GotShu: Alternative StockX Sneaker Recommendation System Using ResNet50 Through Similarity Comparison

Naufal Abiyyu, Drs. Medi, M.Kom.; Novera Istiqomah, S.T., M.T., Ph.D.; Muhammad Oriza Nurfajri S.Kom., M.IT.

2026 | Skripsi | ILMU KOMPUTER

Dengan kemajuan tren fashion belakangan ini, minat pada sepatu sneakers belum pernah mencapai puncak setinggi ini. Model sneakers populer hendak cepat habis terjual, sementara penjual menaikkan harga. Oleh karena itu, industri sepatu mencari cara untuk menangani permintaan pelanggan akan produk yang dipersonalisasi. Tujuan utama riset ini adalah menyoroti upaya membantu pelanggan untuk menemukan alternatif sneakers melalui aplikasi web terstruktur. Penelitian ini menulusuri pemakaian alternatif ResNet50, yang umumnya adalah Convolutional Neural Network (CNN) untuk tugas klasifikasi. Sistem yang dikembangkan dapat membandingkan detail visual ribuan model sneaker dan merekomendasikan alternatif sesusai preferensi user. Metodologi penelitian ini meliputi pengumpulan dan pra-pemprosesan data, web scraping, ekstraksi fitur, pemrosesan, dan pengembangan web. Gambar input sepatu dikonversi menjadi vector fitur high-dimensional lalu dibandingkan dengan basis data terstruktur untuk mengindetifikasi alternatif serupa. ResNet50 dimodifikasi dengan mengganti lapisan klasifikasi akhir dengan dual-path pooling, menghasilkan embeddings 4096-dimensi yang dibandingkan dengan metrik kesamaan. Selain itu, mekanisme rekomendasi diintegrasikan dalam web full stack, dengan Flask dan Firebase mendukung inferensi model backend dan interaksi user-system pada frontend menggunakan React dan Vite. Meskipun berfungsi utama untuk memproses dan menghasilkan rekomendasi sneaker alternatif berbasis visual, aplikasi web ini juga dirancang untuk mendukung identifikasi sneaker dalam domain citra yang terbatas berdasarkan data StockX. Arsitektur system disusun untuk membantu user dalam pasar sneaker yang dinamis serta mendorong keberagaman tren fashion melalui rekomendasi lintas brand. Kontribusi utama dari penelitian ini terletak pada perancangan dan implementasi sistem berbasis web yang berskala, yang mengintegrasikan ekstraksi fitur visual mendalam untuk penemuan produk yang terpersonalisasi.

With the recent outburst of fashion trends, the demand for sneakers have never reached a higher peak. Anticipated sneaker models often sell out quick with resellers capping up the prices. Hence, footwear industries have been searching for ways to handle customer demand for personalized product discovery. The main aim of this research highlights the efforts in helping customers discover sneaker alternatives using a structured web application. This research explores the alternative use of ResNet50, a deep convolutional neural network generally used for classification tasks. The developed system could compare visual details of thousands of sneaker models to recommend alternatives based on customer’s preferences. This research methodology contains data collection, data preprocessing, web scraping, feature extraction, data parsing, and web development. Input sneaker images are converted into high-dimensional feature vectors and pooled against a structured database to identify potential visually similar alternatives. ResNet50 was modified by replacing its final classification layer with a dual-path pooling mechanism resulting in 4096-dimensional embeddings which can be compared using similarity metrics. Furthermore, the recommendation mechanism was integrated in a full-stack web application, with Flask and Firebase supporting the model inference in the backend and a real-time user-system frontend interaction using React and Vite. Although functioning primarily to process and provide visual-based sneaker alternatives, this webapp is also designed to support sneaker identification within a constrained image domain based on StockX data. The system architecture is structured to assist customers in the volatile sneaker market and promote diversity within fashion trends through cross-brand recommendations. The primary contribution of this thesis lies in the design and implementation of a scalable web-based system that integrates deep visual feature extraction for personalized product discovery.

Kata Kunci : ResNet50, Perbandingan Kesamaan, Penemuan Produk yang Dipersonalisasi, Pembangkitan Website