BAB I

Pendahuluan
A.

Latar Belakang
Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Data

atau informasi yang disajikan tidak hanya dalam bentuk teks, tetapi juga berupa
gambar, audio (bunyi, suara, musik), dan video. Citra (image) atau gambar sebagai
salah satu komponen multimedia memegang peranan penting sebagai bentuk
informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks,
yaitu citra kaya dengan informasi.
Feature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri /
feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk
proses selanjutnya. Feature extraction dilakukan dengan cara menghitung jumlah
titik atau pixels yang ditemui dalam setiap pengecekan, dimana pengecekan
dilakukan dalam berbagai arah tracing pengecekan pada koordinat kartesian dari citra
digital yang dianalisis, yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri.
B.

Tujuan Penulisan
Makalah ini ditulis dengan tujuan :

1.

Tujuan Subjektif
Guna Memperoleh nilai tugas dalam mata kuliah Pengelolaan Citra Digital di
Universitas Cokroaminoto Palopo.

2.

Tujuan Objektif
Dengan penulisan makalah ini diharapkan agar kita semua mengetahui tentang
apa itu ekstraksi fitur, apa kegunaan , dan metodenya .

BAB II
PEMBAHASAN
A Pengertian Ekstraksi Fitur
Feature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri /
feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk
proses selanjutnya. Feature extraction dilakukan dengan cara menghitung jumlah
titik atau pixels yang ditemui dalam setiap pengecekan, dimana pengecekan
dilakukan dalam berbagai arah tracing pengecekan pada koordinat kartesian dari citra
digital yang dianalisis, yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri.
Fitur merupakan karakteristik unik dari suatu objek. Fitur dibedakan menjadi
dua yaitu fitur alami merupakan bagian dari gambar, misalnya kecerahan dan tepi
objek. Sedangkan fitur buatan merupakan fitur yang diperoleh dengan operasi
tertentu pada gambar, misalnya histogram tingkat keabuan (Gualtieri et al,1985).
Sehingga ekstraksi fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang
membedakan suatu objek dari objek yang lain (Putra, 2010).
Ekstraksi fitur terbagi menjadi tiga macam yaitu:
a. Ekstraksi fitur bentuk
Bentuk dari suatu objek adalah karakter konfigurasi permukaan yang diwakili
oleh garis dan kontur. Fitur bentuk dikategorikan bergantung pada teknik yang
digunakan. Kategori tersebut adalah berdasarkan batas (boundary-based) dan
berdasarkan daerah (region-based). Teknik berdasarkan batas (boundary-based)
menggambarkan bentuk daerah dengan menggunakan karakteristik eksternal,
contohnya adalah piksel sepanjang batas objek. Sedangkan teknik berdasarkan
daerah (region-based) menggambarkan bentuk wilayah dengan menggunakan
karakteristik internal, contohnya adalah piksel yang berada dalam suatu wilayah.
Fitur bentuk yang biasa digunakan adalah:
1. Wilayah (area) yang merupakan jumlah piksel dalam wilayah digambarkan
oleh
bentuk (foreground).
2. Lingkar (perimeter) adalah jumlah dari piksel yang berada pada batas dari
bentuk.perimeterdidapatkan dari hasil deteksi tepi.
3. Kekompakan (compactness)
2

4. Euler number atau faktor E adalah perbedaan antara jumlah dari connected
component (C)dan jumlah lubang (H) pada citra.

