Anda di halaman 1dari 12

PERBANDINGAN KINERJA METODE DETEKSI TEPI PADA

CITRA WAJAH
1
Dewi Agushinta R.
2
Alina Diyanti
1
Jurusan Ilmu Komputer/Teknologi Informasi
Universitas Gunadarma
Jl. Margonda Raya 100 Pondok Cina, Depok 16424
dewiar@staff.gunadarma.ac.id
2
Jurusan Informatika
Universitas Gunadarma
Jl. Margonda Raya 100 Pondok Cina, Depok 16424

ABSTRAK

Terdapat empat metode deteksi tepi yang dibandingkan dalam penelitian ini yaitu
sobel, prewitt, canny dan roberts. Pembuatan aplikasi perbandingan metode-metode
ini berdasarkan algoritma pendeteksian tepi skala keabu-abuan berdasarkan jurnal
penelitian dari MATLAB 6.5 Help dan Metode Otsu yang telah disesuaikan dengan
keadaan citra uji coba yang akan digunakan. Berdasarkan perbandingan yang
dilakukan untuk kinerja, metode deteksi tepi canny merupakan metode deteksi yang
paling akurat dengan tingkat keberhasilan 90%. Metode deteksi tepi roberts
merupakan metode yang paling cepat untuk waktu proses dengan tingkat
keberhasilan 70%.

Kata kunci : metode deteksi tepi, kinerja, waktu proses

PENDAHULUAN
Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh
manusia atau mesin (dalam hal ini komputer). Pengolahan citra telah menggunakan
sistem komputer yang diaplikasikan pada sejumlah bidang, seperti pada bidang
kedokteran, biologi, hukum, dan keamanan.

Teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi,


masukannya adalah citra dan keluarannya juga citra, tetapi citra keluarannya harus
mempunyai kualitas lebih baik daripada citra masukan. Operasi pengolahan citra
dapat diklasifikasikan dalam beberapa jenis yaitu perbaikan kualitas citra, pemugaran
citra, segmentasi citra, analisis citra, dan rekonstruksi citra.

Peningkatan kualitas citra bertujuan menghasilkan citra dengan kualitas yang lebih
baik dibandingkan dengan citra semula. Analisis citra bertujuan mengidentifikasi
parameter yang diasosiasikan dengan ciri dari objek dalam citra, untuk selanjutnya
parameter tersebut digunakan dalam menginterpretasi citra. Analisis citra pada
dasarnya terdiri dari tiga tahapan, yaitu ekstraksi ciri, segmentasi, dan klasifikasi.
Faktor kunci dalam mengekstraksi ciri adalah kemampuan mendeteksi keberadaan
tepi di dalam citra. Ada beberapa metode deteksi tepi. Penggunaan metode deteksi
tepi yang tidak tepat, akan menghasilkan pendeteksian yang gagal. Pendeteksian tepi
merupakan tahapan untuk melingkupi informasi di dalam citra. Tepi mencirikan batas
objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek di
dalam citra (Munir, 2004).
Dalam penelitian ini citra yang akan digunakan sebagai uji coba adalah suatu citra
diam berwarna dengan bentuk 2D (frontal) dengan format JPEG/JPG. Citra tersebut
diasumsikan telah melalui tahap awal dalam sistem pengenalan wajah, yaitu tahap
deteksi wajah secara otomatis menggunakan metode deteksi kulit. Tujuan dari
penelitian ini adalah membandingkan beberapa metode deteksi tepi pada citra wajah.

TINJAUAN PUSTAKA
Konsep Deteksi Tepi
Tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam
jarak yang singkat. Perbedaan intensitas inilah yang memperlihatkan rincian pada
gambar. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda-beda,
tergantung pada perubahan intensitas.

Deteksi tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra.
Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses
segmentasi dan identifikasi objek di dalam citra. Tujuan operasi deteksi tepi adalah
untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra
(Munir, 2004).

Gambar 1. Model Tepi satu-Matra

Ada tiga macam tepi yang terdapat di dalam citra digital. Ketiganya adalah tepi
curam, tepi landai, dan tepi yang mengandung derau.

