<![CDATA[Kemajuan teknologi, khususnya di industri fesyen, telah mendorong munculnya fenomena fesyen cepat (fast fashion), yaitu produksi pakaian yang cepat dan massal dalam siklus pendek. Indonesia juga kaya akan warisan budaya, termasuk pakaian adat yang mencerminkan identitas setiap suku dan daerah. Generasi muda, sebagai target utama fesyen cepat, menghadapi tantangan untuk mengenali dan melestarikan warisan budaya ini di tengah maraknya tren pakaian modern. Salah satu cara untuk memperkenalkan kembali pakaian adat adalah melalui klasifikasi citra yang memanfaatkan metode Convolutional Neural Network (CNN) dalam pembelajaran mesin. Model klasifikasi ini dapat diimplementasikan pada platform digital seperti aplikasi atau situs web yang interaktif dan mudah diakses. Penelitian ini bertujuan untuk mengembangkan dan membandingkan empat arsitektur CNN untuk klasifikasi citra pakaian adat: Custom CNN (3 Conv Layer), ResNet-50, MobileNetV2, dan YOLOv8. Pendekatan yang digunakan bersifat eksperimental, dengan fokus pada evaluasi kinerja model berdasarkan tingkat akurasi. Hasil eksperimen menunjukkan bahwa YOLOv8 memberikan hasil terbaik, dengan akurasi mencapai 100% pada epoch ke-30 dan ke-50. Model ResNet-50 berada di posisi kedua dengan akurasi 99% pada epoch ke-50. Sementara itu, MobileNetV2 mencapai akurasi 85%, dan CNN Custom mencapai akurasi maksimum 79%. Temuan ini menunjukkan bahwa YOLOv8 merupakan arsitektur yang unggul untuk tugas mengklasifikasikan citra pakaian adat Indonesia.]]>
