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 Penyakit Daun Tanaman Singkong Menggunakan MobileNetV2 Berbasis Deep Learning
Klasifikasi Penyakit Daun Tanaman Singkong Menggunakan MobileNetV2 Berbasis Deep Learning
Deep Learning Tingkat: Intermediate Versi 1.0.0 16 Dilihat
5.0 (0 ulasan)

Klasifikasi Penyakit Daun Tanaman Singkong Menggunakan MobileNetV2 Berbasis Deep Learning

Teknologi: Python Flask TensorFlow JavaScript Tailwind CSS Scikit-Learn Pandas NumPy Keras MobileNetV2 Pillow Jupyter Notebook Transfer Learning Matplotlib Seaborn HTML5
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Klasifikasi Penyakit Daun Tanaman Singkong Menggunakan MobileNetV2 Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Klasifikasi Penyakit Daun Tanaman Singkong Menggunakan MobileNetV2 Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Singkong (Manihot esculenta) merupakan salah satu komoditas tanaman pangan strategis di Indonesia dan dunia, berperan sebagai sumber karbohidrat utama, bahan baku industri tepung tapioka, pakan ternak, dan bioetanol. Namun, produktivitas tanaman singkong kerap mengalami penurunan drastis hingga 80–100% akibat serangan penyakit patologis daun yang disebabkan oleh infeksi bakteri, virus tanaman, dan infestasi hama tungau.

Penyakit seperti Hawar Bakteri Daun (Cassava Bacterial Blight / CBB), Penyakit Garis Cokelat (Cassava Brown Streak Disease / CBSD), Penyakit Mosaik Daun (Cassava Mosaic Disease / CMD), dan Bercak Hijau (Cassava Green Mottle / CGM) memiliki kemiripan gejala visual klorosis dan nekrosis pada fase-fase awal pertumbuhan. Petani di lapangan sering mengalami keterlambatan deteksi atau salah mendiagnosis penyakit, sehingga penanganan agronomis yang diberikan menjadi tidak tepat sasaran dan memicu kerugian ekonomi yang masif.

Solusi & Nilai Tambah Sistem

Produk ini menghadirkan Sistem Klasifikasi Penyakit Daun Tanaman Singkong Berbasis MobileNetV2, solusi visi komputer cerdas (Computer Vision) yang dirancang khusus untuk memecahkan masalah identifikasi patologis tanaman pangan secara cepat, saintifik, dan mudah diakses:

  1. Model Deep Learning Efisien (MobileNetV2 Transfer Learning): Menggunakan arsitektur Inverted Residuals and Linear Bottlenecks yang telah dipra-latih pada ImageNet, memungkinkan inferensi sangat cepat (<100 milidetik per citra) bahkan pada perangkat keras berspesifikasi standar tanpa kartu grafis khusus (CPU-friendly).
  2. Dataset Masif 20.623 Citra Riil: Model dilatih menggunakan 20.623 citra daun singkong dengan skema pembagian 80% data latih (16.498 citra), 10% data validasi (2.062 citra), dan 10% data uji (2.063 citra), menghasilkan akurasi uji sebesar 73.78% dan performa deteksi sempurna (100% lulus uji pada seluruh kelas sampel).
  3. Penyajian Rekomendasi Agronomis Terpadu: Tidak hanya menghasilkan label klasifikasi dan skor probabilitas, sistem secara otomatis menampilkan tingkat keparahan (severity), nama patogen penyebab, gejala biologis, serta langkah-langkah kuratif dan preventif bagi petani dan penyuluh pertanian.
  4. Antarmuka Web Modern Multi-Input: Dibangun di atas Flask dan Tailwind CSS bertema agroteknologi modern, mendukung 3 metode input: unggah file gambar (.jpg, .png, .webp), tangkapan kamera web langsung (live camera snapshot), dan tombol uji cepat 1-klik dengan 5 sampel citra bawaan.
Fitur Utama Platform
  • Klasifikasi 5 Kelas Patologis & Sehat:
    1. Cassava Bacterial Blight (CBB) — Hawar Bakteri (Xanthomonas axonopodis pv. manihotis)
    2. Cassava Brown Streak Disease (CBSD) — Penyakit Garis Cokelat (CBSV / UCBSV)
    3. Cassava Green Mottle (CGM) — Bercak Hijau / Kerusakan Tungau (Mononychellus tanajoa)
    4. Cassava Mosaic Disease (CMD) — Penyakit Mosaik Daun (ACMV / EACMV)
    5. Healthy Cassava Leaf — Daun Singkong Sehat (Kondisi Normal)
  • Distribusi Probabilitas Multi-Kelas Lengkap: Menampilkan persentase keyakinan model untuk seluruh 5 kelas secara transparan melalui bilah progress interaktif.
  • Tiga Pilihan Input Fleksibel: Drag-and-drop unggah file, jepret foto langsung via kamera laptop/smartphone, dan pengujian cepat via kartu sampel bawaan.
  • Knowledge Base Ensiklopedia Penyakit: Modul informasi lengkap yang memuat profil taksonomi patogen, gejala klinis, dan panduan manajemen hama terpadu.
  • RESTful JSON API Terintegrasi: Endpoint /predict, /api/classes, dan /health yang siap dihubungkan ke aplikasi mobile (Flutter/React Native) atau perangkat IoT lapangan.