Gambar 2. Jenis-jenis Tepi (Munir, 2004)

Teknik Deteksi Tepi


Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain (Munir,
2004) :
1. Operator gradien pertama, contoh beberapa gradien pertama yang dapat digunakan
untuk mendeteksi tepi di dalam citra, yaitu operator gradien selisih-terpusat,
operator Sobel, operator Prewitt, operator Roberts, operator Canny.
2. Operator turunan kedua, disebut juga operator Laplace. Operator Laplace
mendeteksi lokasi tepi khususnya pada citra tepi yang curam. Pada tepi yang
curam, turunan keduanya mempunyai persilangan nol, yaitu titik di mana terdapat
pergantian tanda nilai turunan kedua, sedangkan pada tepi yang landai tidak
terdapat persilangan nol. Contohnya adalah operator Laplacian Gaussian, operator
Gaussian.
3. Operator kompas, digunakan untuk mendeteksi semua tepi dari berbagai arah di
dalam citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi
dari 8 macam arah mata angin yaitu Utara, Timur Laut, Timur, Tenggara, Selatan,
Barat, Barat Daya, dan Barat Laut. Deteksi tepi dilakukan dengan
mengkonvolusikan citra dengan berbagai mask kompas, lalu dicari nilai kekuatan
tepi (magnitude) yang terbesar dan arahnya. Operator kompas yang dipakai untuk
deteksi tepi menampilkan tepi dari 8 macam arah mata angin, yaitu Utara, Timur
Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut.

Selain operator gradien yang sudah disebutkan, masih ada beberapa operator gradien
yang lain yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu selisih
terpusat, sobel, prewitt, Roberts, dan Canny.
(a) Operator gradien selisih-terpusat:

(1)

yang ekivalen dengan mask berikut :

dan

(b) Operator Sobel


Tinjau pengaturan pixel di sekitar pixel (x,y) :

Operator Sobel adalah magnitudo dari gradien yang dihitung dengan

(2)

yang dalam hal ini, turunan parsial dihitung dengan

(3)

dengan konstanta c = 2. Dalam bentuk mask, sx dan sy dapat dinyatakan


sebagai
dan

Arah tepi dihitung dengan persamaan :


(4)

Contoh berikut ini memperlihatkan deteksi tepi dengan operator Sobel. Konvolusi
pertama dilakukan terhadap pixel yang bernilai 1 (di titik pusat mask):

(i) Citra Semula (ii) hasil konvolusi

Nilai 18 pada citra hasil konvolusi diperoleh dengan perhitungan berikut :

Pada contoh ini, nilai dihampiri dengan menghitung


(5)
.

Di bawah ini contoh lain deteksi tepi dengan operator Sobel, di mana hasil konvolusi
diambangkan dengan T = 12.
Citra : | gradien – x | + | gradien – y | :

Hasil pengambangan dengan T = 12 :


(c) Operator Prewitt
Persamaan gradien pada operator Prewitt sama seperti operator Sobel, tetapi
menggunakan nilai c = 1 :

dan

(d) Operator Roberts


Operator Roberts sering disebut juga operator silang. Gradien Roberts dalam
arah-x dan arah-y dihitung dengan rumus :

(6)

Gambar 3. Operator Silang

Operator R+(x,y) adalah hampiran turunan berarah dalah arah 450, sedangkan R
adalah hampiran turunan berarah dengan sudut berkisar 1350 .
Dalam bentuk mask konvolusi, operator Roberts adalah :

dan

Khusus untuk operator Roberts, arah tepi dihitung dengan rumus:


(7)

Sedangkan kekuatan tepi umumnya dihitung dengan rumus:


(8)

Contoh berikut ini memperlihatkan deteksi tepi dengan operator Robert.

(i) Citra semula (ii) hasil konvolusi


Nilai 4 pada pojok kiri atas pada citra hasil konvolusi diperoleh dengan
perhitungan sebagai berikut : f’[0,0]=|3-1|+|4-2|=4.

(e) Operator Canny


Berdasarkan wikipedia, operator Canny merupakan deteksi tepi yang optimal.
Operator Canny menggunakan Gaussian Derivative Kernel untuk menyaring
kegaduhan dari citra awal untuk mendapatkan hasil deteksi tepi yang halus.

