Deteksi Penyakit Daun Pisang Menggunakan YOLO Berbasis Deep Learning
Demo & Pengujian Sistem: Deteksi Penyakit Daun Pisang Menggunakan YOLO Berbasis Deep Learning
Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Deteksi Penyakit Daun Pisang Menggunakan YOLO Berbasis Deep Learning via TikTok.
Overview & Cara Kerja
MusaVision AI merupakan platform kecerdasan buatan (Artificial Intelligence) berbasis Computer Vision dan Deep Learning yang mengimplementasikan arsitektur state-of-the-art YOLO26 Nano (YOLOv8/v11 architecture family) untuk mendeteksi, melokalisasi (bounding box), dan mengklasifikasikan 5 kondisi dan penyakit daun pisang (Musa spp.) secara simultan dengan presisi tinggi (mAP50 83.4%, Presisi 81.8%, dan Recall 80.1% pada data validasi, serta Presisi 84.5% pada data uji independen).
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
6.415 Leaf Image Ingestion & Roboflow Pipeline
Ingesti dan pra-pemrosesan 6.415 citra daun pisang terstandarisasi dengan 12.730 anotasi bounding box format YOLOv8, menerapkan auto-orientasi EXIF, resizing 640x640, augmentasi CLAHE, blur adaptif, dan variasi saturasi warna untuk simulasi kondisi kebun riil.
C3k2 & C2PSA Multi-Scale Feature Extraction
Ekstraksi fitur visual mendalam menggunakan arsitektur YOLO26 Nano dengan tulang punggung konvolusional C3k2, fusi piramida fitur SPPF, dan modul C2PSA attention untuk menangkap pola lesi mikro hingga makro pada helai daun.
50-Epoch Training with Tesla T4 GPU Acceleration
Pelatihan model selama 50 epoch menggunakan pengoptimal AdamW dengan automatic mixed precision (AMP) pada GPU NVIDIA Tesla T4 (0.678 jam komputasi), meminimalkan kombinasi CIoU loss, DFL (Distribution Focal Loss), dan BCE classification loss.
mAP50-95 Benchmark & Non-Maximum Suppression
Evaluasi performa deteksi pada 5 kelas patologi (meraih Test Accuracy 84.53%, mAP50 83.4%, dan mAP50-95 61.1%), disempurnakan dengan Non-Maximum Suppression (IoU 0.45) untuk mengeliminasi kotak tumpang-tindih redundan.
MusaVision AI Web Dashboard & Agronomy Engine
Deployment pipeline computer vision ke antarmuka web interaktif Flask 3.0 dan Tailwind CSS, dilengkapi drag-and-drop unggah citra, 5 preset sampel fotografi asli, slider confidence dinamis, basis pengetahuan agronomi lengkap, dan endpoint API `/predict`.
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, Flask, PyTorch, HTML
- Panduan Instalasi & Konfigurasi Lingkungan
- Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
- Hak Lisensi Tugas Akhir, Skripsi & Komersial
- Akses Unduhan Berkas ZIP & Code Explorer Langsung