Jernihin
1.0.0
Cliquez ici pour voir Jernihin .
Jernihin est un programme d'apprentissage automatique sur un site Web indonésien qui est actuellement en train d'être développé par 4 développeurs de l'équipe SIB3 Capstone C22-078 dans le programme Machine Learning and Front-End Developer par SIB Dicoding X Kampus Merdeka Batch 3 .
Une ressource naturelle qui a un grand potentiel pour les êtres vivants et continue d'augmenter chaque année est l'eau. Selon les données sur les objectifs de développement durable (ODD), l'indice de qualité de l'eau de l'Indonésie pour 2020 est de 53,53, une augmentation par rapport à l'année précédente [1]. Les mesures de l'eau peuvent être observées à partir de variables chimiques telles que la valeur du pH, la turbidité, le phosphore, l'azote, l'oxygène et d'autres qui jouent un rôle important dans la détermination de la qualité de l'eau. Pour découvrir la qualité de l'eau doit être surveillé régulièrement [2].
L'un des efforts pour aider la stratégie de gestion des ressources en eau est de créer un système qui peut surveiller la qualité de la teneur en eau. Sur la base des problèmes ci-dessus, nous avons décidé de créer une application de site Web en utilisant des méthodes d'apprentissage en profondeur pour prédire la qualité de l'eau à partir de plusieurs variables. Cette application devrait fournir une autre alternative dans la gestion et la surveillance de la qualité de l'eau.
Sur la base de l'arrière-plan décrit ci-dessus, l'objectif et l'objectif de ce projet sont:
Ce site Web vise à aider la communauté comme un service public pour aider à décider et à déterminer la qualité de l'eau. Cette fonctionnalité devrait aider à une meilleure gestion des ressources en eau.
Jernihin a une caractéristique qui peut aider les gens à identifier la qualité de l'eau en fonction de la teneur dans l'eau qui se compose de fécal, d'oxygène, de pH, de sédiments, de température, d'azote, de phosphore et de turbidité. Cette fonctionnalité devrait être en mesure d'aider ses utilisateurs à cartographier et à identifier la qualité de l'eau.
Cette étape sera expliqué brièvement à travers deux étapes, consistant en:
Les étapes pour créer votre environnement virtuel à partir de ce projet sont les suivantes:
Cloner ce référentiel
git clone https://github.com/aNdr3W03/Jernihin.gitInstaller un environnement virtuel Python
virtualenv venvInstallez toutes les exigences dans "Exigences.txt"
pip install -r requirements.txtImporter un serveur d'applications et d'exécution FLASK
export FLASK_APP=app.py
flask runou
python app.py Arrêtez le programme d'application ou le serveur par ctrl + c .
Connectez-vous sur le compte ferroviaire avec e-mail ou GitHub ACOOUNT
Créer un nouveau projet
Choisissez Déployer Form GitHub Repo
Choisissez le projet d'association que vous souhaitez déployer
Obtenez la saisie des utilisateurs de la forme HTML sous forme de fécal, d'oxygène, de pH, de sédiments, de température, d'azote, de phosphore et de turbidité. Ces paramètres sont extraits en tant que valeurs de remplacement qui seront prédites plus tard. La plage de valeur se situe entre 0 et 100 pour chaque entrée.
Échellez l'entrée de l'utilisateur dans le tableau Numpy pour l'inférence.
Prédisez l'entrée de l'utilisateur à l'aide du modèle qui a été fabriqué. Le modèle utilisé est l'algorithme d'apprentissage basé sur des arbres de classificateur de forêt aléatoire. Cela renverra le résultat d'un tableau de prédictions de modèle à partir de toutes les entrées entrées.
Étiquettes prédictives de sortie sous la forme d'obtenir de véritables résultats lisibles. Ensuite, cette valeur entière est convertie en une chaîne de résultats en fonction de l'étiquette qui correspond au signe. Le résultat de ce processus est une série de résultats prédictifs, tels que "Excellent", "bon", "juste", "marginal" et "pauvre".