Gambar 4. Skema pendeteksian tepi citra yang mengalami gangguan

Gambar 4.
Gambar 4. Gaussian Derivative Kernel

METODE PENELITIAN
Penelitian ini menggunakan peralatan komputer, perangkat lunak Matlab 6.5, dan
objek wajah manusia untuk dideteksi. Langkah-langkah penelitiannya adalah sebagai
berikut:
1. Membuat program keempat teknik pendeteksian (Sobel, Prewit, Canny, dan
Roberts) menggunakan Matlab.
2. Merancang antar muka pemakai, untuk mempermudah melakukan proses uji
coba.
3. Menghubungkan program teknik pendeteksian dengan antar muka pemakai.
4. Melakukan pendeteksian wajah pada citra wajah yang diuji. Pembagian citra
wajah dilakukan dalam 3 bagian, yaitu daerah wajah, daerah mata, dan daerah
mulut. Citra wajah tersebut selanjutnya dibagi menjadi 2 daerah yaitu daerah
mata dan daerah mulut.
5. Melakukan deteksi tepi pada citra wajah dengan empat metode deteksi tepi.
Menentukan nilai pengambangan untuk tiap metode deteksi tepi agar lebih
memperlihatkan garis tepi. Nilai pengambangan digunakan pada saat operasi
pendeteksian tepi. Deteksi tepi citra dilakukan mengikuti langkah-langkah
berikut:
a. Baca input citra yang akan diproses lalu konversi citra asli menjadi
citra abu-abu.
b. Deteksi tepi seluruh citra.
c. Isi celah atau lubang dari citra dengan operator morfologi skala keabu-
abuan.
d. Lakukan perbaikan citra dengan fungsi dilasi.
e. Mengembalikan citra biner ke citra RGB yang sudah terdeteksi
tepinya.
6. Melakukan perhitungan total waktu proses dari setiap metode deteksi tepi
untuk mendapatkan kesimpulan dari keempat metode deteksi (Sobel, Prewit,
Canny, dan Roberts) yang lebih cepat. Rumus yang digunakan untuk
menghitung waktu pada masing-masing teknik pendeteksian adalah:

WaktuSobel = waktu main + waktu xgui + waktu proses deteksi tepi sobel
WaktuPrewitt = waktu main + waktu xgui + waktu proses deteksi tepi prewitt
WaktuCanny = waktu main + waktu xgui + waktu proses deteksi tepi canny
WaktuRoberts = waktu main + waktu xgui + waktu proses deteksi tepi roberts

PEMBAHASAN
Rancangan Antar Muka dan Program Pendeteksian
Rancangan antar muka pengguna yang dibuat dapat dilihat pada Gambar 5. Algoritma
yang digunakan pada penelitian untuk mendeteksi tepi pada citra wajah berasal dari
algoritma yang terdapat pada MATLAB 6.5 Help (Pujiriyanto, 2004; Anonim, 2006a;
Anonim, 2006b; Otsu, 1979) dan disesuaikan dengan keadaan citra yang akan
digunakan sebagai uji coba.

Menu 1 Menu 2

Aplikasi Deteksi tepi


LOGO

MENU
BUKA

PROSES
Citra Yang Wajah Yang
Akan Diproses Terdeteksi
SIMPA

KELUA

Path :
Threshold :

Metode Metode Metode Metode


Deteksi Tepi Deteksi Tepi Deteksi Tepi Deteksi Tepi
Sobel Prewitt Canny Roberts

Waktu : Waktu : Waktu : Waktu :


(detik) (detik) (detik) (detik)

Gambar 5. Perancangan Antar muka pengguna aplikasi


Deteksi wajah pada penelitian mengacu pada deteksi wajah yang sudah dilakukan
Karmilasari dkk. (2006) dengan membedakan bagian kulit dan bagian bukan kulit
pada suatu citra diam tunggal yang diambil dalam posisi terlihat depan, kemudian
dapat ditemukan bagian wajah dari bagian kulit tadi dan dipisahkan bagian wajah
yang terdeteksi dari suatu citra diam yang diambil.