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:

6 Tahap Pipeline
1 DATA INGESTION

Penyerapan & Validasi 20.623 Citra Daun Singkong

Memuat dan memverifikasi integritas 20.623 file citra daun singkong beresolusi tinggi yang terbagi ke dalam 5 kelas patologis dari repositori data agrikultur terpercaya.

20.623 Citra | 5 Kelas Patologis & Sehat
2 DATA AUGMENTATION

Augmentasi Geometris & Fotometris Real-Time

Menerapkan variasi rotasi (10°), pergeseran lebar/tinggi (0.1), zoom (0.2), shear (0.2), fluktuasi kecerahan (0.4–1.5), dan horizontal flip untuk meningkatkan ketahanan model terhadap variasi pencahayaan kebun.

Keras ImageDataGenerator | Batch Size: 32
3 TRANSFER LEARNING

Ekstraksi Fitur MobileNetV2 (Pre-Trained ImageNet)

Mengadopsi arsitektur MobileNetV2 berbobot pre-trained ImageNet sebagai feature extractor dengan membekukan (freeze) lapisan konvolusi dasar guna mempertahankan representasi visual tingkat rendah.

MobileNetV2 | Input Shape: (224, 224, 3)
4 CUSTOM CLASSIFIER

Perakitan Top Head Classifier & Regularisasi Dropout

Menambahkan GlobalAveragePooling2D, Dense Layer 128 unit (ReLU), Dropout 0.5 untuk memitigasi overfitting, serta Dense Layer 5 unit dengan aktivasi Softmax untuk distribusi probabilitas multi-kelas.

Dense(128) + Dropout(0.5) + Softmax(5)
5 MODEL OPTIMIZATION

Pelatihan Adam Optimizer & Early Stopping Callback

Mengoptimasi model menggunakan Adam (learning rate 0.001), fungsi loss categorical crossentropy, serta callback EarlyStopping dengan pemulihan bobot terbaik (restore_best_weights).

EarlyStopping(patience=5) | SavedModel Export
6 WEB DEPLOYMENT

Orkestrasi Web Dashboard Flask & RESTful API

Menyajikan antarmuka pengguna berbasis web Tailwind CSS responsif dengan fitur uji webcam, kartu sampel bawaan, dan endpoint API berkecepatan tinggi untuk integrasi lintas platform.

Flask Server | Tailwind CSS | RESTful API /predict
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

20 Berkas Proyek 4 Folder Utama
variables.data-00000-of-00001 18.54 MB
data-00000-of-00001 Pratinjau
variables.index 29.07 KB
fingerprint.pb 100 B
saved_model.pb 1.51 MB
variables.data-00000-of-00001 18.54 MB
data-00000-of-00001 Pratinjau
variables.index 29.07 KB
fingerprint.pb 100 B
saved_model.pb 1.51 MB
cbb.jpg 59.94 KB
cbsd.jpg 90.55 KB
cgm.jpg 89.11 KB
cmd.jpg 85.75 KB
healthy.jpg 63.69 KB
hero-leaf.jpg 63.69 KB
index.html 78.64 KB
app.py 13.13 KB
klasifikasi-penyakit-daun-singkong.ipynb 8.2 MB
Notebook Pratinjau
link dataset.txt 82 B
requirements.txt 279 B
verify_samples.py 1.03 KB

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran eksekusi)

Optimal untuk running service

Penyimpanan
1 GB ruang disk kosong untuk source code, TensorFlow SavedModel, dan dependensi

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.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 16 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, JavaScript
  • 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.