Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Deteksi Jenis Ras Kucing Menggunakan YOLO Berbasis Deep Learning
Deteksi Jenis Ras Kucing Menggunakan YOLO Berbasis Deep Learning
Computer Vision Tingkat: Intermediate Versi 1.0.0 15 Dilihat
5.0 (0 ulasan)

Deteksi Jenis Ras Kucing Menggunakan YOLO Berbasis Deep Learning

Teknologi: Python YOLO Ultralytics Flask PyTorch OpenCV JavaScript Tailwind CSS Pandas NumPy Jupyter Notebook Matplotlib HTML5 YOLO26-Nano Computer Vision Deep Learning Object Detection
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Deteksi Jenis Ras Kucing Menggunakan YOLO Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Deteksi Jenis Ras Kucing Menggunakan YOLO Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Kucing domestik (Felis catus) merupakan salah satu hewan pendamping paling populer di dunia dengan puluhan ras resmi yang memiliki keunikan morfologi, struktur tulang, tekstur mantel bulu, dan temperamen genetik yang khas. Namun, masyarakat umum, calon pengadopsi (adopter), pet shop, penampungan hewan (shelter), bahkan staf klinik hewan pemula sering kali mengalami kebingungan dalam membedakan ras-ras kucing murni maupun turunannya.

Kesulitan ini muncul karena banyaknya kemiripan fisik antar-ras, misalnya antara British Shorthair, Russian Blue, dan Bombay yang sama-sama berbulu pendek pekat; atau antara ras bermantel tutul eksotis seperti Bengal dan Egyptian Mau; hingga ras bertubuh raksasa seperti Maine Coon dan Ragdoll. Kesalahan dalam mengidentifikasi ras kucing dapat berujung pada kekeliruan program diet nutrisi, manajemen perawatan bulu (grooming), antisipasi penyakit genetik bawaan, hingga potensi penipuan silsilah (pedigree fraud) dalam transaksi jual-beli kucing ras.

Solusi & Nilai Tambah Sistem

Produk ini menghadirkan Sistem Deteksi Jenis Ras Kucing Terpadu, platform berbasis Deep Learning Object Detection yang mengotomatisasi proses identifikasi fenotipik ras kucing secara cepat, objektif, dan saintifik:

  1. Deteksi Objek Mutakhir (YOLO26-Nano 100 Epochs): Menggunakan arsitektur deteksi objek generasi terbaru yang dirancang untuk kecepatan inferensi tinggi dan akurasi bounding box sub-piksel. Model dilatih dengan 2.380 citra pada resolusi 640x640 px di GPU Tesla T4 hingga mencapai mAP@50 sebesar 94.9% pada validasi dan 95.3% pada pengujian mandiri.
  2. Lokalisasi Multi-Kucing Sekaligus: Berbeda dengan model klasifikasi citra sederhana (image classification) yang hanya dapat membaca satu objek di tengah frame, sistem deteksi objek ini mampu mendeteksi dan melokalisasi beberapa kucing sekaligus dalam satu foto dengan bounding box individual.
  3. Penyajian Visual Berstandar Profesional: Dilengkapi modul visualisasi OpenCV khusus yang merender bounding box semi-transparan, aksen sudut emas (amber corner accents), serta tag label dengan tingkat keyakinan (confidence score) yang sangat elegan.
  4. Ensiklopedia Felinologi Komprehensif 12 Ras: Setiap ras yang terdeteksi secara otomatis dihubungkan dengan basis data taksonomi yang memuat nama ilmiah, negara asal, tipe mantel bulu, temperamen perilaku, karakteristik morfologi, rata-rata bobot, dan estimasi harapan hidup.
Fitur Utama Platform
  • Deteksi 12 Ras Kucing Dunia:
    1. Abyssinian (Kucing Abisinia)
    2. Bengal (Kucing Bengal)
    3. Birman (Kucing Birman)
    4. Bombay (Kucing Bombay)
    5. British Shorthair (Kucing Bulu Pendek Britania)
    6. Egyptian Mau (Kucing Mau Mesir)
    7. Maine Coon (Kucing Maine Coon)
    8. Persian (Kucing Persia)
    9. Ragdoll (Kucing Ragdoll)
    10. Russian Blue (Kucing Biru Rusia)
    11. Siamese (Kucing Siam)
    12. Sphynx (Kucing Sphynx Tanpa Bulu)
  • Slider Kontrol Ambang Batas Keyakinan (Confidence Threshold): Fleksibilitas menyetel batas toleransi deteksi dari 10% hingga 90% secara real-time.
  • Galeri 8 Preset Sampel Uji Cepat (1-Klik): Pengujian instan dengan sampel foto kucing beresolusi tinggi tanpa harus mencari file dari komputer.
  • Komparasi Sebelum & Sesudah (Before/After Comparison): Visualisasi interaktif membandingkan citra asli dengan citra hasil deteksi beranotasi.
  • RESTful JSON API Terintegrasi: Endpoint /predict, /api/breeds, dan /api/model-info yang siap dikonsumsi oleh aplikasi mobile Android/iOS, sistem klinik hewan, maupun bot chat.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA INGESTION

