Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Prediksi Durasi Olahraga untuk Membakar Kalori Makanan Cepat Saji Berbasis Machine Learning
Prediksi Durasi Olahraga untuk Membakar Kalori Makanan Cepat Saji Berbasis Machine Learning
Machine Learning Tingkat: Intermediate Versi 1.0.0 39 Dilihat
5.0 (0 ulasan)

Prediksi Durasi Olahraga untuk Membakar Kalori Makanan Cepat Saji Berbasis Machine Learning

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

Demo & Pengujian Sistem: Prediksi Durasi Olahraga untuk Membakar Kalori Makanan Cepat Saji Berbasis Machine Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Prediksi Durasi Olahraga untuk Membakar Kalori Makanan Cepat Saji Berbasis Machine Learning via TikTok.

Overview & Cara Kerja

MetaboShock merupakan sistem kecerdasan buatan (Artificial Intelligence) berbasis Supervised Machine Learning, pemodelan nutrisi biometrik, dan fisiologi pembakaran energi (Ainsworth MET Compendium) yang dirancang untuk memprediksi tingkatan beban metabolik (workout shock tier), durasi olahraga kompensasi multi-modalitas (jalan cepat, bersepeda, lari jarak jauh, dan sirkuit HIIT), serta menyusun strategi pemecahan latihan (split workout plan) adaptif pasca-konsumsi makanan cepat saji (fast food / cheat meal).

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 & AUDIT

8.000 Fast Food Order Ingestion

Ingesti dan audit integritas 8.000 baris data pesanan makanan cepat saji dari 9 restoran waralaba terkemuka dipadukan dengan biometrik konsumen tanpa nilai hilang (zero missing values).

Pandas & Telemetry Audit
2 FEATURE ENGINEERING

Nutritional & Metabolic Density Ratios

Formulasi 5 fitur rasio makronutrien (fat ratio, carb ratio, protein ratio, sugar density, cal/kg), kalkulasi TEF dan net surplus, serta eliminasi total variabel durasi post-hoc untuk mencegah 100% data leakage.

Domain Biophysical Features
3 PREPROCESSING

ColumnTransformer & Stratified Split

Penyekalaan 18 fitur numerik dengan StandardScaler, One-Hot Encoding 4 fitur kategorikal menggunakan ColumnTransformer, dan pembagian data Stratified 80:20 berbobot seimbang.

Scikit-Learn ColumnTransformer
4 BENCHMARK

8-Algorithm Classification Benchmark

Pelatihan dan evaluasi komparatif 8 algoritma Machine Learning pada 1.600 sampel data uji, menetapkan Gradient Boosting sebagai model terbaik (Test Accuracy 93.50%, Macro F1 0.8780).

Gradient Boosting (Best Model)
5 DEPLOYMENT

Flask Web App & Multi-Modal Recommender

Deployment pipeline produksi ke antarmuka web interaktif MetaboShock berbasis Flask dan Tailwind CSS, dilengkapi kalkulator multi-modalitas MET, generator split workout, dan endpoint REST API real-time.

Flask & Tailwind CSS
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

9 Berkas Proyek 1 Folder Utama Paket ZIP 1.01 MB
index.html 77.81 KB
app.py 12.21 KB
best_workout_shock_model.joblib 1015.68 KB
AI Model Pratinjau
fast_food_cheat_meal_workout_burn.csv 1.29 MB
Dataset Pratinjau
label_encoder.joblib 564 B
AI Model Pratinjau
README.md 4.53 KB
markdown Pratinjau
requirements.txt 559 B
smart_cheat_meal_compensator.ipynb 588.57 KB
Notebook Pratinjau

fast-food-calorie-shock-machine-learning.zip

Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.

Beli untuk Unduh ZIP

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS (Intel/Apple Silicon), Linux (Ubuntu 20.04+)

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 eksplorasi data dan pelatihan 8 model ML)

Optimal untuk running service

Penyimpanan
Min. 500 MB Free Storage (Dataset CSV 1.35 MB, artefak model .joblib 1 MB, dan pustaka Python)

Untuk berkas & dependensi

Database & Layanan
Tidak membutuhkan database SQL eksternal (Dataset CSV & artefak model .joblib mandiri / self-contained)
Hardware / Catatan Khusus
CPU standar multi-core sangat memadai; pelatihan model membutuhkan ~15 detik dan latensi inferensi Flask < 20 milidetik

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: 39 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, HTML, CSS
  • 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.