Mencari gambar di komputer tidak bisa dilakukan dengan mencocokkan nama berkas. Dua foto kuda bisa punya nama yang sama sekali berbeda, dan foto pantai dari dua fotografer tidak akan berbagi kata kunci apa pun. Pendekatan yang dipakai adalah temu kembali citra berbasis konten, yaitu mencari gambar berdasarkan isi gambarnya sendiri.
Sebuah penelitian membangun sistem seperti itu dengan dua komponen utama. Haar wavelet transform dipakai untuk mengekstrak ciri gambar, lalu ukuran jarak F-Norm menghitung seberapa mirip dua citra. Hasil ekstraksi itu kemudian dikelompokkan dengan algoritma K-Means sebelum pencarian dijalankan.
Basis data ujinya berisi 500 gambar yang tersebar di lima kategori: dinosaurus, bus, pantai, kuda, dan bunga. Jumlah klaster ditetapkan lima, satu untuk tiap kategori. Dua parameter diuji, yaitu persentase fitur yang dipakai dan ambang batas kemiripan yang menentukan kapan proses pencarian berhenti.
Angka terakhir itu menunjukkan dua hal sekaligus. Presisi naik karena hasil pencarian jadi lebih tepat, dan waktu turun karena sistem tidak lagi memeriksa seluruh isi basis data satu per satu. Kualitas dan kecepatan membaik bersamaan, bukan saling menukar.
Pengaruh pengelompokan juga terlihat pada kategori kuda, di mana presisi meningkat hingga 51 persen dibandingkan skenario tanpa klaster pada ambang kemiripan 0,5. Artinya, keuntungan terbesar muncul justru ketika gambar di dalam satu kategori cukup beragam, karena di situlah pencarian menyeluruh paling banyak membuang waktu.
Jonemaro dan Rusdianto (2016). Sistem Temu Kembali Citra Berbasis Konten Menggunakan Haar Wavelet Transform Dan K-Means Clustering. Jurnal Teknologi Informasi dan Ilmu Komputer.
Perlu dicatat bahwa uji ini memakai basis data kecil, 500 gambar dengan lima kategori yang sudah jelas batasnya. Keadaan sebenarnya jauh lebih ramai, dan jumlah klaster yang tepat belum tentu tetap lima. Meski begitu, alur berpikirnya tetap berguna: pilih metode ekstraksi ciri yang ringan, lalu susun data agar pencarian tidak perlu menyentuh semuanya.
