam proses deteksi gambar). Kedua,
deteksi gambar. Pendeteksian gambar
terdiri dari 2 tahapan, yaitu tahap
penghitungan kepadatan ruang pixel
menggunakan algoritma mountain
function dan pemotongan gambar.
Pemotongan
gambar
dilakukan
berdasarkan
hasil
penghitungan
kepadatan ruang pixel.
1.2 Threshold Metode OTSU
Merupakan salah satu metode
untuk mensegmentasi1 citra digital.
Threshold
metode
OTSU
diperkenalkan oleh Nobuyuki Otsu
dalam tulisannya A Threshold
Selection Method from Gray-Level
Histogram.
Threshold
metode
OTSU
melakukan
penyeleksian
nilai
threshold dari histogram2 citra abuabu. Metode penyeleksian nilai
threshold dilakukan dengan memakai
pendekatan statistika.
1

merubah citra digital warna abu-abu

menjadi
hitam
putih
berdasarkan
perbandingan nilai threshold dengan nilai
warna pixel citra digital
2
Histogram citra adalah grafik yang
menggambarkan
penyebaran
nilai-nilai
intensitas pixel dari suatu citra atau bagian
tertentu di dalam citra

Nilai threshold dipilih dari nilai

warna keabuan yang terletak pada
interval histogram dimana nilai warna
keabuan tersebut memaksimalkan nilai
fungsi :
(k ) = B2 (k ) / T2 (1)
dimana
[ (k ) ( k )]2
B2 (k ) = T
(2)
(k )[1 ( k )]
dan
L

T2 = (i T ) 2 Pi

(3)

i =1

T = ( L) = iPi

(4)

i =1

(k ) = iPi

(5)

(k ) = Pi

(6)

i =1
k

i =1

Pi = ni / N, Pi 0,

Pi = 1 (7)

i =1

Pixel pada citra direpresentasikan ke

dalam derajat keabuan L [1, 2, , L].
Jumlah Pixel dengan derajat keabuan i
dinotasikan dengan ni dan jumlah
keseluruhan pixel dengan N = n1 + n2 +
+ ni. Pi adalah representasi histogram,
k adalah nilai threshold.
1.3 Algoritma Mountain Function
Algoritma
Mountian
Function
diperkenalkan oleh Tuan D. Pham dan
Jinsong Yang dalam tulisannya yang
berjudul Logo Detection in Document
Images with Complex Background.
Algoritma mountain function digunakan
untuk menghitung nilai kepadatan ruang
pixel foreground dalam sebuah kotak
jendela yang bergerak untuk mendeteksi
keberadaan gambar pada dokumen citra.
Pendeteksian gambar menggunakan
algoritma
Mountain
Function
diformulasikan berdasarkan konsep

kepadatan
ruang
pixel-pixel
foreground (pixel hitam) dalam
sebuah kotak jendela yang berisi
gambar lebih besar daripada yang
berisi teks. Misalkan L adalah sebuah
dokumen citra dengan ukuran M x N
dan w (kotak jendela) bagian dari L
yang berukuran m x n yang
diperkirakan sebagai area gambar, k
adalah lokasi pixel dalam w dimana 1
k (m x n), dan p adalah titik
tengah dari w.
w
n

K
0
0
0
0
0
0
0

1
1
0
0
0
0
0
0

1
1
1
0
0
0
1
0

1
1
1
1
0
1
1
0

0
0
0
0
1
1
1
0

0
0
0
0
1
1
1
0

0
0
0
0
1
1
1
0

0
0
0
0
M
0
0
0
0

D ( p, k ) dirumuskan
Jarak
berikut :

sebagai

D ( p, k ) = [ x( p ) x( k )] 2 +
[ y ( p ) y ( k )] 2
(9)

Pixel
(hitam)
yang
mengumpul
cenderung mempunyai kepadatan ruang
yang besar daripada pixel (hitam) yang
terpencar. Pada saat kotak jendela berada
pada posisi pixel-pixel tertentu, M(p) nya
dihitung. Posisi jendela dengan nilai
M(p) yang tinggi menunjukan bahwa
disana terdapat gambar.
1.4 Proses Sistem

