Penerapan ResNet50-CNN untuk Optimalisasi Klasifikasi pada Data Fashion

Penelitian ini bertujuan untuk menerapkan arsitektur Convolutional Neural Network (CNN) berbasis ResNet50 dalam klasifikasi gambar produk fashion. ResNet50, yang menggunakan konsep residual learning, memiliki kemampuan untuk mempelajari pola-pola visual dengan lebih efektif dan efisien. Dataset yang digunakan berisi gambar produk fashion, seperti kaos, celana, dan sepatu, yang dikelompokkan dalam beberapa kategori. Metode penelitian melibatkan pengumpulan dan pemrosesan data gambar, pembangunan model CNN menggunakan ResNet50, serta evaluasi kinerja model dengan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model yang dibangun memiliki akurasi sebesar 99.44% pada data uji dan menunjukkan performa yang sangat baik dalam klasifikasi gambar fashion. Metrik evaluasi lainnya juga mencatat nilai yang sangat tinggi, dengan rata-rata precision, recall, dan F1-score mencapai 98%. Meskipun terdapat beberapa kesalahan prediksi pada kategori tertentu, secara keseluruhan model ResNet50 menunjukkan potensi besar dalam mengoptimalkan proses klasifikasi gambar di industri fashion.