Identifikasi atribut pada citra pejalan kaki masih memiliki beberapa kendala mendasar. Sudut penglihatan kamera, pencahayaan, dan beragamnya citra merupakan beberapa kendala yang ditemukan. Dibutuhkan metode ektraksi fitur yang cukup baik. Oleh karena itu penelitian ini menggunakan gabungan dari fitur warna dan tekstur. Metode ekstraksi fitur berbasis warna dan tekstur yang digunakan adalah Color Histogram dan Multi Block Local Binary Pattern (MB-LBP) dengan metode pembelajaran yang digunakan adalah Adaptive Boosting (Adaboost). Dataset yang digunakan adalah dataset PEdesTrian Attribute (PETA) yang memiliki jumlah data mencapai 19000. Penelitian ini bertujuan untuk mengetahui pengaruh ketika memakai fitur warna atau tekstur saja dengan gabungan fitur warna dan tekstur. Hasilnya adalah gabungan dari fitur warna dan tekstur dapat meningkatkan akurasi pada beberapa atribut. Akurasi tertinggi didapatkan oleh atribut sandal, dengan akurasi mencapai 76%.

Identification of attributes in pedestrian images still has some fundamental constraints. Visual angle of the camera, lighting, and various images are some problems were found. It takes a feature extraction methods are quite good. Therefore this study uses a combination of color and texture features. Feature and color-based feature extraction methods used are Color Histogram and Multi Block Local Binary Pattern (MB-LBP) with the learning method used is Adaptive Boosting (Adaboost). The dataset used is the PEdesTrian Attribute (PETA) dataset which has 19000 data. This study aims to determine the effect when using color or texture features only with a combination of color and texture features. The result is that a combination of color and texture features can improve accuracy in some attributes. The highest accuracy is obtained by the attributes of sandals, with accuracy reaching 76%.