Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Deteksi Kontaminasi Jamur Pada Roti Menggunakan YOLO Berbasis Deep Learning
Deteksi Kontaminasi Jamur Pada Roti Menggunakan YOLO Berbasis Deep Learning
Computer Vision Tingkat: Intermediate Versi 1.0.0 45 Dilihat
5.0 (0 ulasan)

Deteksi Kontaminasi Jamur Pada Roti Menggunakan YOLO Berbasis Deep Learning

Teknologi: Python Flask HTML CSS JavaScript Tailwind CSS
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Deteksi Kontaminasi Jamur Pada Roti Menggunakan YOLO Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Deteksi Kontaminasi Jamur Pada Roti Menggunakan YOLO Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

PaniScan AI merupakan platform kecerdasan buatan (Artificial Intelligence) berbasis Computer Vision Object Detection dan Deep Learning yang mengimplementasikan arsitektur mutakhir YOLOv8 Nano (YOLO26n) untuk mendeteksi, melokalisasi (bounding box), dan mengklasifikasikan status kelayakan roti (Jamur Roti / Mold_bread vs Roti Normal / Normal_bread) secara simultan dengan tingkat presisi tinggi (mAP50 95.10%, Presisi 95.84%, Recall 86.60%, dan mAP50-95 86.10% pada data uji independen) serta latensi inferensi ultra-cepat di bawah 10 milidetik.

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:

5 Tahap Pipeline
1 DATA INGESTION & ANNOTATION

1.000 Bread Images & 1.650 Bounding Box Ingestion

Ingesti dan pra-pemrosesan 1.000 citra roti teranotasi (750 train, 150 val, 100 test, 1.650 instances) pada resolusi 640x640 piksel dengan dua target kelas deteksi: Jamur Roti (`Mold_bread`) dan Roti Segar (`Normal_bread`).

Kaggle Bread Mold Benchmark & 1.000 Citra
2 DEEP LEARNING BACKBONE

YOLOv8 Nano Anchor-Free Feature Extraction

Ekstraksi fitur visual multi-skala menggunakan tulang punggung CSPDarknet dengan aktivasi SiLU, dilanjutkan fusi piramida fitur dua arah PANet dan Decoupled Head untuk memisahkan regresi kotak dan probabilitas kelas secara independen.

YOLOv8n & 2.37M Parameter (5.3 GFLOPs)
3 MODEL TRAINING

50-Epoch GPU Training & Multi-Task Loss Optimization

Pelatihan model selama 50 epoch pada GPU Tesla T4 (0.119 jam komputasi) dengan optimasi SGD/AdamW, meminimalkan kombinasi CIoU loss (lokalisasi kotak), DFL loss (distribusi batas tepi), dan BCE classification loss.

50 Epochs & Test mAP50 95.10%
4 SAFETY ASSESSMENT

Food Safety & Mycotoxin Severity Analysis Engine

Evaluasi otomatis terhadap keberadaan spora jamur; jika terdeteksi, sistem memicu status bahaya kontaminasi mikotoksin, melarang konsumsi, dan memberikan rekomendasi higienitas industri bakery.

Safety Logic & Mycotoxin Advisory
5 DEPLOYMENT & INTERFACE

PaniScan AI Web Studio & RESTful API Service

Deployment model ke aplikasi web interaktif Flask 3.0 dan Tailwind CSS bertema *Artisanal Bread Brown*, dilengkapi fitur drag-and-drop, preset sampel, slider ambang keyakinan, visualisasi bounding box, serta endpoint API `/predict`.

Flask 3.0 & Warm Artisanal Bread Theme
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