Pendeteksian gambar yang akan

dikerjakan sistem, terdiri dari 2 proses
Gambar 1.3.1 Dokumen citra (L) dengan
pokok.
ukuran M x N dan jendela (w) dengan ukuran
1. Segmentasi menggunakan metode
mxn
OTSU
Segmentasi
merupakan
proses
Mountain
function,
M(p)
mengubah
citra
digital
berwarna
abu-abu
didefinisikan sebagai berikut :
menjadi berwarna hitam putih. Langkahsegmentasi
menggunakan
M ( p ) = (k ) exp[ D ( p, k )] langkah
metode OTSU :
k w , p k
a. Pembuatan histogram citra
a < x ( p ) b, c < y ( p ) d (8)
b. Penyeleksian nilai threshold
c. Thresholding
adalah konstanta positif, D( p, k )
adalah jarak antara p (titik tengah 2. Pendeteksian gambar
Pendeteksian gambar dilakukan pada
jendela) dengan pixel k, x( p) dan
y ( p)
adalah
koordinat
pixel citra digital hitam putih hasil
segmentasi. Pendeteksian gambar terdiri
horisontal dan vertikal dari p,
dari 2 tahapan, yaitu :
a = round (m / 2) ,
round
adalah
a. Penghitungan kepadatan ruang pixel
fungsi
pembulatan,
dalam
jendela
menggunakan
b = M round (m / 2) ,
algoritma mountain function.
c = round (n / 2) ,
dan Penghitungan kepadatan ruang pixel
d = N round (n / 2) .
dilakukan pada tiap pixel yang berada
Fungsi (k ) didefinisikan sebagai dalam kotak jendela yang bergerak per
berikut:
satu pixel pada citra digital. Langkahlangkah penghitungan kepadatan ruang
(k ) =1 : Fk = foreground (hitam)
pixel menggunakan algoritma mountain
(k ) = 0 : Fk = background ( putih)
function :
1. Pemeriksaan nilai pixel ke-i.
N

2. Jika nilai pixel ke-i = 255

maka nilai mountain function
adalah 0.
3. Jika nilai pixel ke-i = 0 maka
hitung jarak pixel ke i
terhadap titik tengah jendela
D( p, k ) ) kemudian
(nilai
hitung nilai mountain function
sesuai dengan rumus (8).
4. Jumlahkan hasil perhitungan
mountain function pixel ke i
dengan hasil perhitungan
mountain function pixel ke i+1
dan simpan dalam variable
mptotal.
5. Lakukan langkah 1 sampai 4
sampai seluruh pixel dalam
kotak jendela dihitung nilai
mountain function-nya. Hasil
penjumlahan nilai mountain
function seluruh pixel dalam
kotak jendela merupakan nilai
mountain
function
suatu
jendela.
6. Nilai
mountain
function
jendela ke i dan nilai
koordinat kiri atas dan kanan
bawah jendela disimpan dalam
array.
7. Lakukan langkah 1 sampai 6
sebanyak n kali (n = (lebar
citra digital lebar jendela) *
(panjang citra digital
panjang jendela)).
b. Pemotongan gambar
Langkah-langkah
proses
pemotongan gambar :
1. Cari nilai mountain function
jendela tertinggi pada array
berikut
nilai
koordinat
jendelanya.
2. Lakukan
pemotongan
(croping) gambar pada citra
digital sesuai dengan posisi
koordinat kotak jendela yang

mempunyai
nilai
function tertinggi.

mountain

1.5 Implementasi Sistem

Berikut ini adalah batasan-batasan
implementasi, yaitu :
1. Metode
threshold
yang
diimplementasikan adalah threshold
metode OTSU bimodal.
2. File citra digital yang menjadi
inputan sistem berformat BMP.
3. Citra digital yang menjadi inputan
sistem berukuran maksimal 500 x
500 pixel.
4. Ukuran jendela pendeteksi sebesar
1/2, 1/3, 1/4, 1/5 dari ukuran panjang
dan lebar citra digital.
5. Citra digital yang diinputkan
memuat satu buah gambar baik
berupa logo atau gambar lainnya.
6. Nilai pada algoritma mountain
function berkisar antara 1 sampai
dengan 10.
Implementasi meliputi implementasi
perangkat keras, perangkat lunak, dan
antar
muka.
Adapun
spesifikasi
perangkat keras yang digunakan adalah
seperangkat komputer dengan spesifikasi
utama :
prosesor minimal Intel Pentium III 750
MHz, memori minimal 128 MB , hard
disk 2 GB. Perangkat lunak yang
digunakan dalam pengimplementasian
sistem adalah sebagai berikut : sistem
operasi windows 2000 profesional,
borland delphi versi 6. Implementasi
antar muka :