b. Ekstraksi fitur tekstur

Pada ekstraksi fitur ini, fitur pembeda adalah tekstur yang merupakan
karakteristik penentu pada citra. Teknik statistik yang terkenal untuk ekstraksi fitur
adalah matriks gray level co-occurrence. Teknik tersebut dilakukan dengan melakukan
pemindaian untuk mencari jejak derajat keabuan setiap dua buah piksel yang dipisahkan
dengan jarak d dan sudut yang tetap. Biasanya sudut yang digunakan adalah 0, 45,
90, dan 135.
c. Ekstraksi fitur warna
Pada ekstraksi fitur warna, ciri pembeda adalah warna. Biasanya ekstraksi fitur ini
digunakan pada citra berwarna yang memiliki komposisi warna RGB (red, green, blue)
(Nahari, 2010). Penelitian sebelumnya, Nahari (2010) mengemukakan bahwa untuk
melakukan pendeteksian pada bagian luar objek, dipergunakan fitur bentuk. Sedangkan
Indrati et al (2009) menggunakan ekstraksi fitur bentuk untuk menentukan jenis tumor
payudara disebabkan karena perbedaan bentuk tumor payudara. Demikian pula dengan
Fifin (2010) menggunakan metode ekstraksi fitur bentuk untuk mengidentifikasi jenis
citra leukosit. Ekstraksi bentuk digunakan karena adanya perbedaan bentuk diantara
kelima jenis leukosit yaitu basofil, eosinofil, limfosit, monosit, neutrofil. Kesalahan
proses identifikasi dan klasifikasi yang diperoleh relatif kecil yaitu 30%. Oleh karena
itu pada penelitian ini, jenis ekstraksi fitur yang digunakan adalah ekstraksi fitur bentuk
karena lubang terbentuk pada bagian luar objek dan adanya perbedaan bentuk lubang
yang dihasilkan oleh tiapenergy density laser yang berbeda.
B Kegunaan Analisis Ekstraksi Fitur
Tujuan utama dari ekstraksi fitur digunakan untuk mengambil ciri penting dari
suatu objek. Hasil ekstraksi objek ini dapat dimanfaatkan pada sistem biometrika yang
digunakan untuk identifikasi personal pada penggunaan mesin absensi, akses kontrol,
dan lain-lain. Beberapa masalah timbul dalam proses ekstraksi yang biasa disebut
robust.
Perubahan posisi atau sudut kemiringan citra, perubahan intensitas cahaya yang
terjadi pada saat pengambilan citra wajah serta perubahan detail seperti adanya janggut,
kumis, pemakaian aksesoris, perubahan gaya, perubahan ekspresi wajah menjadi
tertawa, tersenyum, muram, menangis, dan lain sebagainya mengakibatkan citra dapat
direpresentasikan berbeda oleh sistem.
4

Dalam rangka ekstraksi fitur untuk pengenalan wajah sebagai tujuan dalam
penelitian ini, metode Principal Component Analysis (PCA) diusulkan, proses ektraksi
dilakukan dengan cara pengambilan ciri dari citra wajah 2 dengan mereduksi dimensi
ciri dari suatu obyek, sehingga ukuran dari obyek akan lebih ringkas dan mampu
mengambil karakteristik yang penting saja dari objek yang diolah.
C Metode Statistik dalam Analisis Ekstraksi Fitur
Dalam pengolahan citra digital karena analisis tekstur dikembangkan dengan
tujuan agar komputer dapat memahami, membuat model, serta memproses tekstur untuk
dapat menirukan proses pembelajaran mata atau pengelihatan manusia. Tekstur dapat
dianggap sebagai pengelompokan kesamaan di dalam suatu citra. Sifat-sifat subpola
lokal tersebut menimbulkan cahaya yang diterima, keseragaman, kerapatan, kekasaran,
keteraturan, kelinieran, frekuensi, fase, keterarahan, ketidakteraturan, kehalusan, dan
lainlain.
Karena komputer tidak memiliki indera penglihatan, maka komputer hanya
mengetahui polasuatu citra digital dari ciri atau karakteristik teksturnya. Ciri atau
karakteristik tekstur diperoleh melalui proses ekstraksi ciri dengan berbagai metode
seperti metode co-occurence, autokorelasi, wavelet, frekuensi tepi, run length, dan lain
sebagainya.
a.

Fitur Tekstur
Tekstur merupakan fitur yang dapat dipertimbangkan dalam sebuah pemrosesan

citra dan visi komputer. Tekstur dapat menunjukkan ciri khusus dari sebuah permukaan
dan strukturpada objek atau region. Pada dasarnya, suatu citra merupakan sebuah
kombinasi dari pikselpiksel dan tekstur yang didefinisikan sebagai sekumpulan piksel
terkait dalam citra. Kumpulan piksel yang terkait ini disebut tekstur primitif atau
elemen tekstur (texel). Gambar 1 menunjukkan contoh jenis-jenis tekstur. Tekstur sulit
didefinisikan secara tepat. Namun, terdapat beberapa sifat yang mengasumsikan sebuah
tekstur, yaitu:
a. Tekstur merupakan sifat suatu area. Tekstur pada sebuah titik tidak dapat
didefinisikan.
b. Tekstur membentuk distribusi spasial dari tingkat keabuan.
c. Tekstur dapat dinyatakan pada skala dan tingkat resolusi yang berbeda.