Citra hasil deteksi wajah merupakan citra asli dengan komponen piksel RGB (Reg
Green Blue). Di dalam MATLAB operasi pengambangan menggunakan fungsi yang
bernama graythresh. Untuk mendeteksi keberadaan tepi suatu citra menggunakan
fungsi graythresh, citra tersebut harus dikonversi dulu ke dalam bentuk citra biner
dengan fungsi RGB2GRAY, karena metode pendeteksian tepi yang dipakai
menggunakan algoritma skala keabu-abuan. Untuk menkonversinya, menggunakan
fungsi RGB2GRAY. Di bawah ini merupakan potongan baris program untuk
mengkonversi citra asli menjadi citra abu-abu.

grey = rgb2gray (xface) ;

Variabel grey berfungsi untuk menampung hasil konversi citra RGB ke citra abu-abu.
Citra yang dikonversi ialah citra hasil proses deteksi wajah yang ditampung dalam
variabel xface.

(a) (b)

Gambar 6. (a)Citra RGB, (b)Citra hasil konversi

Setelah didapatkan citra yang sudah dikonversi kemudian diberi fungsi operator
dengan metode deteksi yang diinginkan. Agar mendapatkan hasil citra deteksi tepi
yang baik maka dilakukan perbaikan citra dengan mengatur intensitas cahaya
pengambangan ( threshold). Fungsi threshold dalam MATLAB yaitu graythresh
dengan mengalikan nilai pengambangannya menjadi nilai gradien. Nilai
pengambangan yang digunakan harus sesuai dengan fungsi operator yang dipakai
supaya garis tepi akan lebih jelas memperlihatkan citra biner gradien. Fungsi
graythresh menggunakan fungsi metode Otsu, menggunakan pengambangan untuk
meminimalisasikan varian dari piksel hitam dan putih. Operasi itu berfungsi untuk
memperlebar daerah yang berwarna putih/piksel bernilai 1 atau menutup piksel
berwarna hitam/bernilai 0 apabila piksel tersebut dikelilingi oleh piksel yang
berwarna putih.

Penentuan nilai pengambangan pada tiap metode deteksi tepi berbeda-beda. Penelitian
ini menggunakan nilai pengambangan dari 0.1 sampai 0.9 dengan membuat sebuah
program kecil. Program tersebut dibuat untuk mengetahui nilai pengambangan yang
sesuai dengan operator. Setelah diamati, nilai pengambangan yang sesuai dengan
operator Sobel ialah 0.1, nilai pengambangan untuk operator Prewitt ialah 0.15, nilai
pengambangan untuk operator Canny ialah 0.8, nilai pengambangan untuk operator
Roberts ialah 0.2.
Berikut ini merupakan potongan baris program untuk deteksi tepi Sobel, Prewitt,
Canny, dan Roberts dengan pengaturan nilai pengambangan dalam menggunakan
fungsi graythresh.

BWs = operator(grey, 'sobel', (graythresh(grey) * .1));


BWs = operator(grey, 'prewitt', (graythresh(grey) * .15));
BWs = operator(grey,'canny', (graythresh(grey) * .8));
BWs = operator(grey, 'roberts', (graythresh(grey) * .2));

Contoh citra hasil perkalian antara nilai pengambangan dengan fungsi graythresh
diproses dalam fungsi operator untuk tiap metode deteksi tepi yang diperlihatkan pada
Gambar 7.

(a) (b) (c) (d)


Gambar 7. (a) citra biner gradien sobel, (b) citra biner gradien prewitt,
(c) citra biner gradien canny, (d) citra binergradien Roberts

Operasi morfologi dalam MATLAB adalah teknik dari pengolahan citra berdasarkan
bentuk suatu objek citra. Nilai dari tiap piksel pada citra keluaran berdasarkan
perbandingan dari keterhubungan piksel tetangganya pada citra masukan. Fungsi di
dalam Matlab untuk membentuk morfologi ialah strel. Fungsi strel untuk membentuk
struktur elemen yang akan digunakan melakukan operasi dilation dan erosion.

