<![CDATA[Pesatnya pertumbuhan industri fashion pada platform e-commerce sehingga fashion dapat diperoleh dengan mudah oleh berbagai segmentasi konsumen. Segmentasi konsumen dapat direpresentasikan disetiap search jenis fashion yang di inginkan, namun search jenis fashion pada e-commerce dilakukan dengan search berbasiskan kata kunci string sehingga segmentasi konsumen terhadap karakteristik fashion sulit dilakukan. Fashion merupakan object yang mudah dikenali secara visual sehingga search berbasiskan gambar sangat diperlukan pada platform e-commerce untuk memilih fashion berbasiskan segmentasi konsumen. Implementasi search berbasiskan gambar dapat dilakukan dengan rekomendasi fashion berbasiskan content dengan k-nearest neighbour (KNN) untuk melakukan pendekatan antara feature fashion terhadap input image fashion oleh konsumen dengan setiap feature data dilakukan ekstraksi feature kedalam convolution layer pada model convolutional neural network (CNN) dan histogram oriented gradient (HOG) dapat dievaluasi dengan top-n accuracy terhadap model Resnet, GoogLeNet, VGG, dan HOG dengan masing-masing performa model tersebut dibandingkan sehingga dapat diperoleh accuracy sebesar 93% pada GoogLeNet dengan KNN sebagai model terbaik dalam rekomendasi fashion. Adapun pendekatan antara feature fashion dilakukan berbasiskan hasil label dari proses classification ke dalam convolution dan fully connected layer pada convolutional neural network (CNN) dapat dievaluasi dengan evaluation matrices terhadap model Resnet, GoogLeNet, VGG dengan masing-masing performa model tersebut dibandingkan sehingga dapat diperoleh nilai accuracy sebesar 99%, precision sebesar 100%, recall 99%, f1-score 99% pada VGG sebagai model terbaik untuk identifikasi jenis fashion. Keywords: Fashion, Ekstraksi Feature, Sistem Rekomendasi, Arsitektur CNN, HOG, KNN, Evaluation Matrices, Top-n accuracy]]>
