Perbandingan Metode Ekstraksi Fitur pada Sistem Pencarian Produk E-Commerce Berbasis Citra
Article Sidebar
Read Counter : 16
Download : 4
Main Article Content
Abstract
Sistem temu kembali atau pencarian produk berbasis citra merupakan teknik pencarian yang bergantung pada konten suatu citra tanpa bergantung pada metadata yang umumnya digunakan pada pencarian berbasis teks. Untuk mendapatkan informasi obyek yang ada dalam suatu citra, berbagai metode ekstraksi fitur dapat digunakan. Tiga metode ekstraksi fitur, yaitu fitur warna, bentuk, dan tekstur, beserta kombinasi dari ketiganya dibahas pada penelitian ini. Fitur warna didapatkan dengan metode color moments dan metode histogram of gradients digunakan untuk ekstraksi fitur bentuk. Sedangkan, metode gray level co-occurrence matrix digunakan untuk ekstraksi fitur tekstur. Sementara itu, metode k-means clustering digunakan untuk membandingkan kesamaan antara citra pada basis data dengan citra kueri. Sistem kemudian menghasilkan 40 produk dengan kemiripan paling besar. Perbandingan dari metode-metode ekstraksi fitur tersebut beserta kombinasinya kemudian diuji dalam dua tahapan. Tahapan pertama adalah untuk mengetahui jumlah klaster terbaik dari metode k-means clustering. Dalam pengujian ini, metrik evaluasi yang digunakan adalah skor silhouette. Dari pengujian, jumlah klaster terbaik untuk fitur bentuk adalah 10. Jumlah klaster terbaik untuk kombinasi fitur warna dan bentuk adalah 4 klaster. Klaster terbaik untuk kombinasi fitur tekstur dan bentuk, serta kombinasi seluruh fitur warna, tekstur, dan bentuk adalah masing-masing sejumlah 2 klaster. Skor silhouette terbaik didapatkan dari kombinasi fitur tekstur dan bentuk, yaitu sebesar 0.658663941. Pengujian kedua adalah melihat mean average precision dari 40 hasil teratas menggunakan kombinasi fitur tersebut. Berdasarkan pengujian, fitur bentuk memberikan hasil terbaik, terutama untuk jenis produk dress.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under Creative Commons Attribution-ShareAlike 4.0 International License.
References
K. P. Sari, A. Masruri dan D. R. Rosalia, “Optimalisasi Temu Kembali Informasi dengan Teknologi Kecerdasan Buatan di Perpustakaan,” Jurnal Ilmu Perpustakaan dan Informasi, vol. 8, no. 2, pp. 349-366, 2023.
X. Li, J. Yang dan J. Ma, “Recent Developments of Content-Based Image Retrieval (CBIR),” Neurocomputing, vol. 452, pp. 675-689, 2021.
Y. Zhang, P. Pan, Y. Zheng, K. Zhao, Y. Zhang, X. Ren dan R. Jin, “Visual Search at Alibaba,” dalam 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2018.
A. Alzu'bi, A. Amira dan N. Ramzan, “Semantic Content-based Image Retrieval: A Comprehensive Study,” Journal of Visual Communication and Image Representation, vol. 32, pp. 20-54, 2015.
L. Piras dan G. Giacinto, “Information Fusion in Content Based Image Retrieval: A Comprehensive Overview,” Information Fusion, vol. 37, pp. 50-60, 2017.
M. Alsmadi, “Content-based Image Retrieval Using Color, Shape and Texture Descriptors and Features,” Arabian Journal for Science and Engineering, vol. 45, no. 4, pp. 3317-3330, 2020.
M. Ghahremani, H. Ghadiri dan M. Hamghalam, “Local Features Integration for Content-based Image Retrieval Based on Color, Texture, and Shape,” Multimedia Tools and Applications, vol. 80, no. 18, pp. 28245-28263, 2021.
I. Hameed, S. Abdulhussain dan B. Mahmmod, “Content-based Image Retrieval: A Review of Recent Trends,” Cogent Engineering, vol. 8, no. 1, p. 1927469, 2021.
M. A. M. Shukran, M. N. Abdullah dan M. S. F. M. Yunus, “New Approach on the Techniques of Content-Based Image Retrieval (CBIR) Using Color, Texture and Shape Features,” Journal of Materials Science and Chemical Engineering, vol. 9, pp. 51-57, 2021.
A. Malakar dan J. Mukherjee, “Image Clustering Using Color Moments, Histogram, Edge and K-Means Clustering,” International Journal of Science and Research, vol. 2, no. 1, pp. 532-537, 2013.
S. Ghaffari, P. Soleimani, K. F. Li dan D. W. Capson, “Analysis and Comparison of FPGA-based Histogram of Oriented Gradients Implementations,” IEEE Access, vol. 8, pp. 79920-79934, 2020.
S. Singh, D. Srivastava dan S. Agarwal, “GLCM and its Applications in Pattern Recognition,” dalam 5th International Symposium on Computational and Business Intelligence, 2017.
A. M. Ikotun, A. E. Ezugwu, L. Abualigah, B. Abuhaija dan J. Heming, “K-means Clustering Algorithms: A Comprehensive Review, Variants Analysis, and Advances in the Era of Big Data,” Information Sciences, vol. 622, pp. 178-210, 2023.
K. P. Sinaga dan M.-S. Yang, “Unsupervised K-means Clustering Algorithm,” IEEE Access, vol. 8, pp. 80716-80727, 2020.
K. R. Shahapure dan C. Nicholas, “Cluster Quality Analysis Using Silhouette Score,” dalam 7th International Conference on Data Science and Advanced Analytics, 2020.
S. T. Lang, A. Dawson, M. Diamantakis, P. Dueben, S. Hatfield, M. Leutbecher dan T. Palmer, “More Accuracy with Less Precision,” Quarterly Journal of the Royal Meteorological Society, vol. 147, no. 741, pp. 4358-4370, 2021.
D. Hartama dan M. Anjelita, “Analysis of Silhouette Coefficient Evaluation with Euclidean Distance in the Clustering Method (Case Study: Number of Public Schools in Indonesia),” Jurnal Mantik, vol. 6, no. 3, pp. 3667-3677, 2022.
H. B. Tambunan, D. H. Barus, J. Hartono, A. S. Alam, D. A. Nugraha dan H. H. H. Usman, “Electrical Peak Load Clustering Analysis Using K-means Algorithm and Silhouette Coefficient,” dalam International Conference on Technology and Policy in Energy and Electric Power, 2020.
R. Padilla, S. L. Netto dan E. A. Da Silva, “A Survey on Performance Metrics for Object Detection Algorithms,” dalam International Conference on Systems, Signals, and Image Processing, 2020.
H. Kun, Y. Lu dan S. Sclaroff, “Local Descriptors Optimized for Average Precision,” dalam Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018.