Temu Kembali Citra berbasis Isi (TKCBI) merupakan proses mendapatkan beberapa citra berdasarkan content dan karakteristik dari sebuah citra kueri yang dimasukan. Pada TKCBI terdapat proses ekstraksi fitur dari citra kueri untuk mendapatkan fitur yang merepresentasikan karakteristik dari citra. Pada umumnya, TKCBI menggunakan handcrafted feature seperti warna, bentuk, tekstur citra untuk proses ekstraksi fitur. Hal ini memerlukan waktu tersendiri untuk menentukan handcrafted feature yang sesuai dengan citra di basis data. Pada penelitian ini diusulkan metode feature learning untuk mengekstraksi fitur dari citra kueri maupun citra basis data menggunakan Self Supervised Convolutional Autoencoder. Penggunaan feature learning tidak memerlukan penentuan fitur buatan tangan karena feature learning mempelajari secara langsung fitur-fitur penting dari citra basis data. Sedangkan, Self Supervised Convolutional Autoencoder digunakan untuk meningkatkan kinerja dari feature learning dalam proses pelatihan. Pada Convolutional Autoencoder terdapat dua layer, yaitu layer Encoder dan layer Decoder. Layer Encoder digunakan untuk mengurangi dimensi citra dan menentukan fitur-fitur yang paling penting dalam citra masukan. Layer Decoder digunakan untuk merekontruksi fitur-fitur yang penting hasil dari Encoder menjadi sebuah citra yang mirip citra masukan. Untuk pengukuran kemiripan citra secara umum menggunakan metode Ecludian Distance. Uji coba dilakukan untuk membandingkan akurasi TKCBI menggunakan feature learning dan TKCBI tanpa feature learning. Uji coba dilakukan pada dataset GHIM-10K Dataset dari Guangxi Normal University, China. Dari hasil uji coba yang telah dilakukan TKCBI dengan feature learning untuk dua ratus citra kueri dari dua puluh kelas menggunakan Self Supervised Convolutional Autoencoder mendapatkan nilai Average Precision yaitu 39,6%. Jumlah fitur yang diekstraksi adalah 64 fitur. Sedangkan, TKCBI tanpa menggunakan feature learning dengan jumlah citra kueri yang sama namun jumlah fiturnya adalah 64x64x3 fitur mendapatkan nilai Average Precision yaitu 41,2%. Namun, waktu retrieve yang dibutuhkan untuk mendapatkan citra dari penggunaan feature learning lebih cepat yaitu 0,2 detik daripada waktu komputasi dari TKCBI tanpa feature learning.

Content-based Image Retrieval (CBIR) is the process of obtaining multiple images based on the content and characteristics of an entered query image. In CBIR there is a feature extraction process from the query image to get features that represent the characteristics of the image. In general, CBIR uses handcrafted features such as color, shape, image texture for the feature extraction process. This requires a separate time to determine the handcrafted features that match the image in the database. In this research, a feature learning method is proposed to extract features from query images and database images using Self Supervised Convolutional Autoencoder. The use of feature learning does not require the determination of handmade features because feature learning directly learns important features of database images. Meanwhile, the Self Supervised Convolutional Autoencoder is used to improve the performance of feature learning in the training process. In Convolutional Autoencoder there are two layers, the Encoder layer and the Decoder layer. The Layer Encoder is used to reduce the dimensions of the image and determine the most important features in the input image. The Layer Decoder is used to reconstruct important features resulting from the Encoder into an image that is similar to the input image. For general image similarity measurements using the Ecludian Distance method. Experiment was conducted to compare the accuracy of CBIR using feature learning and CBIR without feature learning. The trial was conducted on the dataset GHIM-10K Dataset from Guangxi Normal University, China. From the results of experiments that have been conducted by CBIR with feature learning for two hundred query images from twenty classes using Self Supervised Convolutional Autoencoder, the average precision is 39.6%. The number of features extracted is 64 features. Meanwhile, CBIR without using feature learning with the same number of query images, but the number of features is 64x64x3 features get an Average Precision of 41.2%. However, the retrieve time needed to get an image from using feature learning is faster, that is, 0.2 seconds than the computing time of CBIR without feature learning