Klasifikasi model pakaian menggunakan Convolational Neural Network

Abstrak

Klasifikasi model pakaian memiliki peran penting dalam sektor industri seperti e-commerce, manufaktur, dan periklanan. Salah satu tantangan utama yang dihadapi dalam klasifikasi pakaian adalah ketidakefisienan metode manual dan konvensional yang memerlukan waktu dan sumber daya yang besar. Penelitian ini bertujuan untuk meningkatkan akurasi dan efisiensi dalam klasifikasi model pakaian dengan memanfaatkan Convolutional Neural Network (CNN), yang terkenal karena kemampuannya dalam mengenali pola visual yang kompleks serta mengelola dataset besar. Dalam penelitian ini, model CNN dirancang dengan beberapa lapisan konvolusi untuk mengekstraksi fitur penting, serta menggunakan regularizer untuk meningkatkan stabilitas model dan mengurangi kemungkinan overfitting. Dataset yang digunakan terdiri dari 10 kategori pakaian dengan total 6007 gambar yang diperoleh dari Kaggle. Model diuji dengan membagi data menjadi data pelatihan (80%) dan data uji (20%), dan dievaluasi dengan menggunakan metrik akurasi, presisi, recall, dan confusion matrix. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mencapai akurasi 89,59% pada data uji, melebihi akurasi yang dicapai oleh metode klasifikasi sebelumnya seperti YOLOv3 dan ResNet50. Peningkatan ini dapat diatributkan pada penggunaan regularizer yang efektif dalam mengurangi overfitting dan meningkatkan konsistensi hasil. Meskipun demikian, model ini masih menghadapi tantangan dalam mengklasifikasikan kategori pakaian yang memiliki kesamaan visual, seperti kaos dan jaket. Secara keseluruhan, penelitian ini memberikan kontribusi yang signifikan terhadap penggunaan CNN dalam klasifikasi pakaian di industri e-commerce, dengan menawarkan solusi yang lebih efisien dan akurat dibandingkan pendekatan tradisional, serta memiliki potensi besar untuk meningkatkan pengalaman pengguna dan mendukung otomatisasi pencarian produk.