Purwarupa Sistem Content Based Image Retrieval
untuk Pencarian Produk Sepatu
Baldri, Septia Rani, Izzati Muhimmah
Jurusan Informatika Fakultas Teknologi Industri
Universitas Islam Indonesia
Yogyakarta
baldriusman@gmail.com, septia.rani@uii.ac.id, izzati@uii.ac.id
Abstract—Di era teknologi informasi, salah satu proses yang
penting dalam pengelolaan data yaitu adanya proses temu balik
informasi atau information retrieval (IR). Di dalam dunia nyata,
implementasi dari IR dapat ditemui pada mesin pencari seperti
situs google.com dan bing.com. Pada mesin pencari tersebut,
proses pencarian kebanyakan dilakukan dengan kata kunci atau
query berupa teks, namun ada juga beberapa yang sudah
mendukung pencarian dengan query berupa gambar. Teknik
untuk melakukan temu balik informasi berdasarkan gambar
dikenal juga dengan istilah content based image retrieval (CBIR).
Dengan banyaknya situs e-commerce seperti sekarang ini,
keberadaan fitur pencarian produk menjadi salah satu aspek
yang penting. Pencarian berdasarkan query teks terkadang
kurang memuaskan karena seringkali pengguna kesulitan untuk
mendeskripsikan produk yang dicari. Salah satu alternatif
solusinya adalah melakukan pencarian produk berdasarkan
query gambar. Dalam penelitian ini penulis mengembangkan
sebuah purwarupa sistem CBIR untuk pencarian produk sepatu.
Query berupa citra sepatu akan dimasukkan oleh pengguna ke
dalam sistem. Selanjutnya citra query ini akan mengalami proses
ekstraksi fitur bentuk, warna, dan tekstur untuk menemukan
kesamaan terhadap citra-citra yang tersimpan dalam basis data.
Proses penemuan citra tersebut menggunakan perhitungan jarak
euclidean distance.
Beberapa skenario pengujian dilakukan untuk mengetahui
performansi sistem. Berdasarkan hasil pengujian diperoleh nilai
rata-rata presisi sebesar 81,33%.
Kata kunci—content based image retrieval; produk sepatu;
ekstraksi fitur; euclidean distance
I. PENDAHULUAN
Perkembangan teknologi informasi dan perluasan
pemanfaatan teknologi komputer telah menjadikan komputer
sebagai kebutuhan utama dalam pengelolaan berbagai data.
Peranan pokok teknologi informasi, terutama dalam hal
pengelolaan data telah mampu memberikan peningkatan
pendapatan, efektifitas, dan efisiensi yang lebih baik bagi
perorangan, instansi, maupun pemerintah. Salah satu proses
yang penting dalam pengelolaan data yaitu adanya proses
penemuan kembali informasi yang dibutuhkan oleh pengguna.
Proses ini disebut dengan istilah temu balik informasi atau
information retrieval (IR). Tujuan dari IR adalah memberikan
dokumen yang berisi informasi yang relevan dengan query
yang dimasukkan oleh pengguna.
Dalam IR terdapat tempat penyimpanan dokumen-
dokumen dan pengguna akan merumuskan suatu pertanyaan
(request atau query) yang jawabannya adalah himpunan
dokumen yang mengandung informasi yang diperlukan.
Pengguna akan memperoleh dokumen-dokumen yang
diperlukannya dengan membaca semua atau sebagian dokumen
dalam tempat penyimpanan, menyimpan dokumen-dokumen
yang relevan, dan membuang dokumen lainnya. Di dalam
dunia nyata, implementasi dari IR dapat ditemui pada mesin
pencari seperti situs google.com dan bing.com.
Pada mesin pencari, proses pencarian kebanyakan
dilakukan dengan query berupa teks, namun ada juga beberapa
yang sudah mendukung proses pencarian berupa gambar.
Terkadang pencarian menggunakan query yang berbentuk teks
saja tidak cukup. Terlebih jika pengguna ingin mencari produk
seperti baju atau sepatu yang memiliki jumlah variasi model
yang sangat banyak di sebuah situs e-commerce, seringkali
pengguna kesulitan untuk mendeskripsikan produk yang dicari.