Gambar 1.5.4 Tampilan Antarmuka Informasi

Program, Informasi Segmentasi : Histogram

Gambar 1.5.5 Tampilan Antarmuka Jendela

Pendeteksi, Hasil Deteksi

1.6 Pengujian Sistem

Gambar 1.5.1 Implementasi Antar Muka :
Menu Utama, File, Proses, Informasi

Gambar 1.5.2 Tampilan Antarmuka

Informasi Segmentasi : Nilai Hasil fungsi

Pengujian meliputi pengujian proses

input data dan proses pengolahan data.
Pengujian proses input data meliputi
pengujian validitas data.
Pengujian
proses pengolahan data meliputi
pengujian pada proses segmentasi yang
terdiri dari pembuatan histogram,
penyeleksian nilai threshold, dan
thresholding
serta
pada
proses
pendeteksian gambar yang meliputi
penghitungan kepadatan ruang pixel dan
pemotongan
gambar.
Pengujian
memakai metode black box.
Tabel 1.6.1 Uji Validitas Data :
Kasus Data Normal
N
o
1

Gambar 1.5.3 Tampilan Antarmuka

Informasi Deteksi Gambar

Kasus Data Normal

Hasil Yang
Diharapkan
Inputan citra
digital berukuran
Tidak muncul
<= 500 x 500,
pesan peringatan
warna abu-abu (8
bit)
Tidak muncul
Inputan citra
pesan
digital berukuran
peringatan,
<= 500 x 500,
warna berubah
warna RGB (< 8
menjadi abu-abu
bit atau >8 bit)
(8 bit)
Kasus Uji

Hasil
Uji
Sesuai
harapan

Sesuai
harapan

Tabel 1.6.2 Uji Validitas Data :

Kasus Data Salah
Kasus Data Salah

No

Kasus Uji

Hasil Uji

Muncul pesan
peringatan

Sesuai
harapan

Muncul pesan
peringatan,
warna berubah
menjadi abu-abu

Sesuai
harapan

Muncul pesan
peringatan

Sesuai
harapan

Tabel 1.6.3 Pengujian Proses Segmentasi

Kasus Uji

Pembuatan
histogram/penghitungan
peluang jumlah suatu
pixel dalam citra digital
Penyeleksian nilai
threshold

Thresholding

Hasil Yang
Diharapka
n
Histogram
berhasil
dibuat/nilai
peluang
berhasil
dihitung
Nilai
threshold
berhasil
diseleksi
Citra digital
abu-abu
berubah
menjadi
citra digital
hitam putih

Hasil
Uji

Sesuai
harapan

Sesuai
harapan

Sesuai
harapan

Tabel 1.6.4 Pengujian Proses

Pendeteksian Gambar
No

Kasus Uji

Penghitunga
n nilai
kepadatan
ruang
jendela

Pemotongan
gambar

Hasil Yang
Diharapkan
Nilai
kepadatan
ruang tiap
jendela
berhasil
dihitung dan
nilai
koordinat tiap
jendela
diketahui
Nilai
kepadatan
ruang
maksimum
dan koordinat
jendelanya
ditemukan,
potongan
gambar hitam
putih yang
terdeteksi
ditampilkan

Hasil Uji

Sesuai
harapan

Sesuai
harapan

Keabuan
Ke
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

Telkom2.bmp
Peluang
DisCriterion
Keabuan
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

