Penelitian ini dilakukan untuk membangun aplikasi pengenal jenis pakaian antara kategori
kasual dan formal berbasis Android yang dapat berjalan tanpa koneksi internet (offline).
Pembuatan aplikasi ini dilatarbelakangi oleh perlunya sistem klasifikasi busana yang
cepat, menjaga privasi, dan tidak bergantung pada kestabilan sinyal. Metode yang
digunakan adalah Transfer Learning dengan memanfaatkan arsitektur MobileNetV2.
Proses pemodelan dibagi menjadi dua tahap latihan, yaitu tahap warm-up untuk
penyesuaian awal dan tahap fine-tuning yang membuka kuncian bobot mulai dari lapisan
120 ke atas. Parameter model ditentukan melalui penyesuaian manual (manual override)
setelah mengevaluasi hasil pencarian otomatis arsitektur. Nilai learning rate diatur
sebesar 0,005 pada tahap awal dan 0,0001 pada tahap kedua, disertai penerapan nilai
dropout sebesar 0,2 untuk mengatasi masalah kurang belajar (underfitting) sekaligus
menjaga stabilitas grafik latihan. Pengujian model pada 125 sampel data uji menunjukkan
hasil akurasi sebesar 90,40%. Berdasarkan laporan klasifikasi, sistem memperoleh nilai
ketepatan (precision) sebesar 100% untuk kategori kasual dan nilai sensitivitas (recall)
sebesar 100% untuk kategori formal. Selanjutnya, bobot model dikonversi menjadi format
TensorFlow Lite (.tflite) agar dapat dipasang pada perangkat bergerak. Pengembangan
aplikasi Android dilakukan menggunakan Android Studio dengan menyediakan tiga menu
utama melalui Bottom Navigation Bar, yaitu halaman utama (input gambar melalui galeri
dan kamera perangkat), halaman riwayat (history), dan halaman informasi aplikasi.
Pengujian sistem dilakukan menggunakan metode Black Box Testing untuk memeriksa
fungsionalitas antarmuka. Hasil pengujian menunjukkan bahwa seluruh tombol navigasi,
fitur akses kamera, dan pengambilan gambar dari galeri dapat berfungsi dengan benar
dan valid sesuai rancangan.