Bayangkan mencari satu foto di dalam lemari berisi ratusan gambar, satu per satu. Itulah yang dilakukan komputer pada pencarian citra yang paling sederhana. Setiap gambar di basis data dibandingkan dengan gambar kueri, dan cara ini benar tetapi lambat, karena biaya waktunya tumbuh seiring bertambahnya koleksi.
Sebuah penelitian menempuh jalan pintas yang rapi. Sebelum pencarian, seluruh koleksi dikelompokkan lebih dulu memakai K-Means. Sistem hanya perlu membandingkan gambar kueri dengan tiap pusat klaster, memilih klaster terdekat, lalu memeriksa isi klaster itu saja. Pekerjaan pembandingan berkurang drastis.
Sebelum bisa dikelompokkan, gambar harus diubah menjadi angka. Di sini Haar wavelet transform dipakai untuk mengekstrak ciri, yaitu menangkap pola penting pada gambar dalam bentuk yang jauh lebih ringkas. Kemiripan antar gambar kemudian dihitung dengan ukuran jarak F-Norm.
Ada satu parameter yang menentukan hasilnya, yaitu ambang batas kemiripan untuk menghentikan pencarian. Ambang yang terlalu ketat membuat sistem terus memeriksa, sedangkan ambang yang terlalu longgar membuat hasilnya asal-asalan. Penelitian ini menguji tiga nilai dan menemukan bahwa kategori kuda mendapat keuntungan terbesar, dengan presisi 51 persen lebih baik pada ambang 0,5.
Kategori yang lebih seragam menunjukkan pola berbeda. Untuk dinosaurus, sistem mencapai recall 1,00 dengan presisi 0,25 dalam 3,80 detik, lalu berubah menjadi presisi 0,99 dalam 1,48 detik setelah pengelompokan diterapkan. Perubahan itu bukan sekadar lebih cepat, tetapi juga jauh lebih tepat.
Jonemaro dan Rusdianto (2016). Sistem Temu Kembali Citra Berbasis Konten Menggunakan Haar Wavelet Transform Dan K-Means Clustering. Jurnal Teknologi Informasi dan Ilmu Komputer.
Batas penelitian ini perlu disebut. Basis datanya kecil, 500 gambar dengan lima kategori yang isinya sudah jelas, jadi jumlah klaster yang pas belum tentu lima pada koleksi nyata. Foto sehari-hari yang bercampur dalam banyak topik akan menuntut penanganan berbeda. Yang bisa dibawa pulang adalah prinsipnya: susun data sebelum mencari, dan biaya pencarian akan menyusut dengan sendirinya.
