Jalan Kaki di Kota: Gaya Urban yang Bikin Outfit Sehari-Hari Lebih Hidup

Saat kita berjalan di trotoar kota, ragam outfit, gerak tubuh, dan interaksi visual antar-pejalan kaki membentuk data kaya. Machine learning kini mampu memanen konteks itu: dari deteksi pejalan kaki, pose estimation, sampai rekomendasi outfit real-time. Saya telah menguji beberapa pipeline ML di lingkungan urban — mengumpulkan gambar jalanan, menjalankan model ringan di smartphone, dan mengukur akurasi serta latensi. Tulisan ini adalah review mendalam tentang pendekatan yang saya uji, hasil yang terobservasi, kelebihan dan keterbatasannya, serta rekomendasi praktis untuk pengembang dan brand fashion.

Konteks: Jalan Kaki, Data, dan Fashion Jalanan

Pada pengujian lapangan saya (sekitar 2.000 foto dan short video yang diambil saat berjalan di Jakarta dan kota lain), tantangan utama adalah variasi pencahayaan, occlusion (tas, payung, kerumunan), dan motion blur. Dataset publik seperti DeepFashion dan ModaNet membantu untuk klasifikasi item, tetapi foto-street-style punya distribusi berbeda: sudut kamera lebih bervariasi, item tertutup sebagian, dan kombinasi outfit lebih eksperimental. Untuk itu saya menggabungkan fine-tuning model dengan data lapangan sendiri sehingga model memahami “visual bahasa” jalanan yang nyata.

Review Model dan Pendekatan

Saya mengevaluasi tiga lapis pipeline: (1) pedestrian detection (YOLOv8 vs Faster R-CNN), (2) pose & keypoint estimation (MediaPipe vs OpenPose), dan (3) style classification + recommendation (MobileNetV2 fine-tuned dan metric learning). Hasil singkat: YOLOv8 memberikan tradeoff terbaik antara kecepatan dan akurasi untuk deteksi di trotoar — mAP ~0.72 pada dataset saya, dengan latency rata-rata 40–80 ms di perangkat edge (Pixel 4a, TensorFlow Lite). Faster R-CNN unggul akurasi di kondisi penuh kerumunan (mAP ~0.78) tetapi latency dua kali lipat, membuatnya kurang cocok untuk aplikasi real-time saat berjalan.

Pada pose estimation, MediaPipe lebih stabil untuk pemakaian mobile (latency ~25 ms, footprint kecil) sementara OpenPose lebih detail namun berat. Untuk klasifikasi item dan rekomendasi outfit, MobileNetV2 yang dituning ulang memberi akurasi ~85% untuk kategori dasar (jaket, celana, sepatu) dan inference cepat. Namun untuk menangkap nuance style (pattern mixing, silhouette) Vision Transformer yang di-pretrain lalu fine-tune memberi hasil lebih baik—kira-kira +6–8% akurasi—namun dengan ukuran model yang jauh lebih besar.

Saya juga menguji pipeline integrasi: deteksi → pose → crop item → fitur embedding → nearest neighbor recommendations. Latensi end-to-end untuk rekomendasi di edge berkisar 120–250 ms tergantung model; cukup real-time untuk suggestion saat berjalan. Pengujian A/B pada pengguna awal menunjukkan rekomendasi yang memadukan item lokal (mis. brand lokal atau butik jalanan) mendapat engagement lebih tinggi. Untuk brand yang ingin integrasi langsung, saya melihat potensi integrasi visual merchandising—contohnya menautkan rekomendasi ke katalog seperti atsclothing untuk checkout seamless.

Kelebihan & Kekurangan

Kelebihan nyata: pipeline ini memberikan pengalaman yang membuat outfit sehari-hari terasa “hidup” — rekomendasi kontekstual berdasarkan cuaca, gerak, dan warna dominan. Edge inference memungkinkan privasi lebih baik karena foto tidak selalu dikirim server. Model ringan (MobileNetV2 + YOLOv8-nano + MediaPipe) menghasilkan latensi rendah dan konsumsi baterai yang wajar dalam pengujian saya (penurunan baterai ~8–12% per jam pada pengujian intensif).