Le résultat de prédiction final est renvoyé à la page de prédiction pour être affiché à l'utilisateur.
La planification de la gestion des risques et les problèmes possibles qui se produiront pendant le travail de ce projet ont été réalisés en utilisant une analyse SWOT, à savoir les forces, les faiblesses, les opportunités et les menaces. Cette analyse a été réalisée pour cartographier et identifier les forces, les faiblesses, les opportunités et les menaces qui pourraient survenir lors du développement de ce projet.
Pour le document initial, un graphique Gantt a été conçu pour suivre le début de la liste convenue. La fabrication d'un graphique Gantt réalisé sur ProjectLibre pour plus de détails sur le calendrier peut être vu dans le document Gantt Chart sur le lien Gantt Gantt Gantt, ou dans l'image ci-dessous:
Jernihin Project Gantt Chart
Ce référentiel Jernihin est divisé en 2 branches :
Main (branche principale)
La branche main est utilisée comme branche d'intégration pour le développement de l'affichage frontal et le développement du modèle d'apprentissage automatique. Le plan consiste à utiliser le framework Flask pour créer et intégrer des sites Web et un modèle d'apprentissage automatique dans son ensemble.
Dev (branche de développement)
La branche dev est utilisée pendant le processus de détermination des ressources initiales ou peut être appelée un environnement où essayer différentes choses à utiliser dans le projet afin que, finalement, lorsque vous avez trouvé les ressources appropriées, les documents seront déplacés de Dev à la branche principale.
Plateforme communautaire Amerigeoss Datahub
Scores de paramètres WQI 1994-2013
En travaillant sur ce projet, plusieurs ressources de projet ou de projet sont des ressources nécessaires.
Langue
Cadre
Bibliothèque
Icônes et images
Déploiement
[1] H. Said, NH Matondang et Hn Irmanda, "Sistem Prediksi Kualitas Air Yang Dapat Dikonsumsi Dengan Menerapkan Algoritma K-nearest Vestin," Seminar Nasional Mahasiswa Ilmu Komputer Dan aplikasinya (Senamika) , Vol. 3, non. 1, pp. 158-168, avril 2022. Consulté: 12 octobre 2022. [En ligne]. Disponible: https://conference.upnvj.ac.id/index.php/senamika/article/view/2017
[2] Mhd Barang Dan Sk Saptomo, "Analysis Kualitas Air Pada Jalur Distribusi Air Bersih Di Gedung Baru Fakultas Ekonomi Dan Manajemen Institut Pertanian Bogor," Jurnal Teknik Sipil Dan Lingkungan (J-Sil) , vol. 4, no. 1, pp. 13-24, avril 2019. Consulté: 12 octobre 2022. Doi: 10.29244 / jsil.4.1.13-24. [En ligne]. Aivailable: https://journal.ipb.ac.id/index.php/jsil/article/view/23735
[3] Gouvernement de Terre-Neuve-et-Labrador, « Index de la qualité de l'eau potable». "Gov.nl.ca. https://www.gov.nl.ca/ecc/waterres/quality/dingwater/dwqi (consulté le 12 octobre 2022).
[4] Nutan, " Déployer le modèle d'apprentissage automatique avec Flask sur Heroku. " Medium.com. https://medium.com/@nutanbhogendrasharma/deploy-machine-learning-model-with-flask-on-heroku-cd079b692b1d (consulté le 12 octobre 2022).
[5] A. Sridhar, " Comment déployer le modèle d'apprentissage automatique à l'aide de Flask (ensemble de données IRIS) | Python. " YouTube.com. https://youtu.be/2lqrfezuimk (consulté le 23 novembre 2022).
[6] K. Naik, " Déployer le modèle d'apprentissage automatique à l'aide de FLASK. " YouTube.com. https://youtu.be/ubcwomf80py (consulté le 23 novembre 2022).
Merdeka Belajar Kampus Merdeka (MBKM) 2022
Cycle de dicodage de la fraude 3
Équipe C22-078 Capstone
