Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal PROSISKO : Jurnal Pengembangan Riset dan observasi Rekayasa Sistem Komputer
Sinta Sulastri
Program Studi Informatika,Fakultas Teknik, Universitas Majalengka, Majalengka City, 45418 ,Indonesia
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Mechanical Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
TREN DAN EVALUASI METODE TEXTURE FEATURE EXTRACTION PADA CITRA DIGITAL Sinta Sulastri; wulidah kafah
PROSISKO: Jurnal Pengembangan Riset dan Observasi Sistem Komputer Vol. 13 No. 2 (2026): Prosisko Vol. 13 No. 2 Juli 2026
Publisher : Pogram Studi Sistem Komputer Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/3db63x02

Abstract

Abstrak - Perkembangan teknologi analisis citra digital meningkatkan kebutuhan terhadap metode texture feature extraction untuk memperoleh karakteristik tekstur pada berbagai bidang, seperti citra medis, remote sensing, deteksi cacat industri, dan image retrieval. Perkembangan metode ekstraksi fitur tekstur menyebabkan perlunya kajian untuk memetakan tren penelitian, mengevaluasi performa metode, serta mengidentifikasi peluang pengembangan penelitian. Penelitian ini bertujuan menganalisis tren dan mengevaluasi kinerja metode texture feature extraction pada analisis citra digital menggunakan pendekatan Systematic Literature Review (SLR) berbasis PRISMA melalui tahapan identifikasi, penyaringan, evaluasi kelayakan, dan seleksi artikel. Sebanyak 45 artikel dari basis data SCOPUS dianalisis berdasarkan metode yang digunakan, bidang penerapan, parameter evaluasi, dan performa metode. Hasil penelitian menunjukkan bahwa metode Gray Level Co-occurrence Matrix (GLCM) dan Local Binary Pattern (LBP) masih banyak digunakan karena kompleksitas komputasi yang rendah dan performa yang baik pada dataset tertentu. Selain itu, metode berbasis deep learning, khususnya Convolutional Neural Network (CNN), menunjukkan tren peningkatan karena mampu melakukan ekstraksi fitur otomatis dengan tingkat akurasi lebih tinggi. Penelitian ini menyimpulkan bahwa integrasi metode konvensional dan deep learning menjadi arah pengembangan yang potensial untuk meningkatkan performa analisis citra digital.   Kata Kunci: analisis citra digital, deep learning, systematic literature review, texture feature extraction, tren penelitian
Co-Authors wulidah kafah