Ditemui juga kasus bahwa pengguna telah memiliki citra dari
produk yang dicari dan pengguna ingin mencari apakah produk
tersebut (atau produk yang mirip) dimiliki oleh toko yang
dimaksud. Untuk kasus-kasus tersebut, pencarian
menggunakan query berbentuk citra akan lebih sesuai
dibandingkan pencarian menggunakan query berbentuk teks.
Teknik untuk melakukan temu balik informasi berdasarkan isi
(content) dalam sebuah citra dikenal juga dengan istilah
content based image retrieval (CBIR).
Dalam penelitian ini penulis mengembangkan sebuah
purwarupa sistem CBIR untuk pencarian produk sepatu. Ke
depannya sistem ini diharapkan dapat diimplementasikan pada
situs e-commerce penjualan produk sepatu agar fitur pencarian
produk menjadi lebih handal. Selanjutnya pembahasan pada
makalah ini akan disajikan sebagai berikut. Pada bagian 2 akan
dijelaskan mengenai kajian pustaka terkait dengan penelitian
ini. Pada bagian 3 akan dijelaskan tentang metodologi yang
digunakan. Di bagian 4 dipaparkan mengenai hasil dan
pembahasan. Terakhir pada bagian 5 berisi kesimpulan dan
saran untuk penelitian lebih lanjut.
 II. KAJIAN PUSTAKA
A. Content Based Image Retrieval
Temu kembali citra (image retrieval) merupakan proses
untuk mendapatkan sejumlah citra berdasarkan masukan satu
buah citra. Istilah yang lebih spesifik lagi adalah content based
image retrieval (CBIR) atau temu kembali citra berdasarkan
isinya. CBIR adalah sebuah metode pencarian citra dengan
melakukan perbandingan antara citra query dengan citra yang
ada di basis data berdasarkan informasi yang ada pada citra
tersebut. Metode CBIR yang sering digunakan adalah
pencarian berdasarkan kemiripan bentuk, warna, dan tekstur.
Pada awalnya CBIR digunakan untuk pencarian citra secara
otomatis di dalam basis data yang didasarkan pada fitur bentuk
dan warna. Sejak saat itu, bermunculan berbagai sistem CBIR.
Contoh yang terkenal adalah Query By Image Content (QBIC)
yang dikembangkan IBM [1]. Pada perkembangan selanjutnya,
fitur tekstur juga dimasukkan sebagai bagian untuk melakukan
pencarian citra. Sistem CBIR secara umum dibangun dengan
melihat karakteristik dari suatu gambar atau dengan kata lain
dengan melihat ciri dari gambar tersebut. Ciri merupakan suatu
tanda yang khas, yang membedakan antara satu gambar dengan
gambar yang lain. Pada dasarnya suatu gambar memiliki ciri-
ciri dasar yaitu: bentuk, warna, dan tekstur.
Prinsip sistem CBIR adalah melakukan perbandingan
antara citra query dengan citra yang ada di basis data. Dalam
perbandingan tersebut, jenis dan banyaknya citra query yang
digunakan oleh peneliti sesuai dengan kepentingan dan
kebutuhan masing-masing. Berikut ini beberapa penelitian
sebelumnya yang terkait dengan topik pada penelitian ini. Azis
[2] mengembangkan sebuah sistem temu kembali citra berbasis
tekstur dan warna untuk objek citra kain. Ekstraksi ciri tekstur
dilakukan dengan menerapkan metode ekstraksi ciri statik orde
dua, sedangkan untuk ciri warna menggunakan histogram
HSV. Selain itu, ada juga Sadli [3] yang mengajukan sistem
image retrieval untuk citra bunga. Pada penelitiannya
digunakan histogram warna untuk pengindeksan warna citra
dan integrated region matching untuk memperhitungkan nilai
warna. Adapun penelitian CBIR dengan objek citra sepatu
pernah dilakukan oleh Ulinnuha dan Sa'dyah [4]. Pada metode
yang mereka ajukan digunakan prosedur pencarian dua fase
dengan fitur histogram multi tekston. Pada penelitian ini, akan
digunakan objek citra sepatu dengan metode ekstraksi fitur
warna menggunakan statistika warna, ekstraksi fitur bentuk
menggunakan momen invariant, dan ekstraksi fitur tekstur
menggunakan tekstur berbasis histogram.
