ALGORITMA THRESHOLDING ADAPTIF BERDASARKAN DETEKSI BLOK
TERHADAP CITRA DOKUMEN TERDEGRADASI
Agus Zainal Arifin, Arya Yudhi Wijaya, Laili Cahyani1
1
Fakultas Teknologi Informasi,
Institut Teknologi Sepuluh Nopember (ITS), Surabaya, 60111, Indonesia
E-mail : cahya_nie@cs.its.ac.id
ABSTRAK
Saat ini, keberadaan citra dokumen yang
mengalami degradasi dapat menjadi masalah
tersendiri untuk melakukan suatu penelitian.
Banyak metode yang sudah dikembangkan.
Namun, kebanyakan metode hanya
memperhatikan perbaikan kualitas saja tanpa
memperhatikan efisiensi waktu.
Tugas akhir ini melakukan implementasi
sebuah algoritma thresholding secara adaptif
terhadap citra dokumen terdegradasi. Dengan
menggabungkan keuntungan metode global
dan lokal, algoritma ini membagi citra
dokumen menjadi beberapa blok. Kemudian
proses thresholding dilakukan pada tiap blok
citra untuk mendapatkan hasil berupa citra
biner.
Kinerja dari aplikasi ini akan diukur
menggunakan aplikasi Optical Character
Recognition (OCR) dengan menghitung
keakuratan pembacaan teks hasil thresholding.
Akhirnya, metode ini menghasilkan suatu
pemisahan yang baik antara teks dan
background. Percobaan juga menunjukkan
bahwa metode ini mampu menghasilkan
kinerja yang lebih unggul dari metode
sebelumnya. Rata-rata keakuratan
thresholding dari semua percobaan mencapai
93%.
Kata kunci : Degradasi, deteksi ukuran blok,
thresholding, binerisasi adaptif.
1 PENDAHULUAN
Saat ini beberapa aplikasi memerlukan
pengenalan karakter, seperti aplikasi OCR
(optical character recognition). Pada proses
pemisahan karakter dan background,
thresholding citra dokumen melibatkan proses
konversi citra grayscale menjadi citra biner[1].
Proses thresholding telah diterima cukup
intens selama tiga dekade terakhir. Meskipun
banyak algoritma telah diusulkan untuk gambar
berintensitas seragam, namun thresholding
agak rumit ketika harus memproses gambar
dokumen yang mengalami degradasi.
Degradasi dapat disebabkan oleh beberapa hal,
diantaranya background yang kompleks,
intensitas yang tidak seragam, dan bayangan
pada citra. Untuk mengatasi hal ini, beberapa
1
algoritma thresholding telah dikembangkan
untuk citra dokumen terdegradasi[1].
Berdasarkan teknik yang ada saat ini,
thresholding dapat diklasifikasikan menjadi
dua, yaitu thresholding global dan thresholding
lokal (adaptif). Metode thresholding global
memperkirakan dan menerapkan threshold
tunggal untuk seluruh piksel citra. Sahoo
dkk.[2] telah melakukan perbandingan dengan
menggunakan pengukuran bentuk atau
uniformity terhadap efektifitas metode yang
diusulkan oleh Otsu[3], Tsai, Johannsen, dan
Kapur dalam mendapatkan hasil thresholding
yang memadai. Namun demikian, metode-
metode ini kurang efektif untuk mendapatkan
hasil yang sesuai ketika citra memiliki beragam
bentuk background. Maka banyak peneliti
berusaha untuk mengatasi masalah ini dengan
menggunakan metode lokal.
Dalam metode thresholding lokal, nilai
threshold ditentukan untuk setiap piksel
berdasarkan nilai grayscale sendiri dan nilai
grayscale tetangga. Oleh karena itu,
pendekatan ini disebut algoritma thresholding
adaptif. Beberapa algoritma thresholding
adaptif telah dikembangkan, diantaranya adalah
metode Niblack [4] pada tahun 1986. Namun,
metode Niblack tidak efektif ketika
background berisi tekstur berupa cahaya. Pada
tahun 2000, Sauvola [5] menyusun metode
yang memodifikasi metode Niblack dengan
melakukan hipotesis pada nilai keabuan piksel
teks dan piksel background. Pada tahun 2004,
Sezgin dan Sankur[6] melakukan perbandingan
terhadap 40 metode. Hal itu menunjukkan
bahwa metode thresholding lokal Sauvola dan
metode dari Trier melakukan yang terbaik
untuk proses thresholding dokumen. Kemudian
Gatos dkk.[7] menemukan metode thresholding
lokal lainnya untuk citra dokumen berkualitas
rendah. Dengan menggunakan metode Sauvola,
metode Gato melakukan deteksi foreground
dan melanjutkannya dengan beberapa langkah
post-processing untuk meningkatkan hasil
akhir. Meskipun menawarkan hasil yang
memuaskan untuk dokumen terdegradasi,
pendekatan lokal tersebut memiliki biaya
komputasi yang tinggi karena harus
memperkirakan nilai threshold untuk setiap
piksel.
 Oleh karena adanya manfaat dan melakukan perkiraan periode dari kurva yang
keterbatasan yang ada pada setiap metode dan dihasilkan oleh proyeksi horisontal H ( y )
kebanyakan hanya memperhatikan perbaikan berdasarkan langkah-langkah sebagai berikut :
kualitas tanpa memperhatikan efisiensi waktu, 1. R ( y ) merupakan kurva periodik
maka Tugas Akhir ini mengimplementasikan
algoritma thresholding berdasarkan deteksi dengan periode τ
, yang dapat
blok untuk mengatasi permasalahan tersebut. dirumuskan sebagai berikut
Deteksi blok dilakukan untuk melakukan 2πy
thresholding secara adaptif dan thresholding
Rτ ( y) = max[H ( y)].[sgn[sin( )] + 1]
τ
menggunakan metode global digunakan untuk (2.3)
mendapatkan waktu yang efisien. Sehingga
2. Varians dari Rτ (y ) dan H ( y )
proses thresholding citra dokumen terdegradasi
dapat menghasilkan keluaran yang baik dalam didapatkan dengan menghitung
waktu efisien. persamaan berikut:
N 2
1
2 METODE σ ε2 =
N
∑ [Rτ ( y ) − H ( y )]
y =1
(2.4)

