Penerapan Mobilenetv3 Untuk Klasifikasi Jenis Bahan Pakaian

Abstract

Klasifikasi jenis bahan pakaian merupakan tantangan penting dalam industri tekstil dan fashion untuk memastikan kualitas dan efisiensi produksi. Penelitian ini bertujuan mengimplementasikan model deep learning MobileNetV3 guna mengklasifikasikan lima jenis bahan pakaian, yaitu linen, polyester, katun, wol, dan sutera. Metode yang digunakan melibatkan pelatihan model dengan dataset yang telah dikumpulkan, serta evaluasi menggunakan confusion matrix dan classification report. Untuk itu, pengembangan lebih lanjut dapat dilakukan dengan menambah variasi data latih, menerapkan teknik augmentasi data, atau melakukan fine-tuning pada arsitektur MobileNetV3 agar lebih optimal dalam mengenali pola tiap bahan pakaian. Dengan demikian, penelitian ini tidak hanya memberikan solusi efektif dalam otomatisasi klasifikasi bahan pakaian, tetapi juga membuka peluang untuk pengembangan lebih lanjut dalam industri tekstil dan fashion, khususnya dalam meningkatkan efisiensi produksi dan kontrol kualitas. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 92%, dengan performa terbaik pada kategori katun dan wol yang diklasifikasikan secara sempurna. Namun, model masih mengalami kesulitan dalam membedakan bahan dengan karakteristik serupa, seperti linen dan polyester, yang disebabkan oleh kemiripan tekstur dan pola pada bahan tersebut. Secara keseluruhan, model menunjukkan kinerja yang baik dengan nilai macro average f1-score sebesar 0.9200, serta precision dan recall yang konsisten di semua kategori. Meskipun hasil yang diperoleh cukup memuaskan, penelitian ini mengidentifikasi bahwa masih terdapat ruang untuk peningkatan, terutama dalam membedakan bahan yang memiliki kemiripan tinggi. Diharapkan, temuan ini dapat menjadi dasar bagi penelitian selanjutnya yang lebih komprehensif untuk menyempurnakan model dan memperluas aplikasinya di industri. Classification of Clothing Materials is a crucial challenge in the textile and fashion industry to ensure quality and production efficiency. This study aims to implement the MobileNetV3 deep learning model to classify five types of clothing materials: linen, polyester, cotton, wool, and silk. The methodology involves training the model with a collected dataset and evaluating it using a confusion matrix and classification report. Further improvements can be made by increasing the diversity of training data, applying data augmentation techniques, or fine-tuning the MobileNetV3 architecture to optimize its ability to recognize patterns in each fabric type. Thus, this research not only provides an effective solution for automating fabric classification but also opens opportunities for further advancements in the textile and fashion industry, particularly in enhancing production efficiency and quality control. The results indicate that the model achieved an accuracy of 92%, with the best performance observed in the cotton and wool categories, which were classified perfectly. However, the model still struggles to differentiate materials with similar characteristics, such as linen and polyester, due to their similar textures and patterns. Overall, the model demonstrates strong performance with a macro average F1-score of 0.9200, as well as consistent precision and recall across all categories. Although the obtained results are satisfactory, this study identifies room for improvement, especially in distinguishing materials with high similarity. It is hoped that these findings can serve as a foundation for more comprehensive future research to refine the model and expand its applications in the industry.