B. Ekstraksi Fitur
Pada umumnya fitur dinyatakan dengan suatu tanda yang
khas, yang membedakan antara satu gambar dengan gambar
yang lain. Fitur-fitur suatu objek mempunyai peran penting
untuk berbagai aplikasi berikut [5]:
• Pencarian citra: fitur dipakai untuk mencari objek-objek
tertentu yang berada di dalam basis data.
• Penyederhanaan dan hampiran bentuk: bentuk objek
dapat dinyatakan dengan representasi yang lebih ringkas.
• Pengenalan dan klasifikasi: sejumlah fitur dipakai untuk
menentukan jenis objek.
Adapun ciri-ciri atau fitur dasar dari gambar sebagai berikut:
• Bentuk
Ciri bentuk suatu gambar dapat ditentukan oleh tepi
(sketsa) atau besaran momen dari suatu gambar.
Pemakaian besaran momen pada ciri bentuk ini banyak
digunakan orang dengan memanfaatkan nilai-nilai
transformasi fourier dari gambar. Proses yang dapat
digunakan untuk menentukan ciri bentuk adalah deteksi
tepi, threshold, segmentasi dan perhitungan momen
seperti (mean, median dan standar deviasi dari setiap
lokal gambar).
• Warna
Ciri warna suatu gambar dapat dinyatakan dalam bentuk
histogram dari gambar tersebut yang dituliskan dengan: H
(r,g,b), dimana H (r,g,b) adalah jumlah munculnya
pasangan warna R (red), G (green) dan B (blue).
• Tekstur
Tekstur merupakan karakteristik intrinsik dari suatu citra
yang terkait dengan tingkat kekasaran (roughness),
granularitas (granulation), dan keteraturan (regularity)
susunan struktural piksel. Aspek tekstural dari sebuah
citra dapat dimanfaatkan sebagai dasar dari segmentasi,
klasifikasi, maupun interpretasi citra.
C. Perhitungan Kesamaan Antara Dua Citra
Pada pencarian citra, untuk merepresentasikan sebuah citra
biasanya digunakan vektor fitur. Selanjutnya untuk
menentukan kesamaan antara dua buah citra maka dapat
digunakan pendekatan perhitungan jarak antara dua vektor fitur
citra tersebut. Tingkat kesamaan dinyatakan dengan suatu skor
atau ranking. Semakin kecil nilai ranking, semakin dekat
kesamaan kedua vektor tersebut. Pengukuran jarak dilakukan
dengan beberapa cara. Metode yang sering digunakan yaitu
menggunakan jarak Euclidean. Jarak Euclidean [6]
didefinisikan dengan rumus (1).
(1)
Dalam hal ini, p dan q adalah dua vektor yang jaraknya akan
dihitung dan n menyatakan dimensi vektor.
D. Recall dan Precision
Pengukuran efektivitas suatu sistem temu kembali
informasi dapat dilakukan dengan perhitungan terhadap nilai
perolehan (recall) dan nilai ketepatan (precision). Recall
berhubungan dengan kemampuan sistem untuk memanggil
dokumen yang relevan. Untuk menghitung nilai recall
digunakan rumus (2).
(2)
Precision (presisi) dapat diartikan sebagai kecocokan antara
permintaan informasi dengan jawaban terhadap permintaan itu.
Untuk menghitung nilai presisi digunakan rumus (3). Jumlah
yang besar dari dokumen yang relevan di dalam basis data
membuat recall sulit untuk dihitung. Oleh karena itu presisi
lebih banyak digunakan untuk menilai keefektifan dalam
sebuah sistem temu balik informasi [7].