2.1 Proyeksi Horisontal dimana N merupakan jumlah kolom

Proyeksi horisontal dilakukan untuk citra. Sedangkan, ε = 12 τ dan
mengenali karakteristik citra masukan yang
N
akan diproses. Sehingga, hal ini dapat 0<ε <
memudahkan proses pemisahan antara piksel 2
karakter dan piksel background. Persamaan 2.1 3. Ukuran smoothing window m dapat
adalah persamaan yang menunjukkan didefinisikan sebagai nilai ε
yang
perumusan proyeksi horisontal. dihasilkan pada varians minimal σ ε2
M
yang diperoleh.
H ( y) = ∑ f ( x, y ), (2.1)
Hasil keluaran proses smoothing filter
x =1
sekaligus merupakan keluaran akhir pada
dimana
  merupakan intensitas keabuan
preprocessing ini berupa matriks Hsy sebagai
tiap piksel citra berukuran M×N dan (x,y)
representasi dari kurva yang lebih halus
merupakan koordinat tiap piksel. Hasil kurva
proyeksi horisontal dapat dilihat pada Gambar (smooth) dibandingkan dengan kurva H ( y ) .
3.1. Secara normal nilai piksel karakter harus Matriks Hsy ini yang akan menjadi masukan
lebih rendah daripada nilai dari piksel untuk proses deteksi ukuran blok.
background. Lembah dan puncak dari hasil
representasi kurva proyeksi horisontal 2.3 Deteksi Ukuran Blok
merupakan akumulasi nilai-nilai dari piksel Beberapa tahapan untuk melakukan
karakter dan background. Sehingga dapat deteksi ukuran blok adalah mencari turunan
terlihat bahwa daerah karakter dapat dipisahkan pertama dari kurva Hs ( y ) , mencari titik
dari daerah background. (3.3)
ekstrim dari turunan pertama, mencari nilai dari
2.2 Smoothing Filter inflection point, dan mencari ukuran blok.
Langkah awal yang dilakukan adalah
Smoothing filter dilakukan untuk mencari turunan pertama dari kurva Hs ( y ) .
memperbaiki nilai kontras yang tidak merata
Pencarian turunan pertama dilakukan untuk
sebab adanya noise yang muncul, sehingga
mendapatkan gradient atau kemiringan kurva.
dapat menghalangi proses pemisahan antara
Hal ini dapat menunjukkan karakteristik dari
piksel karakter dan background. Smoothing
citra sehingga pada proses berikutnya dapat
filter juga dilakukan untuk menjaga informasi
dilakukan pemisahan antara karakter dan
penting dari dokumen agar tidak banyak yang
background berdasarkan intensitas keabuan
hilang selama proses thresholding. Perumusan
citra masukan, baik sebagai wilayah karakter
smoothing filter yang digunakan dapat dilihat
atau background. Turunan pertama dari kurva
pada persamaan 2.2
m
Hs ( y ) dirumuskan oleh persamaan 2.5,
y+ sedangkan kurva hasil turunan pertama dapat
2
1
Hs ( y ) = ∑ H (k ),
m k= y− m
(2.2)
dilihat pada Gambar 1.

dHs(y) Hs(y+1)−Hs(y)
2 H's ( y) = = =Hs(y+1)−Hs(y)
dimana m merupakan ukuran dari smoothing dy (y+1)−y
window. Ukuran window ditentukan dengan (2.5)