87 Berkas Proyek 4 Folder Utama
best.pt 5.14 MB
AI Model Pratinjau
last.pt 5.14 MB
AI Model Pratinjau
args.yaml 1.68 KB
BoxF1_curve.png 149.46 KB
BoxP_curve.png 131.43 KB
BoxPR_curve.png 116.37 KB
BoxR_curve.png 138.5 KB
confusion_matrix.png 128.09 KB
confusion_matrix_normalized.png 128.01 KB
labels.jpg 210.76 KB
results.csv 6.25 KB
Dataset Pratinjau
results.png 281.78 KB
train_batch0.jpg 579.67 KB
train_batch1.jpg 544.36 KB
train_batch1880.jpg 434.5 KB
train_batch1881.jpg 487.01 KB
train_batch1882.jpg 544.74 KB
train_batch2.jpg 568.63 KB
val_batch0_labels.jpg 740.36 KB
val_batch0_pred.jpg 757.52 KB
val_batch1_labels.jpg 764.7 KB
val_batch1_pred.jpg 771.7 KB
val_batch2_labels.jpg 732.68 KB
val_batch2_pred.jpg 757.64 KB
BoxF1_curve.png 149.46 KB
BoxP_curve.png 131.29 KB
BoxPR_curve.png 116.25 KB
BoxR_curve.png 138.68 KB
confusion_matrix.png 128.19 KB
confusion_matrix_normalized.png 128.24 KB
val_batch0_labels.jpg 739.42 KB
val_batch0_pred.jpg 757.12 KB
val_batch1_labels.jpg 672.14 KB
val_batch1_pred.jpg 710.07 KB
val_batch2_labels.jpg 763.61 KB
val_batch2_pred.jpg 771.96 KB
BoxF1_curve.png 146.17 KB
BoxP_curve.png 122.63 KB
BoxPR_curve.png 104.02 KB
BoxR_curve.png 133.9 KB
confusion_matrix.png 131.72 KB
confusion_matrix_normalized.png 124.47 KB
val_batch0_labels.jpg 535.39 KB
val_batch0_pred.jpg 541.8 KB
val_batch1_labels.jpg 564.42 KB
val_batch1_pred.jpg 567.89 KB
val_batch2_labels.jpg 621.47 KB
val_batch2_pred.jpg 643.68 KB
BoxF1_curve.png 149.46 KB
BoxP_curve.png 131.29 KB
BoxPR_curve.png 116.25 KB
BoxR_curve.png 138.68 KB
confusion_matrix.png 128.19 KB
confusion_matrix_normalized.png 128.24 KB
val_batch0_labels.jpg 739.42 KB
val_batch0_pred.jpg 757.12 KB
val_batch1_labels.jpg 672.14 KB
val_batch1_pred.jpg 710.07 KB
val_batch2_labels.jpg 763.61 KB
val_batch2_pred.jpg 771.96 KB
BoxF1_curve.png 151.97 KB
BoxP_curve.png 128.02 KB
BoxPR_curve.png 103.3 KB
BoxR_curve.png 139.56 KB
confusion_matrix.png 131.7 KB
confusion_matrix_normalized.png 124.44 KB
val_batch0_labels.jpg 758.78 KB
val_batch0_pred.jpg 773.94 KB
val_batch1_labels.jpg 749.29 KB
val_batch1_pred.jpg 770.16 KB
val_batch2_labels.jpg 714.37 KB
val_batch2_pred.jpg 726.53 KB
hero_mold.jpg 89.75 KB
mold_1.jpg 31.29 KB
mold_2.jpg 27.52 KB
normal_1.jpg 93.81 KB
normal_2.jpg 72.82 KB
test_annotated.jpg 77.41 KB
index.html 67.29 KB
7w0y4sq7imwf0ig.png 29.6 KB
images (1).jpg 28.54 KB
images (2).jpg 15.19 KB
images.jpg 26.32 KB
app.py 15.1 KB
link full project & dataset.txt 82 B
mold-bread-detection-yolo.ipynb 99.76 KB
Notebook Pratinjau
requirements.txt 131 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11 (64-bit), macOS Monterey ke atas, atau Linux (Ubuntu 20.04+ LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10 atau Python 3.11 (Direkomendasikan)

Lingkungan kerja teruji

Memori (RAM)
Min. 4 GB (Rekomendasi 8 GB untuk inferensi web dan pemrosesan citra lancar)

Optimal untuk running service

Penyimpanan
Min. 1 GB ruang kosong untuk dependensi Python, dataset uji, dan model best.pt (5.38 MB)

Untuk berkas & dependensi

Hardware / Catatan Khusus
Model PyTorch telah tersimpan dalam runs/detect/train_ep50/weights/best.pt sehingga aplikasi web dapat langsung dijalankan tanpa perlu proses komputasi training ulang.

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: 45 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, Flask, HTML, CSS
  • 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.