Setelah dilakukan pembentukan morfologi dengan struktur elemen line berdasarkan


bentuk objek citra dan parameter agar dapat dideteksi tepi seluruh wajah yaitu BWs,
langkah berikutnya ialah melakukan operasi dilation, dengan fungsi pada MATLAB
imdilate yang berguna untuk memperluas daerah dari piksel (yang bernilai 1). Pada
algoritma dijelaskan setelah melakukan konversi ke dalam citra biner akan dilakukan
operasi closing pada citra biner tersebut. Operasi itu berfungsi untuk memperlebar
daerah yang berwarna putih/piksel bernilai 1 atau menutup piksel berwarna
hitam/bernilai 0 apabila piksel tersebut dikelilingi oleh piksel yang berwarna putih.
Operasi opening digunakan dalam penelitian ini, yaitu penutupan piksel-piksel yang
berwarna putih, apabila piksel tersebut dikelilingi oleh piksel berwarna hitam. Operasi
ini dimaksudkan untuk menghilangkan noise yang terdapat pada citra biner . Pada
operasi dilation disini digunakan struktur elemen berbentuk garis dengan diameter 5
piksel dan sudut 0°. BWsdil = imdilate (BWs, [se90 se0]); Pada operasi dilation di
atas, berdasarkan langkah sebelumnya yaitu struktur elemen berbentuk garis dengan
diameter 2 piksel dan sudut (0°, 90°) untuk fungsi operator Sobel, daerah piksel yang
bernilai 1 akan diperluas secara horizontal.

Langkah terakhir yaitu penggabungan dengan operator logika AND yaitu


menggabungkan hasil citra yang telah mengalami proses deteksi tepi BWs dengan
citra hasil operasi dilasi Bwsdil. Kemudian mengembalikan citra biner ke citra RGB
yang sudah terdeteksi tepinya untuk mendapatkan output citra asli yang terdeteksi
tepinya dengan menggunakan fungsi bwperim.
Di bawah ini merupakan gambar citra hasil penggabungan operator logika AND
antara citra hasil dilasi dan pendeteksian tepi. Kemudian hasil citra tersebut disimpan
di dalam variabel BWBW dan diberi fungsi bwperim sebagai closing.

(a) (b) (c) (d)


Gambar 8. Citra bwperim (a) Sobel,(b) Prewitt,(c) Canny,(d) Roberts

Hasil Uji Coba Dan Analisis


Untuk menguji program yang telah dibuat, penulis menggunakan sejumlah citra
wajah. Objek yang digunakan sebagai citra wajah adalah sebanyak 20 orang yaitu 10
wajah pria dan 10 wajah wanita. Dengan kondisi pencahayaan yang tidak tetap yang
diambil menggunakan kamera digital dengan jarak pengambilan yang sama. Tiap-tiap
citra wajah tersebut kemudian dijadikan sebagai input-an dalam program metode
deteksi tepi, yang menghasilkan citra keluaran seperti terlihat pada Tabel 2. Waktu
kinerja deteksi tepi roberts adalah sebesar 70 % yaitu 14 dari 20 citra wajah uji coba.
Sisanya 30% merupakan persentase waktu kinerja deteksi tepi prewitt yaitu 6 dari 20
citra wajah.

Tabel 1. Kinerja waktu pendeteksian untuk tiap metode deteksi tepi


Waktu Waktu Waktu Waktu
Objek Citra Sobel Prewitt Canny Roberts Hasil
Pria1 16.033 14.431 14.771 14.411 Roberts
Pria-2 11.487 10.615 10.916 10.696 Prewitt
Pria-3 11.036 10.155 10.356 10.175 Prewitt
Pria-4 9.964 9.293 9.484 9.233 Roberts
Pria-5 10.305 9.654 9.884 9.634 Roberts
Pria-6 10.014 9.744 9.623 9.413 Roberts
Pria-7 10.495 9.824 10.045 9.804 Roberts
Pria-8 11.066 10.306 10.495 10.276 Roberts
Pria-9 9.334 9.133 9.323 9.093 Roberts
Pria-10 10.946 10.405 10.615 10.645 Prewitt
Wanita-1 9.323 8.943 9.093 8.913 Roberts
Wanita-2 9.975 9.414 9.614 9.374 Roberts
Wanita-3 10.886 10.334 10.526 10.335 Prewitt
Wanita-4 12.599 12.177 12.348 12.168 Roberts
Wanita-5 10.034 9.313 9.534 9.324 Prewitt
Wanita-6 11.406 10.917 11.106 10.916 Roberts
Wanita-7 11.076 10.334 10.193 10.364 Prewitt
Wanita-8 11.307 10.475 10.736 10.465 Roberts
Wanita-9 9.754 9.393 9.524 9.374 Roberts
Wanita-10 10.385 9.905 10.065 9.895 Roberts
Dari hasil uji coba yang dilakukan, program ini dapat memberikan hasil bahwa
metode deteksi tepi Canny merupakan metode deteksi yang paling akurat. Tingkat
keberhasilan metode deteksi tepi Canny mendeteksi tepi dengan akurat adalah 18
citra wajah dari 20 citra wajah uji coba dengan persentase 90%. Tingkat keberhasilan
metode deteksi tepi Sobel mendeteksi tepi dengan akurat adalah 15 citra wajah dari
20 citra wajah uji coba dengan persentase 75%. Tingkat keberhasilan metode deteksi
tepi Prewitt dan Roberts mendeteksi tepi dengan akurat adalah 11 citra wajah dari 20
citra wajah uji coba dengan persentase 55%.

