<![CDATA[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]]>
Copyrights © 2026