Oleh karena tekstur merupakan suatu pengukuran kuantitatif dari susunan

intensitas area, maka metode-metode untuk ekstraksi fitur tekstur dapat dibedakan
menjadi 3 kategori : statistika, struktural, dan fraktal. Metode-metode yang termasuk
dalam kategori pendekatan secara statistika diantaranya grey-level histogram, grey-level
co-occurrence matrix, fitur autocorrelation, dan matriks run length. Sedangkan metodemetode yang termasuk dalam kategori pendekatan secara struktural diantaranya :
transformasi wavelet dan transformasi gabor.
b.

Filter Gabor
Fungsi Gabor 2D merupakan sebuah local bandpass filter yang mencapai optimal

localization pada domain spasial dan frekuensi. Fungsi Gabor 2D juga memberikan
analisis muti-resolusi dengan membangun multi-kernel dari sebuah fungsi tunggal.
Gabor wavelet dibentuk dengan melakukan proses dilasi dan rotasi pada kernel tunggal
dengan sejumlah parameter. Berdasarkan konsep tersebut, digunakan fungsi filter
Gabor sebagai kernel untuk membentuk sebuah filter dictionary.
Pada domain spasial, filter Gabor 2D merupakan sebuah fungsi kernel Gaussian
yang dimodulasikan oleh sebuah gelombang sinusoidal yang kompleks. Fungsi tersebut
didefinisikan oleh persamaan berikut :
dimana f merupakan frekuensi faktor sinusoidal,
merepresentasikan orientasi filter Gabor, f merupakan offset, merupakan standar
deviasi Gaussian, dan merupakan rasio filter [6].
c.

Matriks Co-occurence
Matriks intensitas co-occurrence adalah suatu matriks yang menggambarkan

frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalam jarak dan
arah tertentu dalam citra [7]. Matriks intensitas co-occurrence p(i1,i2) didefinisikan
dengan dua langkah sederhana sebagai berikut: Langkah pertama adalah menentukan
lebih dulu jarak antara dua titik dalam arah vertikal dan horizontal (vektor d=(dx,dy)), d
mana besaran dx dan dy dinyatakan dalam piksel sebagai unit terkecil dalam citra
digital.
Langkah kedua adalah menghitung pasangan piksel-piksel yang mempunyai nilai
intensitas i1 dan i2 danberjarak di piksel dalam citra. Kemudian hasil setiap pasangan
nilai intensitas diletakkan pada matriks sesuai dengan koordinat-nya, di mana absis
untuk nilai intensitas i1 dan ordinat untuk nilai intensitas i2. Gambar 2 merupakan
contoh matriks co-occurence dengan nilai intensitas keabuan 1 sampai dengan 8. Fitur6

fitur tekstur yang bisa didapatkan dari matriks co-occurence diantaranya adalah entropi,
energi, kontras, dan homogenitas.
Entropi menyatakan ukuran ketidakteraturan aras keabuan di dalam citra. Energi
adalah ukuran yang menyatakan distribusi intensitas piksel terhadap jangkauan aras
keabuan. Kontras merupakan ukuran keberadaan variasi aras keabuan piksel citra.
Sedangkan homogenitas merupakan ukuran kemiripan piksel pada citra [8]. Persamaan
(2), (3), (4), dan (5) berturut-turut merupakan rumus untuk memperoleh nilai entropi,
energi, kontras, dan homogenitas dari citra, dengan ij P merupakan nilai piksel citra
GLCM (Gray Level Co-occurence Matrix).
d.

Support Vector Machine

Menurut Nugroho dkk [9], SVM (Support Vector Machine) merupakan metode

machine learning yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan
tujuan menemukan hyperplane terbaik yang memisahkan dua buahkelas pada input
space. beberapa pattern yang merupakan anggota dari dua buah kelas : +1 dan 1.
Pattern yang tergabung pada kelas 1 disimbolkan dengan warna merah (kotak),
sedangkan pattern pada kelas +1, disimbolkan dengan warna kuning (lingkaran).
Proses klasifikasi merupakan usaha untuk menemukan garis (hyperplane) yang
memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis Hyperplane
pemisah terbaik antara kedua kelas dapat ditemukan dengan mengukur margin
hyperplane tersebut dan mencari titik maksimalnya.
Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari
masing-masing kelas. Pattern yang paling dekat ini disebut sebagai support vector.
Garis tebal menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada
tengah-tengah kedua kelas, sedangkan titik merah dan kuning yang berada dalam
lingkaran hitam adalah support vector.
C.

