Hasil Pencarian  ::  Simpan CSV :: Kembali

"Industri fashion Indonesia merupakan industri yang sedang berkembang pesat saat ini. Hasil rancangan perancang mode Indonesia merupakan salah satu obyek yang dilindungi oleh Undang-undang Nomor 31 Tahun 2000 tentang Desain Industri. Penelitian ini adalah penelitian non-doktrinal di bidang hukum yang mencari tahu bagaimana fakta-fakta seputar penerapan Undang-undang Desain Industri dalam industri fashion Indonesia, khusunya jika dikaitkan dengan perlindungan terhadap hasil rancangan para perancang mode dan bagaimana perspektif perancang mode Indonesia mengenai undang-undang tersebut. Hasil penelitian menyarankan bahwa perlu adanya sosialisai yang lebih terstruktur guna dapat menjangkau lebih banyak kalangan, salah satunya adalah desainer Indonesia.

---

Indonesia's fashion industry is growing rapidly at this time. Fashion items created by Indonesian fashion designer is one of the objects that are being protected by Law No. 31, 2000 regarding Industrial Design. This research is a non-doctrinal study in the field of law to find out the facts about the implementation of Law No. 31, 2000 regarding Industrial Design in Indonesia's fashion industry, especially if associated with the fashion items created by Indonesian fashion designers and their perspective about the law. Result of the study suggest that Law No. 31, 2000 regarding Industrial Design still needs more structured socialization or promotion to reach more circles, such as Indonesian fashion designer. "

"Fashion telah menjadi sebuah fenomena dimana masyarakat terkalsifikasi berdasarkan selera. Setiap kelas dalm masyarakat memiliki seleranya masing – masing yang dibentuk oleh kompetensi kultural. Perbedaan kompetensi kultural menciptakan perbedaan selera yang hierarkis antara kelas dominan dan kelas terdominasi. Kelas dominan memiliki akses yang lebih baik terhadap fashion dan mampu melegitimasi selera mereka dan menjadi panutan bagi kelas sosial lainnya. Namun, era New Media telah membawa masyarakat memasuki era dengan akses lebih luas terhadap informasi terkait fashion yang mambuat masyarakat dapat memiliki kompetensi kultural untuk dapat memproduksi selera mereka sendiri. Penelitian ini mencoba untuk menemukan bagaimana produksi selera dilakukan di dalam era New Media melalui penggunaan Instagram oleh generasi muda perempuan sebagai kelompok usia yang menjadi agen perubahan di dalam produksi selera melalui fashion.

---

Fashion has been a phenomena where society have been classified by their taste. Each classes of the society has their own taste that shaped by their cultural competence. Different cultural competence hence creating different hierarchy of tastes between The Dominant Class and The Dominated Class. However the Dominant Class has better access to fashion and legitimate their taste and becomes the role model for other social classes. However the age of New Media has brought society to the era of greater access to the information related to fashion which makes society has better cultural competence to produce their own tase. This research is trying to find out how the production of taste occurred in the age of New Media through the use of Instagram by female Youth as group of people who are the game-changer  of the taste  production through fashion."

"Sebagai salah satu industri terbesar di dunia, pemasaran fashion pada platform ecommerce menarik jutaan pengguna setiap harinya. Salah satu fitur yang penting untuk dimiliki platform ecommerce adalah kemampuan mencari produk fashion menggunakan foto pengguna sebagai query. Hasil pencarian yang akurat akan memberikan manfaat bagi pengguna dan bagi pelaku bisnis. Persoalan ini sangat menantang karena adanya perbedaan domain antara citra query yang diunggah pengguna dengan citra galeri produk yang menjadi target pencarian. Perolehan citra lintas domain dapat diselesaikan dengan metode konvensional seperti pemelajaran metrik menggunakan dataset berlabel. Namun metode ini tidaklah feasible dalam jangka panjang mengingat selalu bertambahnya inovasi di bidang fashion sehingga dibutuhkan anotasi terhadap citra yang berkesinambungan agar model tetap relevan. Pada penelitian ini diusulkan penggunaan self-supervised learning untuk meningkatkan kebermanfaatan data tanpa label dan mengurangi ketergantungan terhadap data berlabel. Pelatihan dengan metode ini menghasilkan sebuah encoder CNN dengan arsitektur ResNet-50, yang dilatih dengan sekumpulan citra tidak berlabel, agar mampu menghasilkan fitur umum dari citra. Model ini kemudian di-finetune dengan data berlabel agar mampu melakukan downstream task, yaitu perolehan citra lintas domain. Untuk meningkatkan hasil perolehan, dilakukan structural matching menggunakan Wasserstein distance (optimal transport) terhadap fitur spasial luaran encoder CNN pada saat inference dan finetuning. Selain itu, structural matching juga dapat menjelaskan bagian mana dari citra yang berkontribusi atas keseluruhan kesamaan atau jarak. Hasil menunjukkan bahwa kinerja encoder yang dilatih dengan self-supervised learning secara kuantitatif masih belum melampaui kinerja encoder baseline ImageNet, dengan perbedaan 1-2% dari sisi akurasi dan mAP menggunakan Triplet Loss, dan 6-10% dengan InfoNCE. Structural matching secara umum dapat meningkatkan hasil perolehan pada encoder yang dilatih dengan self-supervised learning. Hasil kualitatif menunjukkan bahwa semua varian model mampu mencari citra yang mirip dengan query, baik dari sisi kategori, warna, bentuk, dan motif.

---

Being one of the largest industries in the world, fashion marketing on ecommerce platforms attracts millions of users every day. One of the essential features for an ecommerce platform is the ability to retrieve fashion items using user photos as queries. Good search results will yield benefits for users and for businesses. This problem is challenging due to the domain differences of the query images uploaded by the users and of product gallery images as retrieval targets. Cross-domain image retrieval can be accomplished by conventional methods such as metric learning using labeled datasets. However, this method is not feasible in the long term since innovations in this sector are fast such that continuous image annotations are required for the model to stay relevant. In this study, we propose to use self-supervised learning to increase usefulness of unlabeled data and to reduce dependency on labeled data. Training with this method produces a CNN encoder with ResNet-50 architecture, trained on a collection of unlabeled images, to infer generic features of images. The model is then finetuned with labeled data so that it can perform the downstream task, which is cross-domain image retrieval. To improve retrieval results, we performed structural matching by calculating Wasserstein distance (optimal transport) using spatial features inferred from CNN encoder during inference and finetuning. In addition, structural matching can also explain which parts of two images contribute to overall similarity or distance. Results show that an encoder trained with self-supervision quantitatively has not yet outperformed off-the-shelf ImageNet encoder baseline, with a difference in terms of accuracy and mAP of 1-2% for Triplet Loss, and 6-10% for InfoNCE. Generally, structural matching can improve retrieval results for self-supervised encoders. Qualitative results show that all model variants are able to retrieve images similar to the query, in terms of categories, colors, shapes, and patterns."