33

34

35

36

37

38

39

40
41

0
0

42

43

44

45

46

47
48

0
0

49

50
51

0
0

Tidak Dihitung Karena Bukan Interval Puncak

No

Tabel 1.6.5 Hasil Perhitungan Proses Segmentasi

52

53

1.71E-05

0.00088728

54

0.00088728

55
56

0
3.42E-05

0.00088728
0.00260228

57

0.00260228

58

3.42E-05

0.00427818

59

1.71E-05

0.00510645

60

0.00510645

61

0.00510645

62

1.71E-05

0.00590553

63

1.71E-05

0.00669509

64

3.42E-05

0.00825545

65
66

5.13E-05
3.42E-05

0.01056836
0.01209184

Koran4.bmp
Peluang
DisCriterion
Keabuan
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.69E-05
0.000294487
6.75E-05
0.001459425
6.75E-05
0.002611467
0.00010126
6
0.004320334
0.00013502
1
0.006573517
0.00018565
4
0.009637292
0.00016877
6
0.012391531
0.00032067
5
0.017566739
0.00025316
5
0.021607301
0.00042194
1
0.028267405
0.00054008
4
0.036700519
0.00035443
0.042174169
0.00054008
4
0.050422952
0.00037130
8
0.056031032
0.00065822
8
0.065862804
0.00062447
3
0.075089281
0.00055696
2
0.083227351
0.00052320
7
0.090786096
0.00057384
0.098982376
0.00065822
8
0.108278133
0.00072573
8
0.118412859
0.00064135
0.127268074
0.00055696
2
0.134868999
0.00048945
1
0.141469235
0.00062447
3
0.14979007
0.00045569
6
0.155788912
0.00064135
0.164129392
0.00040506
3
0.169332273
0.00062447
3
0.177253687
0.00072573
8
0.186348416
0.00059071
7
0.193660473
0.00067510
5
0.201913263
0.00055696
2
0.208636084
0.00055696
2
0.215272283
0.00070886
1
0.223610478
0.00069198
3
0.231646898
0.00074261
0.240161359
Tidak Dihitung Karena Bukan Interval Puncak
Tidak Dihitung Karena Bukan Interval Puncak

Inputan citra
digital
berukuran >
500 x 500,
warna abu-abu
(8 bit)
Inputan citra
digital
berukuran >
500 x 500,
warna RGB (<
8 bit atau >8
bit)
Inputan citra
digital warna
hitam putih (1
bit)