Penyerapan Dataset 2.380 Citra Ras Kucing

Mengimpor 2.380 citra multi-kondisi dari repositori Roboflow yang terbagi ke dalam 1.666 data latih (70%), 476 data validasi (20%), dan 238 data uji (10%) mencakup 12 ras kucing dunia.

2.380 Citra | 12 Ras Kucing | Roboflow Platform
2 PREPROCESSING

Normalisasi Resolusi 640x640 & Anotasi Bounding Box

Melakukan auto-orientasi EXIF piksel, penyesuaian rasio aspek ke resolusi standar 640x640 piksel, serta penyusunan koordinat bounding box ternormalisasi [class_id, x_center, y_center, width, height].

Resolution: 640x640 | YOLO Detection Format
3 MODEL TRAINING

Pelatihan YOLO26-Nano 100 Epochs di GPU Tesla T4

Melatih arsitektur YOLO26n (121 layers, 2.39 juta parameter) dengan batch size 16 dan optimizer adaptif hingga mencapai konvergensi mAP optimal pada epoch ke-100.

100 Epochs | 121 Layers | 5.4 GFLOPs Compute
4 EVALUATION

Validasi Metrik mAP@50 94.3% & Confusion Matrix

Menguji model pada data independen, menghasilkan presisi 90.7%, recall 90.4%, mAP@50 sebesar 94.3%, dan mAP@50-95 sebesar 74.4% dengan matriks konfusi yang sangat solid.

mAP@50: 94.3% | Precision: 90.7% | Recall: 90.4%
5 INFERENCE ENGINE

Anotasi Visual OpenCV Beraksen Sudut Amber

Menjalankan inferensi sub-20 ms dan merender bounding box elegan beraksen sudut teknologi, label ras terformat, serta ekstraksi koordinat spasial piksel.

OpenCV Engine | Latency: 14.8 ms | Styled Boxes
6 WEB DEPLOYMENT

Penyajian Web Dashboard Flask Bertema Warm Amber

Membangun antarmuka modern berbasis Tailwind CSS dengan slider ambang batas confidence, 8 tombol sampel 1-klik, komparasi before-after, dan API JSON.

Flask Server | Tailwind CSS UI | RESTful API /predict
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

21 Berkas Proyek 2 Folder Utama
BoxF1_curve.png 318.75 KB
confusion_matrix.png 263.9 KB
hero-cat-detected.jpg 85.58 KB
hero-cat.jpg 43.34 KB
results.png 266.32 KB
val_batch0_pred.jpg 567.99 KB
abyssinian.jpg 46.41 KB
bengal.jpg 64.67 KB
british_shorthair.jpg 43.34 KB
maine_coon.jpg 57.75 KB
persian.jpg 58.13 KB
russian_blue.jpg 42.36 KB
siamese.jpg 51.44 KB
sphynx.jpg 45.09 KB
index.html 78.2 KB
app.py 17.48 KB
cat-breeds-detection.ipynb 128.01 KB
Notebook Pratinjau
link full project.txt 82 B
README.dataset.txt 139 B
README.roboflow.txt 1013 B
requirements.txt 271 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran eksekusi)

Optimal untuk running service

Penyimpanan
500 MB ruang disk kosong untuk source code, bobot model best.pt, dan sampel

Untuk berkas & dependensi

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 15 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, YOLO, Ultralytics, Flask
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.