2
 Gambar 1 Ilustrasi Proses Segmentasi Citra.
Langkah berikutnya adalah mencari titik
ekstrim dari turunan pertama, yaitu titik dimana
kurva asal berada pada nilai maksimum atau
minimum. Pada Gambar 3.1, titik ekstrim
ditunjukkan sebagai deret
Y = {Y j 0 < j < n } yang dapat didefinisikan
sebagai titik dimana nilai turunan pertamanya
adalah nol.
Setelah didapatkan deret Y sebagai titik
ekstrim, maka langkah selanjutnya yaitu
mencari inflection point. Inflection point
P = {P j 1 < j < n }didapatkan antara indeks
Yj dan Yj+1. Berikut ini adalah perumusan
inflection point yang digunakan untuk proses
deteksi ukuran blok
P j = max H s' , { } (2.5)
Y j < Y < Y j +1
'
dimana H s merupakan nilai turunan pertama
yang telah didapatkan pada kurva sebelumnya.
Nilai turunan yang maksimal pada kurva
turunan menunjukkan bahwa
gradient/kemiringan paling besar. Gradient ini
didefinisikan sebagai adanya perubahan
kontras yang terjadi pada tingkat keabuan dari
piksel-piksel citra. Sehingga terdapat batas
yang dijadikan pemisah antara region karakter
dan region background.
Inflection point merupakan titik batas
yang digunakan antara wilayah karakter dan
background. Sehingga langkah berikutnya
adalah menghitung jarak antara tiap inflection
point yang didapatkan. Jarak tersebut akan
menjadi ukuran blok untuk proses segmentasi
citra di tahap berikutnya. Jarak ini juga
didefinisikan sebagai tinggi tiap wilayah
karakter dan background, serta dijadikan
sebagai input paramater pada proses
segmentasi. Perumusan jarak yang dilakukan
berdasarkan persamaan 2.6.
D j = Pj +1 − Pj . (2.6)
2.4 Segmentasi Citra
3
Citra masukan yang berupa citra
grayscale dibagi menjadi beberapa blok
berdasarkan jarak yang telah didapatkan pada
proses deteksi ukuran blok sebelumnya.
Pertama daerah citra masukan dipisahkan ke
dalam n – 1 bagian sub-region ( , , ...,
). Tiap bagian sub-region terdiri dari
piksel. Tiap bagian sub-region dibagi
menjadi kumpulan blok. Tiap blok terdiri dari
piksel. Ukuran blok pada tiap bagian
sub-region bervariasi sesuai jarak
Hasil dari segmentasi citra adalah citra
yang terbagi menjadi sub-region citra. Ilustrasi
pada Gambar 1 adalah hasil segmentasi citra.
Gambar 2 Ilustrasi Proses Segmentasi Citra.
2.5 Thresholding Citra
Proses berikutnya dalam
pengimplementasian algoritma thresholding
adaptif berdasarkan deteksi blok ini adalah
proses thresholding citra. Pada proses deteksi
blok yang menjadi data masukan adalah hasil
citra yang telah tersegmentasi. Proses ini
membutuhkan inisialisasi nilai mean dan
standar deviasi yang digunakan sebagai
threshold. Pertama yang dilakukan terhadap
citra yang telah terbagi menjadi beberapa blok
tersebut yaitu menghitung nilai local mean dan
local standar deviasi. Local mean dan local
standar deviasi dihitung untuk tiap blok serta
digunakan untuk menentukan apakah suatu
blok perlu diproses dengan threshold adaptif
atau tidak. Kemudian nilai local mean dan
local standar deviasi pada tiap blok
dibandingkan dengan mean threshold dan
standar deviasi threshold. Jika nilai local
standar deviasi lebih rendah daripada standar
deviasi threshold dan local mean lebih tinggi citra1 citra2