Hasil Yang
Diharapkan

67

3.42E-05

0.01359676

68
69

6.84E-05
8.55E-05

0.01657009
0.02024189

70

6.84E-05

0.02314341

71

5.13E-05

0.02529243

72

5.13E-05

0.02741433

73
74

5.13E-05
8.55E-05

0.02950923
0.03295638

75

3.42E-05

0.03431747

76

3.42E-05

0.03566061

77

0.03897451

78

8.55E-05
0.00013675
2

79

5.13E-05

0.04614628

80

6.84E-05

0.04869455

81

5.13E-05

0.05057978

82

1.71E-05

0.05119942

83
84

3.42E-05
6.84E-05

0.05242114
0.0548303

85

5.13E-05

0.05661174

86

1.71E-05

0.05719693

87

3.42E-05

0.05834999

88

3.42E-05

0.05948595

89

3.42E-05

0.06060489

90

1.71E-05

0.06115579

91

1.71E-05

0.06169807

92

3.42E-05

0.06276565

93

1.71E-05

0.06329097

94

5.13E-05

0.06484199

95

5.13E-05

0.06636884

96

0.06837301

97

6.84E-05
0.00011965
8

98

3.42E-05

0.0728001

99

0.0728001

100

5.13E-05

0.07420826

101

0.07420826

102

0.07602102

103

6.84E-05
0.00010256
4

104

6.84E-05

0.08045178

105

3.42E-05

0.08131392

106

1.71E-05

0.081737

107

6.84E-05

0.08339849

108

3.42E-05

0.08421416

109

6.84E-05

0.08581554

110

5.13E-05

0.08699462

111

0.08699462

112

8.55E-05

0.08888311

113

8.55E-05

0.09073782

114

5.13E-05

0.0918296

115

1.71E-05

0.09218598

116

5.13E-05

0.09323265

117

3.42E-05
0.00010256
4
0.00011965
8
0.00013675
2

0.0939158

118
119
120

0.044209

0.0718282

0.07869679

0.09592438
0.09822533
0.10080856

6
0.00079324
9
0.00065822
8
0.00057384
0.00074261
6
0.00089451
5
0.00075949
4
0.00094514
8
0.00092827
0.00091139
2
0.00081012
7
0.00099578
1
0.00091139
2
0.00099578
1
0.00108016
9
0.00104641
4
0.00089451
5
0.00084388
2
0.00064135
0.00086075
9
0.00075949
4
0.00065822
8
0.00052320
7
0.00050632
9
0.00042194
1
0.00042194
1
0.00045569
6
0.00030379
7
0.00032067
5
0.00027004
2
0.00045569
6
0.00033755
3
0.00052320
7
0.00042194
1
0.00043881
9
0.00047257
4
0.00055696
2
0.00054008
4
0.00021940
9
0.00021940
9
0.00042194
1
0.00045569
6
0.00037130
8
0.00052320
7
0.00055696
2
0.00055696
2
0.00062447
3
0.00060759
5
0.00045569
6
0.00055696
2
0.00052320
7
0.00050632
9
0.00074261
6
0.00060759
5
0.00060759
5

129

0.00013675
2
0.00013675
2
0.00023931
6
0.00013675
2
0.00030769
2
0.00013675
2
0.00027350
4
0.00018803
4
0.00037606
8

130

0.00025641

0.1379676

131

0.14328411

121
0.249140689
122
0.256494924
0.26282001

123

0.270895294

124

0.280495355

125

0.288539058

126

0.298416726
0.307991222

127

0.317266899
0.325399679
0.335260116

128

0.10334602
0.10583735
0.11012531
0.1125336
0.11786262
0.12019027
0.12475961
0.12784391
0.13390553

0.389775358
0.395525012

137

0.403122355

138

0.409722524

139

0.415351157

140

0.419750619

141

0.423934934

142

0.427360308

143

0.430723711

144

0.434289768

145

0.436622348

146

0.439036584

147

0.441029203

148

0.444324959

149

0.446717401

150

0.450350969

151

0.453221964

152

0.456145614

153

0.459227969

154

0.462784461

155

0.466160314

156

0.467500666

157

0.469513603

158

0.471970482

159

0.00034188
0.00027350
4
0.00039316
2
0.00041025
6
0.00018803
4
0.00044444
4
0.00047863
2
0.00035897
4
0.00037606
8
0.00052991
5
0.00049572
6
0.00056410
3
0.00051282
1
0.00059829
1
0.00073504
3
0.00085470
1
0.00066666
7
0.00107692
3
0.00114529
9
0.00114529
9
0.00119658
1
0.00092307
7
0.00145299
1
0.00121367
5
0.00123076
9
0.00119658
1
0.00109401
7
0.00135042
7
0.00164102
6

0.474561369

160

0.00182906

0.40051674

0.476621283

161

0.00157265

0.41317254

0.479452931

162

0.4254922

0.48239452

163

0.485264161

164

0.00157265
0.00169230
8
0.00184615
4

0.488402373

165

0.49137976

166

0.493554202

167

0.496139909

168

0.498502518

169

0.500724354

170

0.503892924

171

0.50641355

172

0.50886064

173
174

0.344162288
0.3537551
0.364019389
0.373827056
0.382092365

132
133
134
135
136

0.14745728
0.15334293
0.15937318
0.1620794
0.16834152
0.17495816
0.1798197
0.18480177
0.19167509
0.19797249
0.20498779
0.21122783
0.21834802
0.22691068
0.23666477
0.24410871
0.25587919
0.26815201
0.28017514
0.29247146
0.30173996
0.31599945
0.32764524
0.33917286
0.35010396
0.3598401
0.37154665
0.38542118

0.43839229
0.45208773

0.002
0.00203418
8
0.00160683
8
0.00170940
2

0.46652904

0.00174359
0.00198290
6
0.00188034
2

0.51425856

0.00182906
0.00198290
6
0.00211965

0.54849319

0.48082199
0.49178511
0.50308874

0.52656504
0.53786529

0.55962588
0.57112386

0.00086075
9
0.00101265
8
0.00097890
3
0.00097890
3
0.00104641
4
0.00124894
5
0.00141772
2
0.00082700
4
0.00148523
2
0.00136708
9
0.00168776
4
0.00135021
1
0.00172151
9
0.00182278
5
0.00170464
1
0.00200843
9
0.00207594
9
0.00226160
3

