<![CDATA[Content-based Image Retrieval (CBIR) merupakan implementasi dari teknik computer vision pada kasus image retrieval yang merupakan kasus pencarian gambar digital pada database yang sangat besar. Pada penelitian ini diperkenalkan metode clustering baru untuk sistem CBIR, metode yang digunakan merupakan kombinasi antara algoritma Artificial Bee Colony (ABC) dengan K-Means. Tiga fitur digunakan untuk mengekstraksi fitur – fitur yang dimiliki gambar, yaitu: RGB Color Feature, Edge Feature, dan Grey Level Co-occurrence Matrix (GLCM). Ketiga fitur tersebut tergabung dalam algoritma Multi Texton Co-occurrence Descriptor (MTCD). K-means merupakan algoritma pengelompokkan yang banyak digunakan pada kasus clustering suatu data, K-means banyak digunakan karena implementasinya yang sangat mudah. Meskipun demikian, algoritma ini memiliki kelemahan, salah satunya yakni dalam penentuan titik awal centroid. Artificial Bee Colony (ABC) merupakan algoritma optimasi yang cara kerjanya mengadopsi dari cara koloni lebah dalam mencari makanan. Metode ABC diketahui dapat memecahkan permasalahan local optimum, yang pada umumnya terjadi pada penggunaan K-means karena kelemahannya dalam menentukan centroid. Metode yang akan digunakan pada penelitian ini merupakan kombinasi dari algoritma ABC dengan K-means untuk mengelompokkan fitur – fitur yang telah diekstraksi yang diimplementasikan pada dataset Corel-10.000 dan Batik. Kombinasi dari kedua algoritma ini dapat menjadi solusi dalam permasalahan pengelompokkan data atau clustering di ranah data science. Penelitian ini bertujuan untuk mengetahui seberapa efektif dan efisien penggunaan kombinasi algoritma ABC dan K-means dalam clustering pada fitur dataset Corel-10.000 dan Batik.]]>