daripada mean threshold, maka setiap piksel
dalam blok tersebut disubtitusikan dengan
piksel background(1). Sebaliknya, jika tidak
maka untuk tiap blok dilakukan proses
binerisasi citra dengan metode global (metode
otsu). Metode otsu digunakan karena citra3 citra4
Gambar 3 Data Citra Uji Coba Parameter
kecepatannya dalam melakukan proses
thresholding secara global.
3.1 Uji Coba Parameter
Ada dua buah parameter yang cukup
3 UJI COBA DAN EVALUASI penting untuk digunakan dalam implementasi
Terdapat dua macam uji coba yang algoritma thresholding adaptif berdasarkan
dilakukan, yaitu uji coba parameter dan uji deteksi blok, yaitu.
coba perbandingan metode. Uji coba parameter 1. Parameter mean threshold
dilakukan untuk mendapatkan parameter yang 2. Parameter standar deviasi threshold
sesuai untuk algoritma thresholding adaptif
berdasarkan deteksi blok ini, sedangkan uji 3.1.1 Uji Coba dan Evaluasi Parameter
coba perbandingan metode dilakukan untuk Mean
mengetahui seberapa unggul algoritma Uji coba parameter mean yang dilakukan
thresholding adaptif berdasarkan deteksi blok terhadap citra uji 1 dengan menggunakan 10
dibandingkan dengan metode yang nilai mean menghasilkan kinerja seperti
dikembangkan sebelumnya, yaitu Otsu, ditunjukkan pada Tabel 1. Demikian juga pada
Niblack, dan Sauvola. data citra uji 2, 3, dan 4 sehingga menghasilkan
Sebagai data masukan untuk uji coba nilai mean threshold optimal yaitu 40.
parameter, digunakan 4 macam data citra
dokumen dengan degradasi yang berbeda Tabel 1 Evaluasi Uji Coba Parameter Mean Citra
seperti ditunjukkan pada Gambar 3. Sedangkan Uji 1
untuk melakukan uji coba perbandingan Kriteria
meant
metode, digunakan 8 macam sampel data citra DB DS TT PRC RCL F
dokumen terdegradasi. 100 346 31 359 91.78 96.38 94.02
90 349 21 359 94.32 97.21 95.75
Evaluasi dilakukan dengan menjadikan 80 355 21 359 94.41 98.89 96.60
citra hasil thresholding sebagai masukan pada 70 355 13 359 96.47 98.89 97.66
software OCR untuk mengukur kemampuan 60 355 12 359 96.73 98.89 97.80
aplikasi dalam melakukan pengenalan karakter. 50 358 5 359 98.62 99.72 99.17
Istilah berikut akan menjelaskan kriteria pada 40 356 1 359 99.72 99.16 99.44
tiap tabel uji coba berikutnya. 30 356 1 359 99.72 99.16 99.44
• DB: karakter (huruf, angka, atau tanda 20 356 1 359 99.72 99.16 99.44
baca) yang terdeteksi benar oleh OCR, 10 356 1 359 99.72 99.16 99.44
• DS: karakter yang terdeteksi namun
merupakan kesalahan pengenalan oleh 3.1.2 Uji Coba dan Evaluasi Parameter
OCR, Standar deviasi
• TT: total karakter keseluruhan,
Tabel 2 Evaluasi Uji Coba Parameter Standar
• PRC: pengukuran secara precision, deviasi Citra Uji 1
• RCL: pengukuran secara recall, Kriteria
• F: rata-rata harmonis antara precision stdT
DB DS TT PRC RCL F
dan recall. 20 258 10 359 96.29 71.87 82.30
DB , (3.1) 18 268 18 359 93.71 74.65 83.10
PRC = 16 286 21 359 93.16 79.67 85.89
( DB + DS )
14 313 14 359 95.72 87.19 91.25
DB , (3.2) 12 330 19 359 94.56 91.92 93.22
RCL =
TT 10 357 1 359 99.72 99.44 99.58
2 * ( PRC * RCL) (3.3)
8 357 2 359 99.44 99.44 99.44
F= 6 358 2 359 99.44 99.72 99.58
( PRC + RCL) 4 355 18 359 95.17 98.89 96.99
2 346 23 359 93.77 96.38 95.05

