<![CDATA[The rapid development of computer vision and machine learning has enabled new applications in the fashion industry, particularly in image-based product classification and recommendation systems. This study aims to classify fashion accessories, namely wallets, bags, and belts, based on image features using the K-Means clustering algorithm. The dataset consists of 30 images acquired under controlled conditions with uniform lighting, resolution, and background. Although the dataset size is relatively limited, this study is designed as an initial baseline to evaluate the effectiveness of K-Means clustering on small and homogeneous datasets, which are commonly encountered in early-stage image classification research. The research workflow includes image preprocessing (resizing, color space conversion, and noise reduction), object segmentation, and feature extraction focusing on color, texture, and shape characteristics. The extracted features include Local Binary Pattern (LBP), entropy, edge density, eccentricity, extent, and area ratio. The results demonstrate that K-Means clustering is capable of grouping fashion accessories into distinct categories according to their visual characteristics. From a practical perspective, the proposed approach can be applied to automated fashion product cataloging to support inventory management, image-based product search, and recommendation systems in e-commerce platforms. This study provides a simple and interpretable baseline for fashion accessory classification and serves as a foundation for future work involving larger datasets, advanced feature descriptors, or deep learning-based methods. Abstrak Perkembangan computer vision dan machine learning memungkinkan penerapan baru dalam industri fesyen, khususnya pada sistem klasifikasi dan rekomendasi produk berbasis citra. Penelitian ini bertujuan mengklasifikasikan aksesori fesyen berupa dompet, tas, dan ikat pinggang berdasarkan fitur citra menggunakan algoritme K-Means clustering. Dataset yang digunakan terdiri dari 30 citra yang dikumpulkan dalam kondisi terkontrol dengan pencahayaan, resolusi, dan latar belakang seragam. Meskipun jumlah dataset relatif terbatas, pendekatan ini dirancang sebagai studi awal (baseline) untuk mengevaluasi efektivitas K-Means pada dataset kecil dan homogen yang umum dijumpai pada tahap awal pengembangan sistem klasifikasi berbasis citra. Tahapan penelitian meliputi preprocessing (penyeragaman ukuran, konversi warna, dan reduksi noise), segmentasi objek, serta ekstraksi fitur warna, tekstur, dan bentuk. Fitur yang digunakan meliputi Local Binary Pattern (LBP), entropi, kerapatan tepi, eksentrisitas, extent, dan rasio area. Hasil penelitian menunjukkan bahwa algoritme K-Means mampu mengelompokkan aksesori fesyen ke dalam kategori yang berbeda berdasarkan karakteristik visualnya. Secara praktis, hasil penelitian ini berpotensi diterapkan sebagai sistem klasifikasi otomatis pada katalog produk fesyen digital untuk mendukung manajemen inventori, pencarian produk berbasis citra, serta sistem rekomendasi pada platform e-commerce. Penelitian ini diharapkan dapat menjadi baseline sederhana dan interpretatif dalam klasifikasi aksesori fesyen, serta menjadi pijakan untuk pengembangan lanjutan menggunakan dataset yang lebih besar, deskriptor fitur modern, maupun metode berbasis deep learning.]]>
