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.
Klasifikasi Kematangan dan Kondisi Buah Naga Menggunakan MobileNetV2 Berbasis Deep Learning
Klasifikasi Kematangan dan Kondisi Buah Naga Menggunakan MobileNetV2 Berbasis Deep Learning
Computer Vision Tingkat: Intermediate Versi 1.0.0 46 Dilihat
5.0 (0 ulasan)

Klasifikasi Kematangan dan Kondisi Buah Naga Menggunakan MobileNetV2 Berbasis Deep Learning

Teknologi: Python Flask TensorFlow HTML CSS JavaScript Tailwind CSS Scikit-Learn Pandas NumPy Keras MobileNetV2 Pillow
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Klasifikasi Kematangan dan Kondisi Buah Naga Menggunakan MobileNetV2 Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Klasifikasi Kematangan dan Kondisi Buah Naga Menggunakan MobileNetV2 Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

PitayaVision AI merupakan platform visi komputer (Computer Vision) dan kecerdasan buatan berbasis Deep Learning Transfer Learning MobileNetV2 yang dirancang untuk mengidentifikasi tingkat kematangan fisiologis dan kondisi fisik buah naga (Hylocereus polyrhizus / Hylocereus undatus) secara otomatis dan real-time. Sistem ini dilatih pada dataset komprehensif berskala 8.298 citra terverifikasi yang terbagi ke dalam 4 kelas mutu: Defect (Cacat/Busuk), Fresh (Segar/Prima), Immature (Mentah/Belum Matang), dan Mature (Matang Siap Konsumsi), menghasilkan tingkat akurasi pengujian 78.43% dengan presisi dan recall sempurna (100%) pada deteksi buah cacat dan buah mentah.

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 CURATION & SPLIT

8,298 Images Ingestion & 80:10:10 Stratified Partitioning

Ingesti 8.298 citra buah naga 4 kelas mutu (Defect, Fresh, Immature, Mature), audit integritas berkas (zero corrupt images), dan partisi terstrata bebas bocor: 6.638 data latih, 830 data validasi, dan 830 data uji.

Roboflow Universe & 8,298 Images
2 IMAGE PREPROCESSING

8 Augmentation Variations & 224x224 RGB Normalization

Penyeragaman resolusi citra ke 224×224 piksel, normalisasi nilai piksel (rescale 1/255.0), serta pengayaan data latih menggunakan 8 teknik augmentasi teruji (rotasi, shear, zoom, brightness, shift) terukur MAD.

ImageDataGenerator & MAD Metric
3 TRANSFER LEARNING

MobileNetV2 Feature Extractor & Custom Dense Dropout Classifier

Pemanfaatan backbone MobileNetV2 ImageNet dengan depthwise separable convolution (bobot pre-trained dibekukan), dirangkai dengan GlobalAveragePooling2D, Dense 128 (ReLU), Dropout 0.5, dan Dense 4 (Softmax).

MobileNetV2 Backbone & Custom Head
4 TRAINING & CONVERGENCE

Adam Optimizer, Early Stopping & 78.43% Test Accuracy

Pelatihan model menggunakan pengoptimal Adam (lr=0.001), loss categorical cross-entropy, dan callback EarlyStopping (patience=5) untuk mengembalikan bobot terbaik, mencapai akurasi uji 78.43% (Recall Defect 100%).

Test Accuracy 78.43% & Loss 0.2895
5 PRODUCTION DEPLOYMENT

Flask 3.0 Web App, Interactive Triage & Post-Harvest Decision Support

Deployment SavedModel ke aplikasi web interaktif Flask 3.0 bertema PitayaVision AI, dilengkapi upload drag-and-drop, 4 sampel uji langsung, gauge probabilitas kelas, rekomendasi penyimpanan suhu dingin, dan grade kelayakan pasar.

Flask 3.0, Tailwind CSS & REST API
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

16 Berkas Proyek 3 Folder Utama
defect.jpg 24.88 KB
fresh.jpg 51.61 KB
immature.jpg 57.68 KB
mature.jpg 64.17 KB
hero-dragon-fruit.jpg 576.39 KB
index.html 76.43 KB
DECD98-1.JPG 85.59 KB
FR3E2C-1.JPG 84.29 KB
IM16DC-1.JPG 108.23 KB
MA35E4-1.JPG 101.99 KB
app.py 9.05 KB
dragon-fruit-classification-mobilenetv2.ipynb 5.98 MB
Notebook Pratinjau
link dataset.txt 72 B
link full project.txt 82 B
README.md 1.63 KB
markdown Pratinjau
requirements.txt 868 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 (Diverifikasi optimal pada Python 3.11.x x64)

Lingkungan kerja teruji

Memori (RAM)
Min. 4 GB (Rekomendasi 8 GB untuk kelancaran augmentasi citra dan proses inferensi)

Optimal untuk running service

Penyimpanan
Min. 1.5 GB ruang kosong untuk dependensi TensorFlow, Pillow, berkas SavedModel, dan dataset

Untuk berkas & dependensi

Database & Layanan
Tidak memerlukan database SQL eksternal (Model SavedModel terpadu mandiri / self-contained)
Hardware / Catatan Khusus
Model telah dilatih dan diekspor ke dalam folder fruit-dragon_savedmodel/ sehingga server web Flask dapat langsung dijalankan tanpa perlu proses pelatihan ulang. Latensi inferensi per citra sangat cepat (<100 ms di CPU biasa).

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: 46 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, TensorFlow, 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.