(3)
III. METODOLOGI
Pada penelitian ini, pertama-tama dilakukan pengumpulan
data yang akan disimpan menjadi basis data. Data yang
digunakan kurang lebih 100 citra sepatu yang terdiri dari dua
jenis yaitu sepatu pria dan sepatu wanita. Sepatu pria terdiri
dari tiga kategori, yaitu casual, formal, dan sandal. Sedangkan
untuk sepatu wanita terdiri dari tujuh kategori, yaitu sandal flat,
sandal hak, sepatu casual, sepatu formal, sepatu hak, dan
wedges. Sepatu difoto dari sisi samping dengan masing-masing
citra foto berukuran 300 x 300 piksel. Data sepatu diperoleh
dari salah satu website toko online penjualan produk sepatu.
Beberapa contoh data citra sepatu yang digunakan dapat dilihat
pada Gambar 1.
Tahap selanjutnya yaitu melakukan pemodelan sistem.
Rancangan alur sistem yang akan dibangun dapat dilihat pada
Gambar 2. Penjelasan alur sistem CBIR yang akan dibangun
adalah sebagai berikut:
• Pengguna terlebih dahulu memasukkan query yang berupa
citra sepatu.
• Citra query tersebut diekstraksi. Dalam proses ekstraksi ada
tiga fitur yang diambil yaitu fitur bentuk, warna, dan tekstur
yang selanjutnya digabungkan menjadi sebuah vektor ciri.
• Vektor ciri kemudian dinormalisasi sehingga dihasilkan
data fitur citra ternormalisasi.
• Untuk data citra yang tersimpan dalam basis data,
dilakukan proses yang sama seperti citra query sehingga
untuk masing-masing citra akan direpresentasikan dalam
vektor ciri.
• Antara vektor ciri citra query dengan vektor ciri yang
tersimpan dalam basis data akan dibandingkan satu sama
lain untuk mencari kesamaannya. Proses similarity
matching ini menggunakan perhitungan Euclidean distance.
• Setelah proses pembandingan tersebut, akan terpilih
beberapa citra dari basis data yang memiliki nilai vektor ciri
yang sama atau hampir sama dengan citra query. Citra-citra
tersebut akan diurutkan dari yang paling kecil jaraknya
(paling mirip) kemudian ditampilkan ke pengguna sebagai
hasil pencarian.
Gambar 1. Contoh data sepatu yang digunakan
Gambar 2. Alur sistem secara umum
Metode yang digunakan untuk ekstraksi fitur bentuk yaitu
moment invariant yang memperhitungkan area objek. Momen
yang dihasilkan dapat mengatasi proses transformasi seperti
translasi, dilatasi, dan rotasi citra. Dari hasil perhitungan sesuai
yang ada pada referensi [5] akan diperoleh tujuh buah nilai
sebagai ciri fitur bentuk. Untuk ekstraksi fitur warna,
digunakan perhitungan statistika warna [5] pada setiap
komponen warna R, G, dan B. Karakteristik yang dihitung
yaitu rerata, simpangan baku, skewness, dan kurtosis. Dari hasil
perhitungan akan diperoleh dua belas buah nilai sebagai ciri
fitur warna. Adapun untuk ekstraksi fitur tekstur menggunakan
metode tekstur berbasis histogram [5]. Perhitungan yang
dilakukan yaitu dengan mencari nilai rerata intensitas,
simpangan baku, skewness, nilai energi (keseragaman), entropi,
dan tingkat kehalusan intensitas pada citra (smoothness). Dari
hasil perhitungan akan diperoleh enam buah nilai sebagai ciri
fitur tekstur. Dengan demikian, dari hasil proses ekstraksi fitur
secara keseluruhan, masing-masing citra akan
direpresentasikan menggunakan 25 nilai ciri/fitur.
Selain merancang alur sistem, dirancang juga antarmuka
sistem. Antarmuka sistem merupakan jembatan komunikasi
antara pengguna dengan sistem, sehingga sistem dapat lebih
mudah untuk digunakan. Rancangan antarmuka untuk sistem
temu kembali citra pencarian produk sepatu dapat dilihat pada
Gambar 3. Pada rancangan yang dibuat, pengguna dapat
memilih citra query dan memilih basis data yang akan
digunakan. Kemudian pada hasil pencarian hanya akan
ditampilkan sebanyak 10 buah citra yang paling mirip.