4
 Uji coba parameter standar deviasi yang Tabel 3 Evaluasi Uji Coba Perbandingan Metode
dilakukan terhadap citra uji 1 dengan Adaptif Blok dan Otsu
menggunakan 10 nilai standar deviasi Citra I Citra II Citra III

Uji Coba
menghasilkan kinerja seperti ditunjukkan pada

Kriteria

Adaptif

Adaptif

Adaptif
Tabel 2. Demikian juga terhadap data citra uji

Blok

Blok

Blok
Otsu

Otsu

Otsu
2, 3, dan 4 sehingga menghasilkan nilai standar
deviasi threshold optimal yaitu 10.
DB 219 56 51 49 32 12
3.2 Uji Coba Perbandingan Metode
DS 0 6 8 9 0 2
Terdapat tiga metode yang digunakan TT 219 219 52 52 32 32
sebagai pembanding untuk melakukan uji coba
PRC 100 90.3 86.4 84.5 100 85.7
perbandingan metode, yaitu :
1. Metode global Otsu RCL 100 25.6 98.1 94.2 100 37.5
2. Metode adaptif Niblack F 100 39.8 91.9 89.1 100 52.2
3. Metode adaptif Sauvola
Tabel 4 Evaluasi Uji Coba Perbandingan Metode
Adaptif Blok dan Niblack
Citra I Citra II Citra III

Uji Coba
Kriteria

Niblack

Niblack

Niblack
Adaptif

Adaptif

Adaptif
Blok

Blok

Blok
citra1 adaptif blok Otsu

DB 219 114 51 25 80 53
DS 0 59 8 27 0 28
citra3 adaptif blok Otsu TT 219 219 52 52 86 86
Gambar3 Hasil Perbandingan Metode Adaptif PRC 100 65.9 86.4 48.1 100 65.4
Blok dan Otsu RCL 100 52 98.1 48.1 93 61.6
F 100 58.2 91.9 48.1 96.4 63.5

