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
N

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
L

Mountain
function,
didefinisikan sebagai berikut :

M(p)

(k ) exp D( p, k )

k w , p k

a x ( p ) b, c y ( p ) d

adalah konstanta positif,

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

Gambar 1.3.1 Dokumen citra (L) dengan

ukuran M x N dan jendela (w) dengan ukuran
mxn

M ( p)

D ( p, k ) dirumuskan
Jarak
berikut :

(8)
D( p, k )

adalah jarak antara p (titik tengah

jendela) dengan pixel k, x( p) dan
y ( p)
adalah
koordinat
pixel
horisontal dan vertikal dari p,
a round (m / 2) ,
round
adalah
fungsi
pembulatan,
b M round (m / 2) ,
c round (n / 2) ,
dan
d N round (n / 2) .
Fungsi (k ) didefinisikan sebagai
berikut:
(k ) 1 : Fk foreground ( hitam)
(k ) 0 : Fk background ( putih)

Pendeteksian gambar yang akan

dikerjakan sistem, terdiri dari 2 proses
pokok.
1. Segmentasi menggunakan metode
OTSU
Segmentasi
merupakan
proses
mengubah citra digital berwarna abu-abu
menjadi berwarna hitam putih. Langkahlangkah
segmentasi
menggunakan
metode OTSU :
a. Pembuatan histogram citra
b. Penyeleksian nilai threshold
c. Thresholding
2. Pendeteksian gambar
Pendeteksian gambar dilakukan pada
citra digital hitam putih hasil
segmentasi. Pendeteksian gambar terdiri
dari 2 tahapan, yaitu :
a. Penghitungan kepadatan ruang pixel
dalam
jendela
menggunakan
algoritma mountain function.
Penghitungan kepadatan ruang pixel
dilakukan pada tiap pixel yang berada
dalam kotak jendela yang bergerak per
satu pixel pada citra digital. Langkahlangkah penghitungan kepadatan ruang
pixel menggunakan algoritma mountain
function :
1. Pemeriksaan nilai pixel ke-i.

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
Kasus Uji
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)

Hasil
Uji
Sesuai
harapan

Sesuai
harapan

Tabel 1.6.2 Uji Validitas Data :

Kasus Data Salah
No

Kasus Uji

Kasus Data Salah

Hasil Yang

Hasil Uji

Tabel 1.6.5 Hasil Perhitungan Proses Segmentasi

Diharapkan

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

Penghitungan
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

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

Keabuan
Ke

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

5.13E-05

0.01056836

66
67

3.42E-05
3.42E-05

0.01209184
0.01359676

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
6
0.240161359
0.00079324
0.249140689
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)

68
69
70
71
72

6.84E-05
8.55E-05
6.84E-05
5.13E-05
5.13E-05

0.01657009
0.02024189
0.02314341
0.02529243
0.02741433

73
74
75

5.13E-05
8.55E-05
3.42E-05

0.02950923
0.03295638
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

6.84E-05

0.06837301

97

0.000119658

0.0718282

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

0.0939158

118
119
120
121
122

0.000119658
0.00013675
2
0.00013675
2
0.00013675

0.044209

0.07869679

0.09592438
0.09822533
0.10080856
0.10334602
0.10583735

9
0.00065822
8
0.00057384
0.00074261
6
0.00089451
5
0.00075949
4
0.00094514
8
0.00092827
0.000911392
0.00081012
7
0.00099578
1
0.000911392
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
0.00086075
9
0.00101265

0.256494924
0.26282001

129

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

123
124

0.270895294
125
0.280495355
126
0.288539058
127
0.298416726
0.307991222
0.317266899
0.325399679
0.335260116

128

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

0.00034188
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

0.444324959

149

0.001145299

0.26815201

0.446717401

150

0.001145299

0.28017514

0.450350969

151

0.29247146

0.453221964

152

0.456145614

153

0.459227969

154

0.462784461

155

0.001196581
0.00092307
7
0.00145299
1
0.00121367
5
0.00123076
9

0.466160314

156

0.35010396

0.467500666

157

0.469513603

158

0.471970482

159

0.001196581
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
0.512229205
0.516087514

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

0.30173996
0.31599945
0.32764524
0.33917286

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

0.54849319

173

0.00182906
0.00198290
6

174

0.002119658

0.57112386

175

0.00217094

0.58249669

0.48082199
0.49178511
0.50308874

0.52656504
0.53786529

0.55962588

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

0.519719096
0.523251947
0.526924852
0.531193222
0.535919473
0.538598833
0.543273759
0.547467023
0.552514762

0.001350211
0.00172151
9
0.00182278
5
0.00170464
1
0.00200843
9
0.00207594
9
0.00226160
3

