Electronic Theses and Dissertation

Indonesia merupakan salah satu dari 10 negara dengan pertumbuhan e-commerce tertinggi di dunia menurut kementerian komunikasi dan informatika pada tahun 2019. hal ini dibuktikan dengan 85% transaksi e-commerce dilakukan oleh pengguna mulai dari rentang usia 18 hingga 35 tahun yang cenderung membeli produk pakaian dan kecantikan. tantangan pun muncul ketika pengguna hendak membeli produk pakaian melalui platform e-commerce, konsumen tidak dapat mencoba produk secara langsung sebelum melakukan pembelian. hal ini menciptakan masalah berupa ketidakpastian mengenai ukuran, potongan pakaian, dan kecocokan pakaian terhadap tubuh pengguna. inilah yang menjadi salah satu pendorong munculnya teknologi virtual try-on. virtual try-on akan memudahkan pengguna dalam mencoba produk pakaian secara tidak langsung di dunia e-commerce. pembangunan model virtual try-on dilakukan dengan menggunakan metode deep learning khususnya convolutional neural network, segmentasi, dan generative adversarial network. terdapat beberapa tahapan dalam pembangunan model virtual try-on yang dimulai dari melakukan body parsing, estimasi bentuk pakaian, penyesuaian bentuk pakaian terhadap geometri tubuh model, dan tahapan sintesis pakaian serta inpainting. hasil dari pembangunan model virtual try-on dievaluasi dengan memperhatikan nilai akurasi yang didapatkan dan hasil visual yang ditampilkan. akurasi dihitung dengan menggunakan structural similarity (ssim) score dan inception score (is) score. model dengan akurasi terbaik dilatih dengan hyperparameter batch size 3, learning rate 0.0002, epoch 20 dengan 1000 jumlah data. nilai ssim yang didapatkan oleh model ini yaitu 0.7951 dan nilai is score yang didapatkan yaitu 2.2008. nilai all_loss_g dan all_loss_d yang diperoleh selama proses pelatihan adalah 31.2537 dan 2.0115. hasil visualisasi yang didapatkan cukup baik dimana pakaian tujuan berhasil menutupi area tubuh model pada tahapan inferensi. hasil inferensi virtual try-on kemudian diimplementasikan melalui web sederhana yang dibangun menggunakan flask dengan model terbaik. kata kunci : virtual try-on, convolutional neural networks, segmentasi, generative adversarial network, ssim score, is score

Indonesia is one of the 10 countries with the highest e-commerce growth in the world according to the Ministry of Communication and Information Technology in 2019. This is evidenced by 85% of e-commerce transactions being carried out by users aged 18 to 35 years who tend to purchase clothing and beauty products. Challenges arise when users want to buy clothing products through e-commerce platforms, as consumers cannot try the products directly before making a purchase. This creates issues of uncertainty regarding the size, fit, and suitability of clothing for the user’s body. This is one of the driving factors for the emergence of virtual try-on technology. Virtual try-on facilitates users in trying on clothing products indirectly in the e-commerce world. The development of the virtual try-on model is carried out using deep learning methods, particularly convolutional neural networks, segmentation, and generative adversarial networks. There are several stages in the development of the virtual try-on model, starting with body parsing, clothing estimation, adjusting the clothing shape to the model’s body geometry, and the stages of clothing synthesis and inpainting. The results of the virtual try-on model development are evaluated by considering the obtained accuracy and visual results. Accuracy is measured using the Structural Similarity (SSIM) score and Inception Score (IS). The model with the best accuracy was trained with hyperparameters: batch size 3, learning rate 0.0002, 20 epochs, and 1000 data points. The SSIM score obtained by this model is 0.7951 with an IS score of 2.2008. The all_loss_G and all_loss_D values obtained during the training process are 31.2537 and 2.0115, respectively. The visualization results are quite good, where the target clothing successfully covers the model’s body during the inference stage. The virtual try-on inference results are then implemented through a simple web application built using Flask with the best model. Kata kunci : Virtual Try-On, Convolutional Neural Networks, Segmentation, Generative Adversarial Network, SSIM Score, IS Score