IMPLEMENTASI ALGORITMA XGBOOST UNTUK REKOMENDASI UKURAN PAKAIAN DEWASA BERDASARKAN DATA ANTROPOMETRI
Abstract
Perkembangan perdagangan fashion secara daring meningkatkan kebutuhan akan sistem yang mampu membantu pengguna menentukan ukuran pakaian secara tepat. Penelitian ini bertujuan mengimplementasikan algoritma Extreme Gradient Boosting (XGBoost) untuk membangun model klasifikasi ukuran pakaian berdasarkan data antropometri. Penelitian menggunakan metode CRISP-DM dengan dataset sebanyak 1.486 data hasil data cleaning dari 1.500 responden. Variabel yang digunakan meliputi jenis kelamin, tinggi badan, berat badan, lingkar dada, lingkar pinggang, BMI, dan kategori BMI. Hasil penelitian menunjukkan bahwa model XGBoost memperoleh accuracy sebesar 87,25%, dengan rata-rata precision, recall, dan F1-score sebesar 0,88 serta cross validation accuracy sebesar 88%. Model berhasil diimplementasikan ke dalam aplikasi berbasis web menggunakan Gradio dan Hugging Face Spaces sehingga mampu memberikan rekomendasi ukuran pakaian secara real-time.
Downloads
References
R. Alhassawi, S. Gill and d. , “Evaluating machine learning models for clothing size prediction using anthropometric measurements from 3D body scanning,” 2025.
B. B. Mumtazah and S. D. Sancoko, “Rekomendasi Ukuran Baju Dewasa Menggunakan Algoritma K-Nearest Neighbor dan Support Vector Machine,” Institut Riset dan Publikasi Indonesia(IRPI), 2024.
X. Lawrenza, H. Fitriyah and d. , “Rancang Bangun Sistem Klasifikasi Ukuran Baju berdasarkan Ukuran Tubuh dengan Metode K-Nearest Neighbor berbasis Arduino,” Jurnal pengembangan teknologi informasi dan ilmu komputer, 2022.
T. N. Laily and N. Pratiwi, “Klasifikasi Ukuran Baju Berdasarkan Pengukuran Tubuh Menggunakan MediaPipe dan Support Vector Machine,” Metik Jurnal, 2025.
M. N. P. Sari and d. , “Implementation of Anthropometry on the Design of Study Tables and Chairs in Pekanbaru 17 Public Elementary School Students Against the Prevention of Musculoskeletal Disorders (MSD's),” 2022.
R. Maharesi, “Implementasi Algoritma Decision Tree Cart Untuk Merekomendasikan Ukuran Baju,” 2002.
D. B. saputra, V. Atina and F. E. Nastiti, “PENERAPAN MODEL CRISP-DM PADA PREDIKSI NASABAH KREDIT MENGGUNAKAN ALGORITMA RANDOM FOREST,” 2024.
s. suhada, S. Bahri and d. , “Sistem Rekomendasi Produk Menggunakan Metode User-BasedCollaborative Filtering Pada Digital Marketing,” J-INTCH (Journal of Information and Technology)J-INTCH (Journal of Information and Technology)J-INTCH (Journal of Information and Technology)J-INTCH (Journal of Information and Technology), 2022.
A. Rachmaniar, “SISTEM REKOMENDASI PRODUK E-COMMERCE MENGGUNAKAN COLLABORATIVE FILTERING DAN CONTENT-BASED FILTERING,” 2025.
I. W. G. Suarjana, “PERANCANGAN FASILITAS KERJA ERGONOMI MENGGUNAKAN DATA ANTROPOMETRI UNTUK MENGURANGI BEBAN FISIOLOGIS,” 2022.
A. Sutaryani, S. Sunarno and D. , “PERBANDINGAN PERFORMA MODEL MACHINE LEARNING DALAM PREDIKSI SUHU DI SEMARANG,” Jurnal Informatika dan teknik elektro terapan, 2024.
F. P. ari and R. B. , “Implementasi Extreme Gradient Boosting (XGBoost) untuk Klasifikasi Penggunaan Ulang Asisten AI,” 2025.
D. Ruswanti, D. Susilo and d. , “Implementasi CRISP-DM pada Data Mining untuk Melakukan Prediksi Pendapatan dengan Algoritma C.45,” 2024.
D. M. Silalahi and M. F. , “Algoritma Decision Tree dalam Menentukan Rekomendasi Pakaian Berdasarkan Fitur Fisik dan Preferensi Gaya,” 2025.
D. Wilandini and P. , “PENERAPAN ALGORITMA NAÏVE BAYES DALAM MENGKLASIFIKASIKAN MEDIA SOSIAL UNTUK MENGAMATI TREND KULINER,” Jurnal Teknologi Terpadu, 2022.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
