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.
Prediksi Kualitas Wine Berbasis Karakteristik Fisikokimia Menggunakan Machine Learning
Prediksi Kualitas Wine Berbasis Karakteristik Fisikokimia Menggunakan Machine Learning
Machine Learning Tingkat: Intermediate Versi 1.0.0 23 Dilihat
5.0 (0 ulasan)

Prediksi Kualitas Wine Berbasis Karakteristik Fisikokimia Menggunakan Machine Learning

Teknologi: Python Flask HTML CSS JavaScript Machine Learning XGBoost Scikit-Learn Pandas NumPy Joblib Gradient Boosting Random Forest Decision Tree Support Vector Machine
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Prediksi Kualitas Wine Berbasis Karakteristik Fisikokimia Menggunakan Machine Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Prediksi Kualitas Wine Berbasis Karakteristik Fisikokimia Menggunakan Machine Learning via TikTok.

Overview & Cara Kerja

VitisAI Wine Quality System merupakan platform cerdas analisis kimiawi enologi (Enological Chemical Analytics) dan sistem prediksi kualitas minuman anggur (wine) berbasis Machine Learning yang mengimplementasikan Dual Inference Engine (Klasifikasi Kategori Mutu dan Regresi Skor Kontinu). Menggunakan dataset benchmark internasional UCI Wine Quality sebanyak 6.497 sampel yang mencakup anggur merah (red wine) dan anggur putih (white wine), sistem ini mengekstraksi 16 fitur prediktor (11 parameter fisikokimia laboratorium, 1 identitas varian anggur, serta 4 fitur rekayasa rasio enologis). Melalui komparasi 8 algoritma Machine Learning, model terpilih Random Forest Classifier berhasil meraih Akurasi Pengujian 88.15%, Weighted F1-Score 0.8741, dan ROC-AUC 0.9077, dipadukan dengan Random Forest Regressor yang memprediksi nilai mutu kontinu dengan RMSE 0.5892, MAE 0.4263, dan R² Score 0.5122.

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 & HARMONIZATION

Dataset Merge (6,497 Samples: Red & White Wine) & Quality Target Thresholding

Mengintegrasikan 1.599 sampel anggur merah dan 4.898 sampel anggur putih dari UCI Machine Learning Repository. Menetapkan ambang biner Kualitas Tinggi (High Quality, skor >= 7) vs Kualitas Standar (Standard Quality, skor < 7) serta mempertahankan label numerik kontinu (skor 3-9).

6,497 Samples & UCI Dataset
2 ENOLOGICAL FEATURE ENGINEERING

16 Enological Predictor Engineering & Physicochemical Standardization

Rekayasa 4 fitur enologi baru: Total Keasaman (total_acidity), Rasio Sulfur Bebas Aktif (free_sulfur_ratio), Sulfur Dioksida Terikat (bound_sulfur_dioxide), dan Rasio Keasaman Tetap-Volatil (acidity_ratio). Seluruh 16 fitur dinormalisasi menggunakan StandardScaler terlatih.

16 Features & StandardScaler
3 CLASSIFICATION BENCHMARKING

8 ML Algorithms Benchmarking & Hyperparameter Tuning (GridSearchCV)

Pelatihan dan evaluasi komparatif 8 algoritma klasifikasi pada 1.300 data uji independen. Random Forest Classifier terpilih sebagai model terbaik dengan Akurasi Uji 88.15%, F1-Score 0.8741, dan ROC-AUC 0.9077 setelah penyesuaian parameter (n_estimators=100, max_depth=18).

Random Forest 88.15% & ROC-AUC 0.9077
4 REGRESSION SCORE MODELING

Continuous Quality Score Modeling (Random Forest, XGBoost & Ridge)

Pengembangan model regresi untuk memprediksi skor kualitas kontinu pada skala 0-10. Random Forest Regressor mencatatkan performa terbaik dengan Root Mean Squared Error (RMSE) 0.5892, Mean Absolute Error (MAE) 0.4263, dan R² 0.5122.

RMSE 0.5892 & MAE 0.4263
5 DEPLOYMENT & ENOLOGY DIAGNOSTICS

Flask Backend, Dual Inference Engine & Modern Purple-White UI

Deployment model ke aplikasi web Flask modern bertema ungu anggur dan putih elegan. Dilengkapi mesin diagnosa enologi kimiawi (alkohol, asam asetat, proteksi SO2, pH), penentuan Grade A/B/C, 4 preset uji instan, dan visualisasi interaktif.

Flask, Dual Engine & Enology Diagnostics
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

15 Berkas Proyek 4 Folder Utama Paket ZIP 89.21 KB
winequality-red.csv 82.23 KB
Dataset Pratinjau
winequality-white.csv 258.23 KB
Dataset Pratinjau
winequality.names 3.23 KB
best_wine_classifier.joblib 7.26 MB
AI Model Pratinjau
best_wine_regressor.joblib 19.97 MB
AI Model Pratinjau
model_metadata.json 1.25 KB
wine_scaler.joblib 1.43 KB
AI Model Pratinjau
wine_quality_hero.jpg 629.99 KB
index.html 77.66 KB
app.py 17.18 KB
README.md 5.64 KB
markdown Pratinjau
requirements.txt 124 B
Wine_Quality_Analysis_and_Modeling.ipynb 1.7 MB
Notebook Pratinjau

wine+quality.zip

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

Beli untuk Unduh ZIP

Dokumentasi Teknis

Tersedia dokumentasi teknis komprehensif untuk project ini:

Buka Reader

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 eksekusi notebook dan server Flask)

Optimal untuk running service

Penyimpanan
Min. 500 MB ruang kosong untuk dependensi Scikit-Learn, XGBoost, berkas model Joblib (total ~29 MB), dan dataset

Untuk berkas & dependensi

Database & Layanan
Tidak memerlukan database SQL eksternal (Model machine learning dan metadata tersimpan secara mandiri dalam format Joblib dan JSON)
Hardware / Catatan Khusus
Artefak model machine learning telah dilatih dan diekspor dalam direktori models/ sehingga aplikasi web Flask dapat langsung dijalankan seketika tanpa perlu proses training ulang. Latensi inferensi CPU sangat cepat (< 5 ms per request).

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: 23 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.