Leukemia adalah kelainan pertumbuhan sel darah putih yang disebabkan oleh kanker jaringan pembentukan darah. Acute Myeloid Leukemia (AML) merupakan jenis leukemia akut yang berasal dari sel induk myeloid. Deteksi penyakit ini dilakukan dengan pengamatan visual pada jaringan mikroskopis darah yang mengonsumsi waktu dan tenaga. Model deteksi AML menggunakan citra biopsi darah dapat membantu mempercepat deteksi penyakit leukemia. Salah satu tahapan penting dalam membangun model untuk deteksi leukemia adalah ekstraksi fitur. Tahap ekstraksi fitur menjadi penting karena fitur yang diekstrak dari data dapat memengaruhi optimasi dari proses klasifikasi. Terdapat beberapa pendekatan yang dapat diterapkan untuk mengekstraksi fitur dari citra biopsi darah antara lain berdasarkan tekstur, bentuk, dan warna nukleus. Penelitian ini bertujuan untuk membandingkan bagaimana kinerja dari metode ekstraksi fitur berdasarkan tekstur, bentuk dan warna pada kasus AML subtipe M0, M1, M2, M3, dan M4. Segmentasi citra menggunakan algoritma K-means Clustering dengan 4 bagian yang terbagi menjadi sel darah putih, sel darah merah, sitoplasma dan objek lain pada citra. Dari keempat bagian tersebut akan dicari nilai kuartil 1 sebagai threshold untuk memisahkan nukleus dengan objek lain. Sedangkan algoritma klasifikasi yang digunakan adalah Support Vector Machine (SVM) dengan 5-fold cross validation. Uji coba dilakukan pada setiap metode ekstraksi fitur kemudian variasi tekstur-bentuk, tekstur-warna, bentuk-warna, tekstur-bentuk-warna atau kombinasi fitur optimal menggunakan Genetic Algorithm (GA). Performa terbaik diperoleh dari optimasi fitur menggunakan GA yang menyisakan 10 fitur  terpilih dari 39 fitur total yang diperoleh dari ekstraksi fitur berdasarkan tekstur, bentuk, dan warna. Fitur hasil seleksi memiliki performa terbaik dengan nilai akurasi 89,49%, sensitivitas 73,64?n spesifisitas 93,52%.