Implementasi Content Based Image Retrieval Dengan Menggunakan Essential Dimension Of Latente Semantic Indexing

Content Based Image Retrieval (CBIR) atau dikenal sebagai query dengan konten image atau pengambilan informasi visual berbasis konten merupakan penerapan teknik Computer Vision untuk pengambilan gambar atau pencarian gambar digital dalam database. Content based berarti pencarian akan menganalisa isi sebenarnya dari gambar. Menganalisa dalam konteks dapat berupa warna, bentuk, atau informasi lain yang terdapat pada gambar. Pada penelitian sebelumnya penggunaan metode warna dan bentuk masih memiliki kekurangan. dari hasil pengujian 10 kategori gambar, penggunaan fitur warna memberikan hasil precision dan recall yang kurang baik yaitu sebesar 19% dan 44% begitu pula dengan fitur bentuk yang memberikan hasil precision sebesar 19% dan recall sebesar 44% . Pada penelitian ini CBIR dilakukan dengan menggunakan metode Essential Dimension of Latent Semantic Indexing untuk menghitung kemiripan gambar. Adapun proses yang dilakukan dimulai dengan grayscale, deteksi tepi canny, ekstraksi nilai pixel gambar dan kemudian menghitung kemiripan setiap gambar. Berdasarkan hasil pengujian dengan menggunakan kombinasi dari nilai parameter k-rank yaitu 2,5 dan 10 dan untuk bobot faktor (x) yaitu 0,2 , 0,5 , 0,7 nilai akurasi yang didapatkan masih rendah, hasil akurasi tertinggi yang diperoleh sebesar 22,5 % sehingga belum mampu memaksimalkan pencarian gambar.

Content Based Image Retrieval (CBIR) also known as query by image content or content-based visual information retrieval is the application of Computer Vision technique for taking image or digital image search in the database. Content based means the search is actually analyzes the content of the image. Analyze in context can be any color, shape, or other information which contained in the image. Previous research on the used method of the color and the shape it still has drawbacks. the test results of 10 categories of images, pusing colour method gives the result precision and recall are unfavourable i.e. 19% and 44% as well as the features of shape that delivers precision of 19% and recall of 44%. This research is carried out using CBIR and using Essential Dimension Of Latent Semantic Indexing to calculate the similarity of images. As for the process that is begun with the canny edge detection, grayscale, extracting the value of the pixel image and then calculate the similarity of each image. Based on the test results by using a combination of parameter values of krank i.e. 2.5 and 10 and for the weighting factor (x) that is 0.2, 0.5, 0.7 value accuracy obtained is still low, the highest accuracy results obtained of 22.5% so it haven't been able to maximize the image search.