Tingkat keberhasilan untuk waktu kinerja tercepat berdasarkan hasil uji coba ialah
metode deteksi tepi Roberts adalah sebesar 70% yaitu 14 dari 20 citra wajah uji coba.
Sisanya 30% merupakan persentase waktu kinerja deteksi tepi Prewitt yaitu 6 dari 20
citra wajah. Beberapa faktor yang menyebabkan terjadinya kegagalan pada metode
deteksi tepi adalah karena efek pencahayaan pada saat pengambilan foto sehingga ada
beberapa yang bukan tepi terdeteksi atau yang disebut dengan noise.

Tabel 2. Beberapa Citra hasil uji wajah pria dan wajah wanita
NO. CITRA SOBEL PREWITT CANNY ROBERTS

Pria -1

Pria – 4

Pria – 5

Pria – 7

Wanita - 1

Wanita – 4

Wanita – 8

Wanita - 10

PENUTUP
Metode deteksi tepi Canny merupakan metode deteksi yang paling akurat. Tingkat
keberhasilan metode deteksi tepi canny mendeteksi tepi dengan akurat adalah 18 citra
wajah dari 20 citra wajah uji coba dengan persentase 90%. Tingkat keberhasilan
metode deteksi tepi sobel mendeteksi tepi dengan akurat adalah 15 citra wajah dari
20 citra wajah uji coba dengan prosentase 75%. Tingkat keberhasilan metode deteksi
tepi prewitt dan roberts mendeteksi tepi dengan akurat adalah 11 citra wajah dari 20
citra wajah uji coba dengan persentase 55%.
Dilihat dari kinerja waktu, metode tercepat adalah metode deteksi tepi roberts, yaitu
sebesar 70% (14 dari 20 citra wajah uji coba). Sisanya 30% merupakan persentase
deteksi tepi prewitt yaitu 6 dari 20 citra wajah.
REFERENSI
Anonim. MATLAB. http://dir.yahoo.com/science/mathematics. Juli 2006a.

Anonim. MATLAB. http://www.mathworks.com. Juli 2006b.

Arhami, Muhammad dan Anita Desiani. Pemrograman MATLAB. Andi.


Yogyakarta. 2005.

Dewi AR, Adang S dan Hendra S. Ekstraksi Fitur Dan Segmentasi Wajah Sebagai
Semantik Pada Sistem Pengenalan Wajah. Prosiding of National
Conference on Computer Science & Information Technology, ISSN : 0126-
2866. pp. 362 -367. 2007

Jain, Anil K. Fundamentals of Digital image Processing. Prentice-Hall


International. 1989

Karmilasari, Dewi AR dan Syahrul Ramadhan. Aplikasi Deteksi Wajah pada Foto
Dijital dalam Sistem Pengenalan Wajah. Prosiding SemNas on Application
and Research in Industrial Technology, 1st SMART, FTMI FT UGM.
Yogyakarta. ISBN : 979-97986-3-9, pp. I-25 – I-31. Yogyakarta, 2006.

Munir, Rinaldi. Pengolahan Citra Digital. Informatika. Bandung. 2004.

Otsu, N. A Threshold Selection Method from Gray-Level Histograms. IEEE


Transactions on Systems, Man, and Cybernetics. vol. 9, no. 1. pp. 62-66, 1979.

Pujiriyanto, Andry. Cepat Mahir MATLAB. http://ilmukomputer.com. Jakarta.


2004.

Anda mungkin juga menyukai