Deteksi Jenis Ras Kucing Menggunakan YOLO Berbasis Deep Learning
Demo & Pengujian Sistem: Deteksi Jenis Ras Kucing Menggunakan YOLO Berbasis Deep Learning
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:
- 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.
- 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.
- 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.
- 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:
- Abyssinian (Kucing Abisinia)
- Bengal (Kucing Bengal)
- Birman (Kucing Birman)
- Bombay (Kucing Bombay)
- British Shorthair (Kucing Bulu Pendek Britania)
- Egyptian Mau (Kucing Mau Mesir)
- Maine Coon (Kucing Maine Coon)
- Persian (Kucing Persia)
- Ragdoll (Kucing Ragdoll)
- Russian Blue (Kucing Biru Rusia)
- Siamese (Kucing Siam)
- 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-infoyang siap dikonsumsi oleh aplikasi mobile Android/iOS, sistem klinik hewan, maupun bot chat.
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
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.
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].
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.
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.
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.
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.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
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.
Belum ada ulasan untuk project ini.
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