0.512229205
0.516087514
0.519719096
0.523251947
0.526924852
0.531193222
0.535919473
0.538598833
0.543273759
0.547467023
0.552514762
0.556448296
0.561330303
0.566374461
0.570972481
0.576254634
0.581586276
0.587262071

0.00221097
0.00210970
5
0.00234599
2
0.00298734
2
0.00239662
4
0.00239662
4
0.00276793
2
0.00270042
2
0.00290295
4
0.00280168
8
0.00305485
2
0.00302109
7
0.00288607
6
0.00261603
4
0.00248101
3
0.00283544
3

0.592682791

0.0027173
0.00280168
8
0.00259915
6
0.00273417
7
0.00258227
8
0.00275105
5
0.00290295
4
0.00281856
5
0.00313924
1
0.00248101
3
0.00302109
7
0.00300421
9
0.00297046
4
0.00273417
7
0.00303797
5
0.00261603
4

0.677379195

0.00307173
0.00330801
7
0.00322362
9
0.00357805

0.723874632

0.597724819
0.60318886
0.610001036
0.615346434
0.620547946
0.626400398
0.631966565
0.637796983
0.643276077
0.649090758
0.654687531
0.65987847
0.664428637
0.668584824
0.673158737

0.681560796
0.685278676
0.68901756
0.692385447
0.695799744
0.699227788
0.702387831
0.705726152
0.708213378
0.711054822
0.713707919
0.716159059
0.718250411
0.72039288
0.722079314

0.725627668
0.727163846
0.728685035

8
175

0.58249669

178

0.00217094
0.00222222
2
0.00181196
6
0.00179487
2

179
180

0.00191453
0.00182906

0.61950046
0.62733994

176
177

181

0.00191453
0.00206837
6
0.00213675
2
0.00206837
6
0.00198290
6
0.00229059
8
0.00218803
4
0.00229059
8
0.00241025
6
0.00278632
5
0.00237606
8
0.00251282
1
0.00275213
7

182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
File

207
208
209
210
211

Telkom
2.bmp212

213
214
215
216
217
218
219
Koran4.220
bmp

221
222
223
224
225
226
227
228

LJ
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5
1/2
1/3
1/4
1/5

0.00242735
0.00259829
1
0.00270085
5
0.00223931
6
0.00273504
3
0.00300854
7
0.00292307
7
0.00283760
7
0.00261538
5
0.00290598
3
0.00294017
1
0.00264957
3
a
0.00283760
l
PJ 7
p
0.00304273
h
a
5
1/2
0.00335042
1/3
1
7
1/4
0.00292307
1/5
1/2 7
1/3
0.00319658
3
1/4 1
1/5
0.00314529
1/2
1/3 9
5
0.00331623
1/4
1/5 9
1/2
0.00324786
1/3 3
7
1/4
0.00263247
1/5
1/2 9
0.00343589
1/3
9
1/4 7
1/5
0.00333333
1/2 3
1/3
2
0.00343589
1/4
1/5 7
0.00377777
1/2
1/3 8
4
1/4
0.00360683
1/5
8
1/2
0.00353846
1/3
6
1/4 2
0.00388034
1/5
1/2 2
1/3
0.00370940
8
1/4
2
1/5
0.00447863
1/2
1/3 2
1
0
1/4
0.00517948
1/5 7
0.00548717
9
0.00711111
1
0.00952136
8
0.01174359

0.59373056
0.60254733
0.61092909

0.63518277
0.64327511
0.65125247
0.65860659
0.66530115
0.67263526
0.67926964
0.68582875
0.69233556

9
0.00317299
6
0.00330801
7
0.00337552
7
0.00313924
1
0.00351054
9
0.00342616
0.00340928
3
0.00381434
6
0.00352742
6
0.00320675
1
0.00388185
7
0.00351054
9
0.00356118
1
0.00383122
4
0.00413502
1