Kekurangannya juga jelas. Pertama, bias dataset — model cenderung perform lebih baik pada tipe pakaian yang dominan dalam data latihan; item niche atau budaya lokal kurang terwakili. Kedua, kondisi pencahayaan ekstrem dan occlusion masih menurunkan akurasi signifikan. Ketiga, tradeoff privacy/usability: rekomendasi real-time memerlukan kamera aktif yang sebagian pengguna anggap invasif. Terakhir, model besar (ViT) memberikan kualitas rekomendasi lebih baik namun tidak praktis untuk deployment mobile tanpa optimasi lebih lanjut (quantization, pruning).

Kesimpulan dan Rekomendasi

Sebagai reviewer yang menguji end-to-end, saya menyimpulkan: solusi real-time untuk membuat outfit sehari-hari lebih hidup saat berjalan di kota feasible dengan teknologi saat ini—asal desainnya sadar akan bias, privasi, dan keterbatasan hardware. Rekomendasi praktis:

– Mulai dengan pipeline ringan: YOLOv8-nano + MediaPipe + MobileNetV2 fine-tuned. Cukup akurat dan responsif untuk user-facing features.

– Kumpulkan data lapangan lokal untuk fine-tuning agar model peka terhadap variasi budaya dan cuaca setempat.

– Terapkan quantization dan pruning sebelum deploy model besar; gunakan server-side only untuk fitur yang memerlukan model berat.

– Beri kontrol privasi ke pengguna: mode offline, blur wajah otomatis, dan clear consent saat kamera aktif.

Integrasi dengan ekosistem retail—misalnya menautkan rekomendasi ke katalog brand atau toko lokal—meningkatkan konversi. Jika Anda seorang pengembang atau product manager, mulailah dengan eksperimen lapangan kecil, ukur latency dan retention, lalu skalakan. Saya sendiri akan melanjutkan eksplorasi pada multimodal models (visual + text) untuk menangkap konteks percakapan gaya saat berjalan — langkah berikutnya untuk membuat outfit sehari-hari benar-benar terasa “hidup” dan relevan di jalanan kota.

Otomotif

Curhat Jaket Oversize yang Bikin Gaya Urban di Kota Lebih Hidup

Aku masih ingat jelas hari pertama aku sadar kalau jaket oversize bukan sekadar tren. Itu akhir November 2017, hujan gerimis di trotoar Blok M, aroma kopi jalanan, dan aku baru pulang dari sesi pemotretan jam 6 sore. Jaket kulit hitam yang kubeli beberapa minggu sebelumnya terasa seperti perisai — hangat, sedikit dramatis, dan nyaman memenuhi ruang gerak saat motor berhenti di lampu merah. Di sela kebingungan antara menghindari genangan dan merapikan lensa kamera, ada momen kecil: seorang anak membalikkan kepalanya dan tersenyum. Itu yang membuatku berpikir: ada sesuatu tentang oversize yang membawa energi urban berbeda.

Awal Ketertarikan: Belanja, Eksperimen, dan Keputusan

Pembelian pertama itu bukan rencana besar. Aku sedang browsing untuk opsi outer baru dan nemu satu model yang menarik di atsclothing. Foto produk terlihat sederhana — bahu jatuh, potongan panjang sampai pinggul. Deskripsi bilang "relaxed fit", tapi foto di situ membuatku langsung membayangkan berjalan di bawah lampu jalanan, jaket mengayun tipis saat aku melangkah. Aku pesan, berharap itu tidak terlalu "kebesaran". Sampai paket datang — dan benar, lebih besar dari ekspektasi. Ada sedikit panik, ada rasa penasaran. Kupakai juga karena penasaran. Dan itu jadi awal eksperimen yang panjang.