Analisis Ekstraksi Fitur dan Klasifikasi Permukaan Analisis Tekstur

Analisis tekstur memegang peranan penting dalam pengolahan citra digital karena

analisis tekstur dikembangkan dengan tujuan agar komputer dapat memahami,

membuat model, serta memproses tekstur untuk dapat menirukan proses pembelajaran
mata atau pengelihatan manusia. Tekstur dapat dianggap sebagai pengelompokan
kesamaan di dalam suatu citra. Sifat-sifat subpola lokal tersebut menimbulkan cahaya
7

yang diterima, keseragaman, kerapatan, kekasaran, keteraturan, kelinieran, frekuensi,

fase, keterarahan, ketidakteraturan, kehalusan, dan lainlain. Karena komputer tidak
memiliki indera penglihatan, maka komputer hanya mengetahui pola suatu citra digital
dari ciri atau karakteristik teksturnya. Ciri atau karakteristik tekstur diperoleh melalui
proses ekstraksi ciri dengan berbagai metode seperti metode co-occurence, autokorelasi,
wavelet, frekuensi tepi, run length, dan lain sebagainya.[1] Dalam penelitian ini,
dibahas hasil ekstraksi ciri menggunakan analisis tekstur metode gray level run length.
Kemudian dilanjutkan dengan klasifikasi menggunakan metode klasifikasi linier LDA
(Linear Discriminan Analysis) dan k-NN (k-Nearest Neighbor). Adapun data citra
tekstur yang digunakan adalah dari Vision Texture (VisTex) Database menggunakan 5
kelas dari 19 kelas yang ada dan jumlah data sebanyak 38 citra.
a

Analisis Tekstur
Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang

sering disebut primitif atau texel (texture element). Suatu texel terdiri dari beberapa
pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. Syarat-syarat
terbentuknya tekstur setidaknya ada dua, yaitu:
1. Adanya pola-pola primitif yang terdiri dari satu atau lebih pixel. Bentuk-bentuk pola
primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang
merupakan elemen dasar dari sebuah bentuk.
2. Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan arah tertentu
sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya. Ada dua
pendekatan yang digunakan untuk menganalisis tekstur dari suatu area, yaitu statistis
dan struktural.
Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh
medan acak dua dimensi. pada frekuensi-frekuensi ruang (spatial) dan menghasilkan
karakterisasi tekstur seperti halus, kasar, dan lain-lain.
Contoh metode statistik adalah run length, autokorelasi, co-occurrence,
transformasi Fourier, frekuensi tepi, dan metode Law (pengukuran energi tekstur).
Sedangkan teknik struktural berkaitan dengan penyusunan bagianbagian terkecil
(primitif) suatu citra, contoh metode ini adalah model fractal.

e.