4
0.72986927

229

0.730925115

230

0.731825216

231

0.732493492

232

0.733055658
0.733430785

233
234

0.73362891
235
0.733665077
236
0.733529697
237
0.733239772
238
0.732696585
239
0.732038814
240
0.731195175
241
0.730106195
242
0.728750513
243

0.69942611
0.70510497
0.71071317
0.71643903
0.72112074
0.72573435
0.73013065
0.73343486
0.73705923
0.74063113
0.7437088
0.7463106
0.74834429
0.75020548
0.75170211
0.75269616
Koordinat
0.75338064
Kiri Atas

L 0.7537273
K
41
121
0.75370948
124
193
128
224
0.75334354
134
232
41
121
124
193
0.75255735
139
224
142
236
0.75141685
41
121
124
193
0.7498365
140
224
142
237
410.74792665
121
124
193
140
224
0.74606551
142
237
41
121
1290.7432412
199
141
224
143
237
0.74015183
49
90
149
157
0.73661146
187
177
199
189
490.7323528
90
155
157
187
177
0.72794873
199
189
49
90
0.72329017
155
157
187
177
199
0.71782843
189
62
96
163
157
0.71228158
187
177
199
189
650.70522757
102
163
157
187
177
0.69674792
199
189

0.68748475
0.67525861
0.65895447
0.63934877

0.00364557
0.00393248
9
0.00345991
6
0.00401687
8
0.00410126
6
0.00345991
6
0.00432067
5
0.00430379
7
0.00325738
4
0.00391561
2
0.00442194
1
0.00411814
3
0.00423628
7
0.00411814
3
0.00416877
6
0.00413502
1
Koordinat
0.00415189
Kanan Bawah
9
0.00401687
N
M
8
180
393
0.00410126
314
487
6 524
305
0.00457384
308
525
180
393
314
487
0.00421940
327
9 524
324
533
0.00448945
180
393
1 487
314
0.00396624
329
524
5 535
324
180
393
0.00514767
314
9 487
329
524
0.00486075
324
535
9 393
180
0.00467510
324
499
331
5 524
326
535
0.00541772
224
2 299
382
394
0.00536708
437
414
9 426
449
0.00600843
224
299
394
9 394
437
414
0.0067173
449
426
224
299
0.00810126
394
394
6 414
437
449
0.00983966
426
250
2 311
410
394
0.01068354
437
4 414
449
426
0.01292827
256
323
410
394
437
414
0.01551054
449
9 426

0.01746835
4
0.02138396
6
0.02337552
7
0.02754430

0.727391811
244
0.72574491
245
0.724132757
246
0.722074307
247
0.719798348
248
0.717719884
249
0.714932829
250
0.711987661
251

0.01420512
8
0.01731623
9
0.02032478
6
0.02646153
8
0.02921367
5
0.03328205
1
0.03377777
8
0.03480341
9
0.03514529
9
0.03441025
6
0.03170940
2
0.03227350
4
0.03261538
5
0.03499145
3
0.03661538
5
0.04186324
8
0.04517948
7
0.04673504
3
0.04152136
8
0.03928205
1
0.03658119
7
0.02894017
1
0.01926495
7

0.61661824
0.5905074
0.56204858
0.52838098
0.49507823
0.46110606
0.42996355
0.40045449
0.37261242
0.34668324
0.32345765
0.30013792
0.27675326
0.25182032
0.22591208
0.19663941
0.16561101
0.13407378
0.10622913
0.07968472
0.0545706
0.0341306
0.01987695

0.709610637
252
0.706567627
253
0.702952001
254
0.699423052
255

0.01165812
0.00726495
7
0.00381196
6
0.00107692
3

0.01069444
0.00454593
0.00106427
0

0.02857384
0.03122362
9
0.03286075
9
0.03348523
2
0.03203375
5
0.03341772
2
0.03287763
7
0.03363713
1
0.03296202
5
0.03188185
7
0.02845569
6
0.02499578
1
0.02381434
6
0.01775527
4
0.01475105
5
0.01186497
9
0.00924894
5
0.00607594
9

0.371318174

0.00457384
0.00345991
6
0.00237974
7
0.00173839
7
0.00129957
8
0.00104641
4
0.00084388
2
0.00118143
5
0.01522362
9

