Profile Penjualan Hoodie H&M Menggunakan Ekstraksi Fitur dan Kombinasi Pendekatan Kluster
Abstract
Abstrak - Perkembangan teknologi digital telah mengubah cara konsumen berbelanja, termasuk dalam industri fesyen. H&M, sebagai retailer fesyen global, menghadapi tantangan dalam memahami preferensi konsumen yang terus berubah. Penelitian ini bertujuan untuk mengidentifikasi karakteristik visual hoodie H&M menggunakan CNN (Inception V3) dan mengelompokkan produk berdasarkan fitur tertentu melalui analisis clustering. Data gambar dan penjualan hoodie dari tahun 2018-2020 yang diambil dari Kaggle.com digunakan untuk menganalisis karakteristik visual dan mengelompokkan produk menggunakan K-means. Selain itu, model Random Forest digunakan untuk menganalisis variabel yang mempengaruhi sales profiling hoodie H&M, mencakup fitur visual yang diekstraksi oleh CNN serta kombinasi cluster. Hasil penelitian menunjukkan bahwa model memberikan performa terbaik dengan nilai MAPE sebesar 12.66%, RMSE sebesar 53.867, dan MAE sebesar 43.943. Jumlah cluster terbukti berpengaruh signifikan dalam membangun model profiling penjualan yang akurat. Penelitian ini berfokus pada hubungan antara karakteristik visual produk dan data penjualan, tanpa mempertimbangkan faktor eksternal seperti strategi pemasaran atau tren fesyen global, dengan tujuan mengembangkan sistem profiling penjualan yang efektif bagi H&M.
Kata Kunci - Fashion Retail, Computer Vision, Random Forest, Sales Profiling, Machine learning in Fashion, Inception V3, Visual Feature Extraction
References
Reinartz, W., Wiegand, N., & Imschloss, M. (2019). The impact of digital transformation on the retailing value chain. International Journal of Research in Marketing, 36(3), 3503366. (Razaque et al., 2016). Razaque, A., Amsaad, F., Kumar, R., Abdulgader, M., Jagadabi, S. K., & Sheela, S. (2016). Pebble Watch security assessment. 2016 IEEE Long Island Systems, Applications and Technology Conference, LISAT 2016. https://doi.org/10.1109/LISAT.2016.7494138
Lin, R. (2023). Digital fashion: Transforming design, technology, and industry. In Proceedings of the 2023 5th International Conference on Literature, Art and Human Development (ICLAHD 2023), Atlantis Press, pp. 7473752. https://doi.org/10.2991/978-2-38476-170- 8_84
Varanis, M., & Pederiva, R. (2015). Wavelet packet energy-entropy feature extraction and principal component analysis for signal classification. 3(Xxxv), 13 7. https://doi.org/10.5540/03.2015.003.01.0471
HubSpot. "What is a Competitive Analysis 4 and How Do You Conduct One?" 2024. URL: https://blog.hubspot.com/marketing/competitive-analysis-kit.
Kate Fletcher.
Jehad Ali et al.
Learn AI. "Random Forest Algorithm 4 divakar1591." Medium, https://medium.com/@divakar1591/random-forestalgorithm-772d3e5568af. [Accessed 14-08-2024].
S. Thomassey, M. Happiette, and J. M. Castelain. "Mean-term Textile Sales Forecasting Using Families and Items Classification." Studies in Informatics and Control, vol. 12, no. 1, 2003, pp. 41352.
Y. Arti and A. M. Arymurthy. "Face Spoofing Detection using Inception-v3 on RGB Modal and Depth Modal." Jurnal Ilmu Komputer Dan Informasi, vol. 16, no. 1, 2023, pp. 47357. DOI: 10.21609/jiki.v16i1.1100. URL: https://doi.org/10.21609/jiki.v16i1.1100.
Sebastien Thomassey and Michel Happiette. "A Neural Clustering and Classification System for Sales Forecasting of New Apparel Items." Applied Soft Computing, vol. 7, no. 4, 2007, pp. 117731187.
K. Ferreira, B. Lee, and D. Simchi-Levi. "Analytics for an Online Retailer: Demand Forecasting and Price Optimization." Manufacturing & Service Operations Management, 2016.
Zhiming Liu et al. "Investigating Pose Representations and Motion Contexts Modeling for 3D Motion Prediction." IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 45, no. 1, 2022, pp. 6813697.