Metode Run Length

Metode run length menggunakan distribusi suatu pixel dengan intensitas yang

sama secara berurutan dalam satu arah tertentu sebagai primitifnya. Masing-masing
primitif didefinisikan atas panjang, arah, dan level keabuan. Panjang dari primitif
tekstur pada arah yang berbeda dapat digunakan untuk menggambarkan suatu tekstur.
Analisis tekstur metode run length ini digunakan untuk membedakan citra halus dan
citra kasar.
Tekstur kasar menunjukkan banyak pixel tetangga yang memiliki intensitas yang
sama sedangkan tekstur halus menunjukkan sedikit pixel tetangga yang menunjukkan
intensitas yang sama. Untuk melakukan ekstraksi ciri dengan menggunakan metode run
length, citra aras keabuan dengan matriks f(x,y) harus ditransformasikan terlebih dahulu
kedalam matriks grey level run length (GLRL), B(a,r). f (x, y)GLRLB(a, r)
Elemen matriks dari GLRL B(a,r) menghitung banyaknya primitif dengan panjang r
dan level keabuan a. Jumlah dari primitif dapat diperoleh dengan persamaan:
1. Short Run Emphasis (SRE)
SRE mengukur distribusi short run. SRE sangat tergantung pada banyaknya sort run
dan diharapkan bernilai besar pada tekstur halus.
2. Long Run Emphasis (LRE)
LRE mengukur distribusi long run. LRE sangat tergantung pada banyaknya long run
dan diharapkan bernilai besar pada tekstur kasar.
3. Grey Level Uniformity (GLU)
GLU mengukur persamaan nilai derajat keabuan di seluruh citra dan diharapkan
bernilai kecil jika nilai derajat keabuan serupa di seluruh citra.
4. Run Length Uniformity (RLU)
RLU mengukur persamaan panjangnya run di seluruh citra dan diharapkan bernilai
kecil jika panjangnya run serupa di seluruh citra.
5. Run Percentage (RPC)
RPC mengukur keserbasamaan dan distribusi run dari sebuah citra pada arah
tertentu. RPC bernilai paling besar jika panjangnya run adalah 1 untuk semua derajat
keabuan pada arah
tertentu.

Pengenalan Pola

f.

Pengenalan pola merupakan ilmu mengenai diskripsi atau klasifikasi dari hasil
ekstraksi ciri yang memetakan suatu fitur, yang merupakan ciri utama suatu objek (yang
dinyatakan dalam sekumpulan bilangan-bilangan) ke suatu kelas yang sesuai. Salah satu
metode pengenalan pola, yaitu metode statistik. Model statistik didefinisikan sebagai
sebuah keluarga dari fungsi kerapatan peluang bersyarat kelas
Pr( | ) i x c , yakni peluang vektor fitur x jika diberikan kelas ci. Metode ini dapat
dilakukandengan pendekatan supervised maupun pendekatan unsupervised. Pendekatan
supervised (dengan pengarahan) menyediakan training set untuk mengarahkan atau
memberi informasi atau pengetahuan tentang kelas-kelas yang ada. Contoh pendekatan
supervised adalah metode k-NN, Bayes, Linear Discriminant Analysis, dan lain-lain.
Pendekatan unsupervised (tanpa pengarahan) tidak menyediakan training set.
Informasi yang disediakan adalah jumlah klaster yang ada. Sehinggapengelompokan
sepenuhnya berdasarkan karakteristik data. Contoh dari pendekatan ini adalah metode
k-Mean.
1. Linear Discriminant Analysis (LDA)
Tujuan utama dari analisis diskriminan adalah untuk memperoleh kaidah
matematis, yang dikenal dengan fungsi diskriminan, yang dapat digunakan untuk
memisahkan kelompok obyek yangberbeda, seperti kelompok air dan pasir. Fungsi
diskriminan ditentukan oleh parameter statistik yang tergambar dari populasi ciri obyek
pada kelas yag telah diketahui. Vektor ciri yang telah diperoleh dari obyek yang akan
diklasifikasikan dipergunakan sebagai masukan. Keluarannya biasanya bernilaiskalar
yang dapat digunakan untuk menentukan kelas yang paling memungkinkan. Fungsi
diskriminan menetapkan permukaan keputusan dari n-dimensi yang memisahkan kelaskelas distribusi ciri pada n-dimensi ruang ciri.
2.

k-Nearest Neighbor (k-NN)

Metode k-NN merupakan pengembangan dari estimasi kerapatan non-parametrik.

Ekspresi umum dari estimasi fungsi kerapatan peluang nonparametrik dapat dituliskan
dengan rumus berikut
ini. Estimasi kerapatan non-parametrik bisa dihitung dengan dua cara. Cara pertama
adalah dengan memilih nilai tetap volume V dan menentukan k dari data. Hal ini
10

