Template Presentasi Santai Fitur Tekstur

(1)

Presentasi Fitur Tekstur Gambar

Nama: [Isi Namamu]

Kelas/Tim: [Isi Nama Tim/Kelompok]

(2)

Latar Belakang

• - Gambar memiliki banyak informasi visual, termasuk tekstur

• - Fitur tekstur penting untuk analisis citra seperti klasifikasi, segmentasi, dll

• - Tujuan: Mengekstrak fitur tekstur dari gambar menggunakan berbagai metode

(3)

Tujuan

• - Mengenal berbagai metode ekstraksi fitur tekstur

• - Menampilkan hasil visual dan fitur numerik dari gambar

• - Menyimpan hasil fitur dalam bentuk file Excel

(4)

Dataset & Tools

• - Input: 1 gambar grayscale (contoh: daun, kain, tekstur batu, dll)

• - Tools: Python, OpenCV, NumPy, Matplotlib, Pandas

• - Semua metode dijalankan pada gambar yang sama

(5)

Metode 1: Statistik Wilayah

• - Menghitung mean, varian, skewness, kurtosis dari gambar

• - Tidak mengubah gambar

• - Visualisasi: gambar asli

• - Output: Tabel statistik disimpan ke Excel

(6)

Metode 2: GLCM

• - Membuat matrix co-occurrence berdasarkan jarak & arah piksel

• - Fitur: contrast, homogeneity, energy, correlation

• - Visualisasi: gambar asli + heatmap GLCM (opsional)

• - Output: Fitur GLCM disimpan ke Excel

(7)

Metode 3: Fourier

• - Mengubah gambar ke domain frekuensi

• - Visualisasi: spektrum frekuensi (magnitude)

• - Fitur statistik dari spektrum

• - Output: disimpan ke Excel

(8)

Metode 4: LBP

• - Membandingkan piksel dengan tetangganya

→ pola biner

• - Visualisasi: gambar LBP dan histogram

• - Fitur: distribusi pola LBP

• - Output: histogram disimpan ke Excel

(9)

Metode 5: Wavelet

• - Memecah gambar menjadi sub-band: LL, LH, HL, HH

• - Fitur: statistik dari tiap sub-band

• - Visualisasi: semua sub-band

(10)

Metode 6: Gabor Filter

• - Filter yang sensitif terhadap orientasi &

frekuensi

• - Visualisasi: hasil filter pada berbagai arah

• - Fitur: statistik dari tiap hasil filter

(11)

Perbandingan Fitur

• - Tampilkan tabel ringkasan semua fitur

• - Bisa visualisasi bar chart atau heatmap sederhana

• - Diskusi kelebihan/kekurangan masing-masing metode

(12)

Kesimpulan

• - Setiap metode menangkap tekstur dari sudut berbeda

• - Gabungan fitur bisa dipakai untuk klasifikasi

• - Gambar tidak selalu diubah, hanya dianalisis

(13)

Terima Kasih

• - Ada pertanyaan? Silakan! 🙌

• - Sumber: dokumentasi OpenCV, Scikit-image, PyWavelets

• - Dibuat dengan Python dan cinta 🙌