Setelah perancangan selesai dilakukan, selanjutnya sistem
diimplementasikan dengan menggunakan MATLAB R2013a.
Kemudian sistem CBIR akan diuji performansinya
menggunakan pendekatan perhitungan presisi.
 kemudian diambil 10 citra dengan nilai jarak terkecil yang
berasal dari tiga kelompok yang terpilih tadi.
Setelah dilakukan percobaan dengan beberapa citra uji,
ternyata hasil pencarian menggunakan metode pengelompokan
dan mengambil dari tiga kelompok ini belum memberikan nilai
presisi yang bagus, yaitu rata-rata sebesar 61% dari sepuluh
kali percobaan pencarian. Maka dari itu selanjutnya dicoba
digunakan metode pengelompokan dengan mengambil dua
kelompok saja untuk diurutkan kembali. Pada proses
pengujian, digunakan data uji sejumlah 15 yang terdiri dari 10
data uji citra yang ada di dalam basis data dan 5 data uji citra
yang tidak ada di dalam basis data. Rekapitulasi hasil
pengujian dengan menggunakan metode ini dapat dilihat pada
Gambar 3. Rancangan antarmuka sistem Tabel I. Adapun salah satu contoh hasil pengujian dapat dilihat
pada Tabel II.
IV. HASIL DAN PEMBAHASAN
Pada Gambar 4 dapat dilihat contoh tampilan dari
purwarupa sistem temu kembali citra sepatu yang telah dibuat.
Pada tampilan tersebut, terdapat tombol “Set Database” yang
berfungsi untuk memilih basis data yang digunakan (basis data
dalam bentuk kumpulan citra sepatu yang disimpan dalam
sebuah folder), sekaligus akan dilakukan proses ekstraksi fitur
citra. Hasil ekstraksi fitur citra yang telah dinormalisasi
kemudian disimpan dalam file Excel. Contoh nilai fitur yang
tersimpan dalam file Excel dapat dilihat pada Gambar 5.
Banyaknya baris menyatakan banyaknya citra pada basis data,
sedangkan banyaknya kolom menyatakan banyaknya fitur citra
yang terdiri dari 7 kolom nilai fitur bentuk, 6 kolom nilai fitur
tekstur, dan 12 kolom nilai fitur warna. Tombol “Browse”
digunakan untuk memilih citra query, tombol “Search” untuk Gambar 4. Antarmuka sistem temu kembali citra sepatu
memulai proses similarity matching, kemudian tombol “Clear”
untuk menghapus kembali tampilan citra yang ada pada
purwarupa sistem.
Pada pengujian performansi sistem, pada awalnya
dilakukan dengan cara membandingkan satu citra query dengan
semua citra yang ada di basis data. Kemudian setelah dihitung
nilai jarak terhadap semua citra yang ada di basis data, nilai
tersebut diurutkan dari yang terkecil. Dari hasil pengurutan ini
dapat diketahui citra yang mirip dengan citra query. Namun
setelah dicoba dengan menggunakan metode ini, ternyata Gambar 5. Data hasil ekstraksi fitur yang tersimpan dalam file Excel
tingkat presisinya sangat rendah, yaitu rata-rata sebesar 34%
dari sepuluh kali percobaan pencarian. Berdasarkan hasil ini,
kemudian dilakukan modifikasi terhadap metode pencarian
yang digunakan, yaitu dengan melakukan pengelompokan
terlebih dahulu untuk membatasi ruang pencarian dalam basis
data. Ilustrasi dari metode pengelompokan yang digunakan
pada penelitian ini dapat dilihat pada Gambar 6.
Berdasarkan ilustrasi pada Gambar 6, pertama-tama
dilakukan pengelompokan pada 100 data citra yang ada dalam
basis data. Data tersebut dikelompokkan ke dalam 10
kelompok dengan masing-masing kelompok berisi 10 citra.
