ABSTRAKSI: Image Retrieval merupakan sebuah bidang ilmu untuk melakukan pencarian terhadap suatu gambar. Ada 2 cara untuk melakukan pencarian gambar, yaitu context based, pencarian dilakukan menggunakan meta data, dan content based, pencarian dilakukan menggunakan content dari gambar tersebut. Content dari gambar merupakan fitur-fitur yang terdapat pada file gambar, berupa warna, bentuk, dan tekstur.
Dalam tugas akhir ini, sistem image retrieval dibangun menggunakan 2 fitur, yaitu fitur warna dan bentuk, dengan pencocokkan berbasis histogram. Pencocokkan berbasis histogram sangat dipengaruhi oleh cara bagaimana fitur diekstraksi dan direpresentasikan dalam histogram serta metode perhitungan similarity yang digunakan. Fitur warna diekstraksi menggunakan model RGB atau HSV sedangkan ekstraksi fitur bentuk bergantung bagaimana preprocessing gambar yang dilakukan sehingga tepi-tepi terdeteksi.
Penggunaan model warna RGB dalam representasi satu histogram tergabung dan jumlah level kuantisasi sebesar 64 merupakan teknik terbaik dalam melakukan ekstraksi ciri warna dengan tingkat performansi nDCG sebesar 0.835. Untuk ekstraksi fitur bentuk penggunaan hysteria threshold dalam ekstraksi ciri dengan representasi 36 level (1 level= 5 derajat) dan besar nilai indeks bias 0.6 menghasilkan performansi nDCG sebesar 0.693. Performansi system untuk penggabungan fitur warna dan bentuk ditentukan pada pengaturan bobot 6 untuk warna dan 4 untuk bentuk dengan performansi nDCG yang dihasilkan 0.895Kata Kunci : Content Based Image Retrieval (CBIR), Histogram, Gauss filter, Bin, Similarity, RGB, HSV, tressholdABSTRACT: Image Retrieval is a field to search and retrieve information from an image. There are 2 methodes to search images, they are context based and content based. The context based retrieval uses metadata of the image. The content of image file are the features that represent the image such as color, shape, and texture feature.
In this final project, image retrieval system has built using color and shape feature with histogram based extraction. Histogram matching based methode performance so depend on how the features are extracted and represented in histogram form. As the examples, color feature can be extracted by using RGB or HSV model color. And shape feature performance depend on how the preprocessing is done so the edges can be detected.
RGB color model showed in 1 combination histogram with 64 quantitation levels produces good performance in accuracy and response with nDCG 0.835. For shape extraction, hysteria tresshold with σ = 0,6 has better results than single tresshold, with nDCG 0.693. And, integration of shape and color feature using WC (Weight Color) = 6 and WS (Weight Shape) can improve sistem performance with nDCG 0.895.Keyword: Content Based Image Retrieval, Histogram, Gauss filter, Bin, Similarity, RGB, HSV, tresshold