Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Deteksi Penyakit Daun Pisang Menggunakan YOLO Berbasis Deep Learning
Deteksi Penyakit Daun Pisang Menggunakan YOLO Berbasis Deep Learning
Computer Vision Tingkat: Intermediate Versi 1.0.0 70 Dilihat
5.0 (0 ulasan)

Deteksi Penyakit Daun Pisang Menggunakan YOLO Berbasis Deep Learning

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

Demo & Pengujian Sistem: Deteksi Penyakit Daun Pisang Menggunakan YOLO Berbasis Deep Learning

Tonton di TikTok

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

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 DATASET & AUGMENTATION

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.

Roboflow Benchmark & YOLOv8 Format
2 DEEP LEARNING BACKBONE

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.

YOLO26n (2.38M Parameters)
3 MODEL TRAINING

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.

AdamW Optimizer & Tesla T4 GPU
4 EVALUATION & NMS

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.

mAP50 83.4% & NMS Post-Processing
5 DEPLOYMENT & INTERFACE

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`.

Flask 3.0 & Tailwind CSS SPA
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

12 Berkas Proyek 2 Folder Utama
style.css 2.15 KB
main.js 21.86 KB
javascript Pratinjau
sample_black_sigatoka.jpg 65.49 KB
sample_cordana.jpg 35.84 KB
sample_fresh.jpg 55.38 KB
sample_pestalotiopsis.jpg 42.33 KB
sample_yellow_sigatoka.jpg 60.39 KB
index.html 65.61 KB
app.py 15.58 KB
banana-leaf-disease-detection.ipynb 98.25 KB
Notebook Pratinjau
link full sourcode.txt 82 B
requirements.txt 147 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11 (64-bit), macOS 12+ (Intel/Apple Silicon), 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 lancar dan eksekusi notebook)

Optimal untuk running service

Penyimpanan
Min. 1 GB Free Storage untuk dependensi Python, bobot model best.pt (5.39 MB), dan dataset sampel

Untuk berkas & dependensi

Database & Layanan
Tidak memerlukan database SQL eksternal (Basis data agronomi dan model biner terintegrasi mandiri / self-contained)
Hardware / Catatan Khusus
Model best.pt sudah dilatih dan disertakan dalam paket unduhan sehingga web app dapat langsung dijalankan tanpa GPU (latensi inferensi CPU ~28-50 ms, GPU ~3.7 ms)

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: 70 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, 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
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.