dilakukan dalam metoda yang disebut estimasi kerapatan kernel (KDE atau Kernel
Density Estimation). Cara yang kedua yaitu dengan memilih jumlah tetap k dan
menentukan volume V yang sesuai dari data. Hal ini menghasilkan metoda k-buah
tetangga terdekat (k- NN atau k-Nearest Neighbor). Keuntungan utama dari metoda kNN adalah metoda ini memberikan pendekatan yang sangat sederhana untuk pemilah
optimal Bayes.
Apabila terdapat suatu data masukan yang jumlahnya N buah dimana Ni buah dari
kelas i dan dilakukan pemilahan sampel x yang tak diketahui, maka dapat
digambarkan suatu bola (hyper) dengan volume V disekitar .Setelah dikumpulkan,
pemilah Bayes menjadi Pada metode k-NN, penggunaaan nilai k yang besar memiliki
keuntungan, yaitu menyediakan informasi probabilistik. Akan tetapi, pengambilan yang
terlalu besar akan merusak lokalitas estimasi dan juga meningkatkan beban komputasi.
Berikut ini diperlihatkan pengaruh pemilihan harga . Pemilahan k-NN dilakukan dengan
mencari k-buah tetangga terdekat dan memilih kelas dengan ki terbanyak pada kelas i.

11

BAB III
PENUTUP
1. Kesimpulan
Feature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri / feature
dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses
selanjutnya. Feature extraction dilakukan dengan cara menghitung jumlah titik atau
pixels yang ditemui dalam setiap pengecekan, dimana pengecekan dilakukan dalam
berbagai arah tracing pengecekan pada koordinat kartesian dari citra digital yang
dianalisis, yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri.
2. Saran
Dengan memahami tujuan dan cara kerja Ekstraksi fitur kita dapat lebih mudah
dalam menganalisa atau menghitung jumlah titik atau objek dengan baik benar.

12

DAFTAR PUSTAKA
1. Dwiandi Susantyo. 2012. EKSTRAKSI FITUR UNTUK PENGENALAN
WAJAH PADA RAS MONGOLOID MENGGUNAKAN PRINCIPAL
COMPONENT ANALYSIS (PCA) . Semarang : Universitas Dian Nuswantoro.
2. Murinto, Sri Hartati. 2006. ANALISIS CITRA UNTUK PENGENALAN
FITUR PADA PERANGKAT SISTEM INF'ORMASI GEOGRAFIS.
Yogyakarta : Universitas Gajah Mada.

3. Alfian Pramudita Putra . Pengertian Ekstraksi Fitur . alfian-p-pfst10.web.unair.ac.id. 1 April 2016

4. Imam Santoso, Yuli Christyono, Mita Indriani. 2007.KINERJA PENGENALAN
CITRA TEKSTUR MENGGUNAKAN ANALISIS TEKSTUR METODE
RUN LENGTH. Semarang : Universitas Dipenogoro

13

KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmatNYA sehingga
makalah ini dapat tersusun hingga selesai . Tidak lupa kami juga mengucapkan banyak
terimakasih atas bantuan dari pihak yang telah berkontribusi dengan memberikan
sumbangan baik materi maupun pikirannya.
Dan harapan kami semoga makalah ini dapat menambah pengetahuan dan
pengalaman bagi para pembaca, Untuk ke depannya dapat memperbaiki bentuk maupun
menambah isi makalah agar menjadi lebih baik lagi.
Karena keterbatasan pengetahuan maupun pengalaman kami, Kami yakin masih
banyak kekurangan dalam makalah ini, Oleh karena itu kami sangat mengharapkan
saran dan kritik yang membangun dari pembaca demi kesempurnaan makalah ini.

Palopo, April 2016

Penyusun

14

DAFTAR ISI
KATA PENGANTAR........................................................................................ i
DAFTAR
ISI.....................................................................................................................
.......... ii
BAB I.......................................................................................................... 1
Pendahuluan.............................................................................................. 1
A.

Latar Belakang.................................................................................. 1

B.

Tujuan Penulisan...............................................................................1

BAB II......................................................................................................... 2
PEMBAHASAN............................................................................................. 2
A.

Pengertian Ekstraksi Fitur.................................................................2

B.

Kegunaan Analisis Ekstraksi Fitur.....................................................4

C. Metode Statistik dalam Analisis Ekstraksi Fitur.................................5

a.

Fitur Tekstur...................................................................................5

b.

Filter Gabor.................................................................................... 6

c.

Matriks Co-occurence....................................................................6

d.

Support Vector Machine.................................................................7

D. Analisis Ekstraksi Fitur dan Klasifikasi Permukaan Analisis Tekstur...7

a.

Analisis Tekstur.................................................................................. 8

b.

Metode Run Length.......................................................................9

c.

Pengenalan Pola..........................................................................10

BAB III...................................................................................................... 12
PENUTUP.................................................................................................. 12

15

ii