Tabel 5 Evaluasi Uji Coba Perbandingan Metode

Adaptif Blok dan Sauvola
citra1 adaptif blok Niblack Citra I Citra II Citra III
Uji Coba
Kriteria

Sauvola

Sauvola

Sauvola
Adaptif

Adaptif

Adaptif
Blok

Blok

Blok
citra3 adaptif blok Niblack
DB 219 215 51 51 80 75
Gambar3 Hasil Perbandingan Metode Adaptif DS 0 4 8 1 0 18
Blok dan Niblack
TT 219 219 52 52 86 86
PRC 100 98.2 86.4 981 100 80.6
RCL 100 98.2 98.1 98.1 93 87.2
F 100 98.2 91.9 98.1 96.4 83.8
citra1 adaptif blok Sauvola
Rata-rata F-Measure yang didapatkan dari uji
coba perbandingan metode terhadap 8 citra
adalah sbb.
• Thresholding Adaptif Blok: 92.69%
citra3 adaptif blok Sauvola
• Thresholding Global Otsu: 62.94%
Gambar3 Hasil Perbandingan Metode Adaptif • Thresholding Adaptif Niblack: 34.46%
Blok dan Sauvola • Thresholding Adaptif Sauvola: 85.79%
Evaluasi terhadap uji coba hasil perbandingan 4 SIMPULAN
metode adaptif blok dan Otsu ditunjukkan oleh
Tabel 3. Sedangkan perbandingan dengan Dari hasil uji coba yang didapatkan,
metode Niblack dan Sauvola ditunjukkan pada didapatkan beberapa simpulan sebagai berikut:
Tabel 4 dan 5. 1. Aplikasi ini mampu melakukan proses
thresholding berdasarkan deteksi blok

5
 terhadap citra dokumen terdegradasi
dengan baik, sehingga menghasilkan
citra biner yang dapat dikenali oleh
aplikasi OCR.
2. Aplikasi ini mampu mendeteksi
ukuran blok untuk proses segmentasi
terhadap citra dokumen terdegradasi.
3. Aplikasi ini mampu melakukan
thresholding secara adaptif melalui
blok-blok yang telah didapatkan.
4. Algoritma thresholding adaptif
berdasarkan deteksi blok memiliki
kinerja lebih baik daripada metode
Otsu, Niblack, dan Sauvola.

5. DAFTAR PUSTAKA
[1]. Pai Yu-Ting, Yi-Fan Chang and
Shanq-Jang Ruan, 2010. Adaptive
thresholding algorithm: Efficient
computation technique based on
intelligent block detection for
degraded document images, Elsevier
Ltd.
[2]. Sahoo, P.K, S. Soltani, and A. K. C.
Wong, 2004. Survey over image
thresholding techniques and
quantitative performance evaluation.
Journal of Electronic Imaging
[3]. Nobuyuki Otsu, 1979. A Threshold
Selection Method From Gray Level
Histograms. IEEE Trans. Systems
Man Cybernet.
[4]. W. Niblack, 1986. An Introduction
to Digital Image Processing.
Prentice-Hall.
[5]. Sauvola, J., M. Pietikainen. 2000.
Adaptive Document Image
Binarization. Pattern Recognition.
[6]. Sezgin, Mehmet, Bulent Sankur.
2004. Survey Over Image
Thresholding Techniques and
Quantitative Performance
Evaluation. Journal of Electronic
Imaging.
[7]. Gatos, B., I. Pratikakis, S. J.
Perantonis. 2005. Adaptive
Degraded Document Image
Binarization. Elsevier Ltd.
[8]. Gonzales, R.C., Woods, R.E., 2002.
Digital Image Processing, 2nd ed.
Prentice Hall, Upper Saddle River,
NJ, pp.