0.028757454

0.339907274
0.308918648
0.279204366
0.252221975
0.225326934
0.199933187
0.174878439
0.151097057
0.128678335
0.109003791
0.091828448
0.075460444
0.063145423
0.052711424
0.044101882
0.037180765
0.032462663

0.025826226
0.023713566
0.022094479
0.020824736
0.019753107
0.018848438
0.017525244
2.64E-15

0.695622506

Tabel 1.6.6 Hasil Perhitungan Proses

Pendeteksian Gambar

0.691762935
0.687688021
0.683480755
0.679090798
Jendela
Ke
0.674681885

MFmaks

11899
3.12077686397162
0.670015246
25214
33056

3.14159719623385
3.14224265989295

11899

1.20908938861849

0.664641379
36326
3.14224265990709
25214
1.20909030636537
0.65953106

33067
1.20909030640537
36958
1.20909030640537
0.653930098
11899
1.02713339602945
25214
1.02713339607111
0.648833272
33068
1.02713339607111
37114
1.02713339607111
11899
1.00365085397986
0.642044082
25214
1.00365085397987
33068
1.00365085397987
0.635491579
37114
1.00365085397987
11899
1.00049370013627
0.629042651
25999
1.00049370013627
33069
1.00049370013627
37115
1.00049370013627
0.621415173
11299
1.6154110600405
26368
1.61630924667936
0.613724802
33463
1.61630926604188
37999
1.61630926604188
0.604982231
11299
1.07460463732038
26374
1.07460487269653
33463
1.07460487269653
0.59510097
37999
1.07460487269653
11299
1.00993958563186
0.583128399
26374
1.00993958570783
33463
1.00993958570783
0.568644838
37999
1.00993958570783
12062
1.00134230065233
26382
1.00134230065236
0.553078353
33463
1.00134230065236
37999
1.00134230065236
0.534557827
12815
1.00018160796366
26382
1.00018160796366
33463
1.00018160796366
0.512938613
37999
1.00018160796366

0.489443526
0.461966362

Gambar
Hasil
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

1.7 Kesimpulan

0.433512468
0.401976058

Berdasarkan hasil pengujian maka

dapat disimpulkan bahwa :
1. Sistem pendeteksi gambar dengan
mengimplementasikan threshold
metode OTSU dan algoritma
mountain function yang dibuat
dapat mensegmentasi dokumen
citra abu-abu ke dalam dokumen
citra hitam (foreground) dan putih
(background), mendeteksi gambar
pada
dokumen
citra
hasil
segmentasi, dan dapat memotong
gambar yang terdeteksi pada
dokumen citra hasil segmentasi.
2. Nilai keabuan digunakan sebagai
nilai thresholding (pada proses
segmentasi menggunakan metode
OTSU) jika nilai keabuan tersebut
terletak pada interval histogram
dan nilai keabuan tersebut
memaksimalkan
nilai
hasil
2
2
perhitungan = B / T .
3. Keakuratan
pendeteksian
ditentukan oleh ukuran panjang,
lebar jendela pendeteksi serta nilai
.

3. Penentukan lebar dan panjang

jendela pendeteksi serta nilai
masih
diinputkan
oleh
user,
kembangkan
supaya
penentuan
tersebut dilakukan secara otomatis
oleh program.
4. Objek penelitian ini terbatas pada
salah satu proses yang dilakukan
dalam tahapan pengenalan obyek
gambar yaitu proses pendeteksian
gambar saja, alangkah lebih baik jika
dikembangkan dengan mengerjakan
proses berikutnya yaitu proses
ekstraksi dan pengenalan.

1.8 Saran
Untuk pengembangan penelitian
berikutnya, penulis akan memberikan
saran yang sekiranya dapat dijadikan
pertimbangan :
1. Untuk menghasilkan kualitas citra
digital hitam putih yang baik pada
saat
proses
segmentasi,
disarankan
untuk
mengimplementasikan threshold
OTSU dengan metode multi
threshold.
2. Thresholding yang dilakukan
tidak hanya untuk citra digital
abu-abu saja, kembangkan pada
citra true color.

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

Telkom2.bmp

Koran4.bmp

10

11

12

10