0.556448296

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
9
0.00317299
6

0.723874632

0.561330303
0.566374461
0.570972481
0.576254634
0.581586276
0.587262071

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
0.72986927

0.00222222
2

176
177

0.60254733

178

0.001811966
0.00179487
2

179
180

0.00191453
0.00182906

0.61950046
0.62733994

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
File

0.59373056

206
207
208
209
210
211

Telkom
2.bmp

212
213
214
215
216
217
218
219

Koran4.
bmp 220

221
222
223
224
225
226
227
228
229

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
a
3
l
0.00283760
PJ
p
7
h
a
0.00304273
1/2 5
1/3
1
0.00335042
1/4
1/5 7
0.00292307
1/2
1/3 7
3
1/4
0.00319658
1/5 1
1/2
0.00314529
1/3
5
1/4 9
0.00331623
1/5
1/2 9
1/3
0.00324786
7
1/4
3
1/5
0.00263247
1/2
1/3 9
9
1/4
0.00343589
1/5 7
1/2
0.00333333
1/3
3
2
1/4
0.00343589
1/5
1/2 7
1/3
0.00377777
4
1/4 8
1/5
0.00360683
1/2
8
1/3
6
0.00353846
1/4
1/5 2
1/2
0.00388034
1/3 2
8
1/4
0.00370940
1/5
2
1/2
0.00447863
1/3
1
0
1/4 2
1/5
0.00517948
7
0.00548717
9

0.61092909

0.63518277
0.64327511
0.65125247
0.65860659
0.66530115
0.67263526

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

0.730925115

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

0.67926964
0.68582875
0.69233556

0.003561181
0.00383122
4
0.00413502
1

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
Kiri Atas

0.75338064
L

0.7537273

41
121
124
193
0.75370948
128
224
134
232
410.75334354
121
124
193
139
224
0.75255735
142
236
41
121
0.75141685
124
193
140
224
1420.7498365
237
41
121
124
193
0.74792665
140
224
142
237
410.74606551
121
129
199
1410.7432412
224
143
237
490.74015183
90
149
157
187
177
0.73661146
199
189
49
90
1550.7323528
157
187
177
199
189
0.72794873
49
90
155
157
0.72329017
187
177
199
189
620.71782843
96
163
157
187
177
0.71228158
199
189
65
102
0.70522757
163
157
187
177
199
189
0.69674792

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

0.72574491
245
0.724132757
246
0.722074307
247
0.719798348
248
249
0.714932829
250
0.711987661
251
252
0.706567627

0.699423052

255

0.004118143
0.00416877
6
0.00413502
Koordinat
1
Kanan Bawah
0.00415189
9 M
N
0.00401687
180
8 393
314
487
0.00410126
305
524
6 525
308
0.00457384
180
393

0.691762935

0.67525861

0.01174359
0.01420512
8

0.63934877
0.61661824

0.02857384

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

0.036581197
0.02894017
1
0.01926495
7

0.0545706
0.0341306
0.01987695

0.709610637

0.004118143
0.00423628
7

314
487
327
524
0.00421940
324
9 533
180
393
0.00448945
314
487
1 524
329
0.00396624
324
535
180
5 393
314
487
0.00514767
329
9 524
324
535
0.00486075
180
393
9 499
324
331
524
0.00467510
326
5 535
224
299
0.00541772
382
394
2 414
437
0.00536708
449
426
9 299
224
394
394
0.00600843
437
9 414
449
426
0.0067173
224
299
394
394
0.00810126
437
414
6 426
449
250
311
0.00983966
410
2 394
437
414
0.01068354
449
426
4 323
256
0.01292827
410
394
437
414
449
426
0.01551054

0.5905074

0.717719884

0.702952001

0.007111111
0.00952136
8

0.65895447

244

253
254

9
0.01746835
4
0.02138396
6
0.02337552
7
0.02754430
4

0.68748475

0.727391811

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

0.01165812
0.00726495
7
0.003811966
0.00107692
3

0.01069444
0.00454593
0.00106427
0

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

0.339907274
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

0.011864979
0.00924894
5
0.00607594
9

0.044101882

0.00457384
0.00345991
6
0.00237974
7
0.00173839
7
0.00129957
8
0.00104641
4
0.00084388
2
0.001181435
0.01522362
9

0.028757454

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

0.687688021
0.683480755
Jendela
0.679090798
Ke

0.674681885

Gambar
Hasil

MFmaks

11899
3.12077686397162
25214
3.14159719623385
0.670015246
33056
3.14224265989295
36326
3.14224265990709
0.664641379
11899
1.20908938861849
25214
1.20909030636537
33067
0.65953106 1.20909030640537
36958
1.20909030640537
11899
1.02713339602945
0.653930098
25214
1.02713339607111
33068
1.02713339607111
0.648833272
37114
1.02713339607111
11899
1.00365085397986
25214
1.00365085397987
0.642044082
33068
1.00365085397987
37114
1.00365085397987
0.635491579
11899
1.00049370013627
25999
1.00049370013627
33069
1.00049370013627
0.629042651
37115
1.00049370013627
11299
1.6154110600405
0.621415173
26368
1.61630924667936
33463
1.61630926604188
0.613724802
37999
1.61630926604188
11299
1.07460463732038
26374
1.07460487269653
0.604982231
33463
1.07460487269653
37999
1.07460487269653
0.59510097
11299
1.00993958563186
26374
1.00993958570783
0.583128399
33463
1.00993958570783
37999
1.00993958570783
12062
1.00134230065233
0.568644838
26382
1.00134230065236
33463
1.00134230065236
0.553078353
37999
1.00134230065236
12815
1.00018160796366
0.534557827
26382
1.00018160796366
33463
1.00018160796366
37999
0.5129386131.00018160796366

0.489443526
0.461966362
0.433512468
0.401976058
0.371318174

1.7 Kesimpulan

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

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
.
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.
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.

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