Perpustakaan Digital ITB

Dalam pencarian gambar pada e-commerce seperti Bukalapak.com, gambar yang dihasilkan merupakan gambar yang near-duplicate. Untuk mengatasi hal tersebut, diperlukan sebuah model untuk melakukan clustering yang mampu mengelompokkan gambar berdasarkan kemiripan gambar. Diperlukan pemilihan ekstraksi fitur yang tepat dalam melakukan clustering sehingga menghasilkan cluster yang baik. Pada tugas akhir ini membahas mengenai pembangunan model clustering untuk menjadi solusi permasalahan tersebut. Model clustering yang dibangun menggunakan metode DBSCAN(Density-based Spatial Clustering of Applications with Noise). Dalam melakukan clustering, diperlukan metode ekstraksi fitur untuk gambar. Pada tugas akhir ini, terdapat 4 metode ekstraksi fitur yang digunakan yaitu SIFT(Scale Infariant Feature Transform), ORB(Oriented FAST and Ratated BRIEF), PCA(Principal Component Analysis)-SIFT dan SURF(Speeded Up Robust Features). Selain itu, telah dibangun aplikasi web near-duplicate citra retrieval dari model clustering terbaik. Aplikasi tersebut juga memiliki antarmuka untuk penambahan data pada model. Tak hanya itu, tugas akhir ini juga membahas terkait modifikasi metode DBSCAN, performa dari setiap model, dan pembangunan aplikasi web near-dupilicate citra retrieval. Modifikasi yang dilakukan bertujuan untuk menghitung jarak antara dua gambar dilihat dari jumlah pasangan keypoints yang dihasilkan dan penambahan fungsi prediksi untuk memprediksi cluster dari data uji. Performa model diukur berdasarkan nilai purity dan akurasi. Hasil eksperimen menunjukkan bahwa dua metode ekstraksi fitur SIFT dan SURF berhasil melakukan clustering sedangkan ORB dan PCA-SIFT gagal dalam melakukan clustering. Nilai performa model SIFT dan SURF memiliki nilai purity yang sama sebesar 1. Berdasarkan dari nilai akurasi, model SIFT memiliki akurasi sebesar 0.9, sedikit lebih baik daripada model SURF dengan akurasi sebesar 0.8.