Ujian di Jalanan: Tantangan yang Tidak Terduga

Ternyata oversize punya aturan tak tertulis. Pertama kali pakai saat musim hujan di Jakarta, lengan jaket basah sampai siku karena menabrak payung orang lain. Suatu malam, di halte TransJakarta, lengan jaket sempat tersangkut di pegangan sampai aku hampir terjatuh — malu, terengah, dan kemudian tertawa sendiri. Ada juga momen di kantin kantor saat aku menumpahkan kopi karena saku yang terlalu dalam membuat botol tergesek. Kejadian kecil itu bikin aku sadar: estetika butuh fungsi. Oversize itu dramatis, tapi harus diatur agar tidak merepotkan.

Solusinya muncul lewat trial-and-error. Aku mulai memantau proporsi — memilih jaket yang bahunya hanya turun sedikit, bukan sampai siku. Belajar menggulung lengan dengan teknik tertentu sehingga terlihat intentional, bukan asal sembunyi. Menambahkan strap atau karet di ujung lengan untuk menahan agar tidak menyapu lantai. Semuanya sederhana, tapi membuat perbedaan besar di jalanan yang sibuk.

Merawat dan Menghidupkan Jaket Oversize di Kota

Setelah beberapa musim, aku punya trik yang konsisten dan sering kuterapkan ketika memberi saran pada klien atau teman. Pertama: balance is key. Kalau atasannya oversize, bawahannya cenderung ramping — skinny jeans, celana chino taper, atau rok midi yang memotong di pergelangan. Kedua: tekstur dan aksesoris memperkuat karakter. Aku suka menambahkan beanie rajut, scarf tipis, dan dompet crossbody yang melintang. Ketiga: detail praktis—kancing yang bisa dikancing separuh, sabuk untuk membuat siluet, atau bahkan menambahkan safety pin estetis di bagian kerah.

Satu contoh nyata: di pagi hari yang dingin di SCBD, aku pakai jaket oversize wol, dipadu celana jeans slim, sepatu boots chunky, dan tas selempang kecil. Ketika lampu neon menyala, jaket itu mengambil pantulan warna, memberikan kedalaman pada foto jalanan yang kuambil. Ada kontras antara volume jaket dan kehalusan celana; hasilnya bukan hanya nyaman, tapi fotogenik. Itu penting bagi aku yang sering bekerja sambil jalan — pakaian harus fungsional juga terlihat menarik di kamera.

Pelajaran dan Refleksi: Lebih dari Sekadar Tren

Menggunakan oversize selama bertahun-tahun mengajarkanku sesuatu yang lebih besar daripada sekadar tips styling. Oversize tentang keberanian berekspresi; tentang bagaimana kita memilih ruang di tengah keramaian kota. Aku belajar untuk menerima ketidaksempurnaan — lengan yang terlalu panjang, lipatan yang tidak sempurna, atau komentar orang di jalan. Semua itu bagian dari bahasa visual yang aku bangun.

Satu pelajaran praktis juga penting: investasikan pada potongan berkualitas. Jaket yang bagus tetap terlihat rapi meski oversize, dan lebih mudah dimodifikasi. Selain itu, oversize mendukung prinsip keberlanjutan: lebih sedikit pakaian yang dipakai berulang-ulang dengan cara berbeda. Aku menemukan kepuasan tersendiri ketika jaket yang sama menemani sesi foto, meeting, dan hangout malam — tanda bahwa pilihan sederhana bisa sangat multifungsi.

Di akhir hari, jaket oversize itu bukan lagi sekadar item pakaian. Ia menjadi alat bercerita — tentang malam hujan di Blok M, tentang tawa di halte bus, tentang eksperimen kecil yang berbuah kebebasan berekspresi. Kalau kamu masih ragu memakainya, coba langkah kecil: pilih satu potong yang nyaman, uji di hari santai, dan perhatikan reaksi dirimu. Kadang, sebuah potong pakaian yang terlihat "berlebihan" justru memberikan ruang paling leluasa untuk menjadi diri sendiri di tengah kebisingan kota.