CBIR (Content-Based Image Retrieval) merupakan salah satu metode pencarian citra dari suatu koleksi citra yang besar berdasarkan konten visualnya. Demi tercapainya ‘content-based’, maka dibutuhkan adanya teknik untuk menganalisis konten dari sebuah citra dengan menggunakan ekstraksi fitur. Dengan berkembangnya pustaka digital, maka dibutuhkan sebuah metode ekstraksi fitur yang lebih baik. Karena alasan tersebut, penelitian ini menggunakan metode CNN-SVM dalam bidang image retrieval untuk melakukan ekstraksi fitur dan klasifikasi citra. Metode CNN akan digunakan sebagai komponen ekstraksi fitur dengan memanfaatkan filter gabor pada konvolusinya dan SVM akan melakukan klasifikasi citra. Pelatihan SVM ini akan dilakukan setelah CNN terlatih dengan baik. Tahap klasifikasi bertujuan agar proses penghitungan jarak citra kueri hanya dilakukan pada seluruh citra dengan kelas dan dataset yang sesuai dengan hasil klasifikasi. Dengan begitu, proses retrieval tidak membutuhkan biaya komputasi yang besar. Penggunaan  K-fold Cross validation juga akan dilakukan dalam proses pelatihan. Pada penelitian ini, dataset yang digunakan adalah MNIST Digit, Cifar10, dan GHIM10k dimana klasifikasi akan dilakukan dengan menggabungkan model CNN-SVM dari ketiga dataset tersebut. Model klasifikasi CNN-SVM gabungan yang dibuat mampu mendapatkan akurasi sebesar 93,315% terhadap data latih dan 92,876% terhadap data uji. Sementara itu, model CBIR yang dirancang mampu mendapatkan nilai mAP sebesar 0,933 terhadap data latih dan 0,929 terhadap data uji dengan rata-rata waktu retrieval 0,0989 detik.

Kata Kunci — Content-Based Image retrieval, Convolutional Neural Networks, Support Vector Machine, Gabor Filter, Deep Learning