Setelah itu, citra query dibandingkan dengan semua citra yang
ada dalam basis data. Kemudian nilai jaraknya diurutkan secara
ascending (dari yang kecil ke besar). Dari pengurutan ini
didapatkan tiga nilai jarak yang terkecil. Jika tiga nilai jarak
tersebut masing-masing diperoleh dari citra yang berbeda
kelompok, maka semua nilai jarak yang ada dalam tiga
kelompok tersebut diurutkan kembali dari yang terkecil
Gambar 6. Ilustrasi metode pengelompokan pada pencarian citra
TABEL I. REKAPITULASI HASIL PENGUJIAN PERFORMANSI SISTEM
TABEL II. CONTOH SALAH SATU HASIL PENCARIAN
Berdasarkan pengujian yang telah dilakukan, persentase
presisi sistem temu kembali citra sepatu yang dibangun
memiliki nilai 50% - 100%, dengan nilai rata-rata presisi
sebesar 81,33%. Hal ini menunjukkan bahwa sistem yang
dibangun sudah dapat memberikan hasil pencarian dengan
menampilkan citra-citra yang relevan. Meskipun demikian,
hasil pencarian akan sangat bergantung pada dua buah citra
yang memiliki nilai jarak paling kecil (paling mirip) terhadap
citra query. Jika berdasarkan penilaian objektif kedua buah
citra tersebut berada pada kelompok yang sama dengan citra
query, maka presisi hasil pencarian akan tinggi. Namun apabila
salah satu atau keduanya berada pada kelompok yang berbeda
dengan kelompok citra query yang sebenarnya maka sistem
dapat mengembalikan beberapa citra yang tidak relevan.
V. KESIMPULAN DAN SARAN
Pada penelitian ini sudah berhasil dibangun sebuah
purwarupa sistem content based image retrieval untuk
pencarian produk sepatu berdasarkan fitur bentuk, fitur warna,
dan fitur tekstur yang dimiliki oleh citra sepatu. Dari hasil
pengujian diperoleh nilai rata-rata presisi sistem yang dibangun
sebesar 81,33%. Hal ini menunjukkan bahwa sistem yang
dibangun sudah dapat memberikan hasil pencarian dengan
menampilkan citra-citra yang relevan. Untuk ke depannya, data
citra yang digunakan sebagai basis data perlu ditambah lagi
jumlahnya. Selain itu juga perlu dieksplorasi pengaruh metode
ektraksi fitur yang berbeda terhadap tingkat presisi sistem.
REFERENSI
[1] M. Flickner, et al, “Query by image and video content: The QBIC
system,” Computer, vol. 28.9, 1995, pp.23-32.
[2] F. Azis, “Sistem temu kembali citra kain berbasis tekstur dan warna,”
Diss. Universitas Islam Negeri Sultan Syarief Kasim Riau, 2013.
[3] M. Sadli, "Image retrieval berdasarkan warna dan bentuk dengan metode
color histogram dan integrated region matching," Skripsi Sekolah Tinggi
Teknologi Indonesia Tanjungpinang, 2014.
[4] N. Ulinnuha dan H. Sa’dyah, “Sistem temu kembali citra untuk e-
commerce menggunakan prosedur pencarian dua fase dengan fitur
histogram multi tekston,” Systemic: Information System and Informatics
Journal, vol. 1.1, 2015, pp. 35-41.
[5] A. Kadir dan A. Susanto, “Teori dan aplikasi pengolahan citra,”
Yogyakarta: Andi, 2013.
[6] L.H. Lee, C.H. Wan, R. Rajkumar, and D. Isa, “An enhanced Support
Vector Machine classification framework by using Euclidean distance
function for text document categorization,” Applied Intelligence, vol.
37.1, 2012, pp. 80-99.
[7] J. Hasugian, “Penelusuran informasi ilmiah secara online: Perlakuan
terhadap seorang pencari informasi sebagai real user,” Pustaha, vol. 2.1,
2006, pp.1-13.