Perbandingan Metode Otsu Thresholding dan K-Means Clustering Untuk Segmentasi Objek Pada Citra Digital Berbasis Python

Abstract

Segmentasi citra merupakan tahap penting dalam pengolahan citra digital untuk memisahkan objek dari latar belakang sebelum dilakukan analisis lebih lanjut, seperti penghitungan jumlah objek, pengenalan pola, maupun ekstraksi fitur. Penelitian ini membandingkan dua metode segmentasi citra grayscale, yaitu Otsu Thresholding dan K-Means Clustering, yang diimplementasikan menggunakan bahasa pemrograman Python dengan pustaka scikit-image, scikit-learn, dan NumPy. Citra uji yang digunakan adalah citra koin logam berukuran 303x384 piksel dengan jumlah objek sebenarnya (ground truth) sebanyak 24 koin. Kedua metode diuji melalui tahap pra-pemrosesan, thresholding/clustering, operasi morfologi (penghapusan objek kecil, closing, dan penutupan lubang), serta pelabelan komponen terhubung untuk menghitung jumlah objek hasil segmentasi. Hasil pengujian menunjukkan bahwa kedua metode berhasil mendeteksi 23 dari 24 objek dengan akurasi yang sama, yaitu 95,83%, serta menghasilkan mask segmentasi yang identik secara piksel (Intersection over Union/IoU = 1,0000) karena histogram citra bersifat bimodal dengan kontras tinggi. Meskipun demikian, dari sisi efisiensi komputasi, Otsu Thresholding jauh lebih cepat (32,82 milidetik) dibandingkan K-Means Clustering (137,98 milidetik) karena Otsu menyelesaikan permasalahan secara analitis dalam satu kali pemindaian histogram, sedangkan K-Means memerlukan proses iteratif. Penelitian ini menyimpulkan bahwa Otsu Thresholding lebih direkomendasikan untuk kasus segmentasi citra dengan distribusi intensitas bimodal, sedangkan K-Means Clustering lebih fleksibel digunakan pada kasus segmentasi yang lebih kompleks atau multimodal.