Prediksi Kualitas Wine Berbasis Karakteristik Fisikokimia Menggunakan Machine Learning
Demo & Pengujian Sistem: Prediksi Kualitas Wine Berbasis Karakteristik Fisikokimia Menggunakan Machine Learning
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
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
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).
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.
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).
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.
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.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
wine+quality.zip
Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
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.
Belum ada ulasan untuk project ini.
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