Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning
Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning
Computer Vision Tingkat: Intermediate Versi 1.0.0 67 Dilihat
5.0 (0 ulasan)

Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning

Teknologi: Python Flask TensorFlow HTML CSS JavaScript Tailwind CSS Scikit-Learn Pandas NumPy Keras Pillow ResNet50V2
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

ROADCVIZ merupakan platform visi komputer (Computer Vision) dan kecerdasan buatan berbasis Deep Learning Transfer Learning ResNet50V2 yang dirancang untuk mengidentifikasi jenis perkerasan serta tingkat kualitas dan kerusakan jalan raya secara otomatis, objektif, dan real-time. Sistem ini dilatih pada dataset komprehensif berskala 4.694 citra terverifikasi yang terbagi ke dalam 7 kelas kondisi perkerasan jalan: Aspal Baik, Aspal Sedang, Aspal Rusak, Paving Sedang, Paving Rusak, Jalan Tanah/Kerikil Sedang, dan Jalan Tanah/Kerikil Rusak, menghasilkan tingkat akurasi pengujian mencapai 97.02% dengan Test Loss 0.0738 serta waktu inferensi sangat cepat (kurang dari 200 ms).

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 & AUDIT

4,694 Images Ingestion & 80:10:10 Stratified Partitioning

Ingesti 4.694 citra permukaan jalan 7 kelas kondisi, audit integritas berkas (zero corrupt images), dan partisi terstrata bebas bocor: 3.755 data latih, 469 data validasi, dan 470 data uji murni.

Roboflow Universe & 4,694 Images
2 IMAGE PREPROCESSING

224x224 RGB Normalization & Multi-Scale Data Augmentation

Penyeragaman resolusi citra ke 224x224 piksel, normalisasi nilai piksel (rescale 1/255.0), serta pengayaan data latih dengan rotasi, shear, zoom, pergeseran translasi, flip horizontal, dan rentang kecerahan adaptif (0.4 - 1.5).

ImageDataGenerator & 224x224x3 Tensor
3 TRANSFER LEARNING

ResNet50V2 Backbone & Custom GAP-Dropout Head Classifier

Pemanfaatan backbone ResNet50V2 ImageNet dengan residual connections dan pre-activation (bobot dibekukan), dipadukan dengan GlobalAveragePooling2D, Dense 128 (ReLU), Dropout 0.5, dan Dense 7 (Softmax).

23.8M Total Params & 263K Trainable
4 TRAINING & CONVERGENCE

Adam Optimizer, Early Stopping & 97.02% Test Accuracy

Pelatihan model menggunakan pengoptimal Adam (lr=0.001), loss categorical cross-entropy, dan callback EarlyStopping (patience=5) yang memulihkan bobot terbaik epoch 28 (val_accuracy 98.08%), menghasilkan akurasi uji 97.02%.

Test Accuracy 97.02% & Loss 0.0738
5 PRODUCTION DEPLOYMENT

Flask 3.0 Web App, Laser Scan UI & Civil Engineering Decision Support

Deployment SavedModel ke aplikasi web interaktif Flask 3.0 bertema ROADCVIZ, dilengkapi upload drag-and-drop, 7 sampel uji langsung, gauge probabilitas kelas, latensi inferensi (<200 ms), dan rekomendasi perbaikan jalan standar PUPR.

Flask 3.0, Tailwind CSS & REST API
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

24 Berkas Proyek 3 Folder Utama
style.css 1.64 KB
hero-road.jpg 800.85 KB
01_asphalt(Good).jpg 23.18 KB
02_asphalt(Regular).jpg 18.9 KB
03_asphalt(Bad).jpg 18.45 KB
05_paved(Regular).jpg 33.64 KB
06_paved(Bad).jpg 25.58 KB
07_unpaved(Regular).jpg 25.31 KB
08_unpaved(Bad).jpg 25.62 KB
index.html 62.08 KB
000000002_png.rf.d271b5a789d6e11a5f00f2f31333e865.jpg 18.23 KB
000000003_png.rf.a6233c8f4e7230bfa868cc7677a2dc4a.jpg 20.54 KB
000000018_png.rf.77aa5404ee579a294d167a992bf448cf.jpg 14.69 KB
000000028_png.rf.8c7120ed941bbce2c40e7dc50eee8d2f.jpg 13 KB
000000030_png.rf.d2ce8c4f04131900fa8424eca6d122ce.jpg 19.63 KB
000000044_png.rf.689935db10a1929a41278403e0befacf.jpg 18.28 KB
000000116_png.rf.f5b27a1914d1d98b7a4c7b535dd3d71f.jpg 16.09 KB
000000124_png.rf.8b0f14d07a9b62c19cbe3db5403b37c9.jpg 18.84 KB
app.py 12.58 KB
link dataset.txt 63 B
link full project.txt 82 B
README.md 5.03 KB
markdown Pratinjau
requirements.txt 399 B
road-quality-classification-resnet50v2.ipynb 6.91 MB
Notebook Pratinjau

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. 2.0 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 road-quality_savedmodel/ sehingga server web Flask dapat langsung dijalankan tanpa perlu proses pelatihan ulang. Latensi inferensi per citra sangat cepat (<200 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: 67 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.