Jernihin
1.0.0
Klik di sini untuk melihat Jernihin .
Jernihin adalah program pembelajaran mesin di situs web berbasis di Indonesia yang saat ini sedang dalam proses dikembangkan oleh 4 pengembang dari tim SIB3 Capstone C22-078 dalam pembelajaran mesin dan program pengembang web front-end oleh SIB Dicoding x Kampus Merdeka Batch 3 .
Sumber daya alam yang memiliki potensi besar untuk makhluk hidup dan terus meningkat setiap tahun adalah air. Menurut Data tentang Tujuan Pembangunan Berkelanjutan (SDG), Indeks Kualitas Air Indonesia untuk tahun 2020 adalah 53,53, peningkatan dari tahun sebelumnya [1]. Pengukuran air dapat dilihat dari variabel kimia seperti nilai pH, kekeruhan, fosfor, nitrogen, oksigen, dan lainnya yang memainkan peran penting dalam menentukan kualitas air. Untuk mengetahui kualitas air perlu dipantau secara teratur [2].
Salah satu upaya untuk membantu strategi manajemen sumber daya air adalah menciptakan sistem yang dapat memantau kualitas kadar air. Berdasarkan masalah di atas, kami memutuskan untuk membangun aplikasi situs web menggunakan metode pembelajaran mendalam untuk memprediksi kualitas air dari beberapa variabel. Aplikasi ini diharapkan memberikan alternatif lain dalam pengelolaan dan pemantauan kualitas air.
Berdasarkan latar belakang yang dijelaskan di atas, tujuan dan tujuan dari proyek ini adalah:
Situs web ini bertujuan untuk membantu masyarakat sebagai utilitas untuk membantu memutuskan dan menentukan kualitas air. Fitur ini diharapkan dapat membantu dalam pengelolaan sumber daya air yang lebih baik.
Jernihin memiliki fitur yang dapat membantu orang untuk mengidentifikasi kualitas air berdasarkan kandungan dalam air yang terdiri dari tinja, oksigen, pH, sedimen, suhu, nitrogen, fosfor, dan kekeruhan. Fitur ini harus dapat membantu penggunanya memetakan dan mengidentifikasi kualitas air.
Langkah ini akan dijelaskan secara singkat melalui dua tahap, terdiri dari:
Langkah -langkah untuk menciptakan lingkungan virtual Anda dari proyek ini adalah sebagai berikut:
Kloning repositori ini
git clone https://github.com/aNdr3W03/Jernihin.gitPasang lingkungan virtual Python
virtualenv venvPasang semua persyaratan di dalam "persyaratan.txt"
pip install -r requirements.txtImpor Aplikasi Flask & Jalankan Server
export FLASK_APP=app.py
flask runatau
python app.py Hentikan program aplikasi atau server dengan ctrl + c
Masuk ke akun kereta api dengan email atau github acoount
Buat proyek baru
Pilih Deploy Form Github Repo
Pilih Proyek Respositori yang ingin Anda gunakan
Dapatkan input pengguna dari bentuk HTML dalam bentuk tinja, oksigen, pH, sedimen, suhu, nitrogen, fosfor, dan kekeruhan. Parameter ini diekstraksi sebagai nilai penggantian yang akan diprediksi nanti. Rentang nilai adalah antara 0 dan 100 untuk setiap input.
Skala input pengguna ke dalam array numpy untuk inferensi.
Memprediksi input pengguna menggunakan model yang telah dibuat. Model yang digunakan adalah Algoritma Pembelajaran Berbasis Pohon Klasifikasi Hutan Acak. Ini akan mengembalikan hasil dari serangkaian prediksi model dari semua input yang telah dimasukkan.
Label prediktif output dalam bentuk memperoleh hasil yang dapat dibaca nyata. Kemudian, nilai integer ini dikonversi ke string hasil berdasarkan label yang cocok dengan tanda. Hasil dari proses ini adalah serangkaian hasil prediktif, seperti "luar biasa", "baik", "adil", "marjinal", dan "miskin".
Hasil prediksi akhir dikembalikan ke halaman prediksi yang akan ditampilkan kepada pengguna.
Perencanaan manajemen risiko dan kemungkinan masalah yang akan terjadi selama pekerjaan proyek ini dilakukan dengan menggunakan analisis SWOT, yaitu kekuatan, kelemahan, peluang, dan ancaman. Analisis ini dilakukan untuk memetakan dan mengidentifikasi kekuatan, kelemahan, peluang, dan ancaman yang mungkin terjadi selama pengembangan proyek ini.
Untuk dokumen awal, grafik Gantt telah dibuat untuk melacak awal daftar yang disepakati. Membuat Bagan Gantt Dilakukan di ProjectLibre untuk perincian jadwal dapat dilihat dalam dokumen grafik Gantt pada tautan grafik Gantt berikut, atau pada gambar di bawah ini:
Jernihin Project Gantt Chart
Repositori Jernihin ini dibagi menjadi 2 cabang :
Utama (Cabang Master)
Cabang main digunakan sebagai cabang integrasi untuk pengembangan tampilan ujung depan dan pengembangan model pembelajaran mesin. Rencananya adalah menggunakan kerangka kerja Flask untuk membangun dan mengintegrasikan situs web dan model pembelajaran mesin secara keseluruhan.
dev (cabang pengembangan)
Cabang dev digunakan selama proses menentukan sumber daya awal atau dapat disebut lingkungan di mana untuk mencoba berbagai hal untuk digunakan dalam proyek sehingga pada akhirnya ketika Anda telah menemukan sumber daya yang tepat, dokumen akan dipindahkan dari dev ke cabang utama.
DataHub Platform Komunitas Amerigeoss
Dataset Parameter WQI 1994-2013
Dalam mengerjakan proyek ini, beberapa sumber daya proyek atau proyek adalah sumber daya yang diperlukan.
Bahasa
Kerangka
Perpustakaan
Ikon dan gambar
Penyebaran
[1] H. Said, NH Matondang dan Hn Irmanda, "SISTEM PREDIKSI KUALITAS AIR Yang Dapat DIKONSUMSI DENGAN MENERAPKAN ALGORITMA K-NEAREST GREETS," Seminar Nasional Mahasiswa) Komputer Komputer Dan Aplikasinya (Senamika) , Vol. 3, tidak. 1, hlm. 158-168, April 2022. Diakses: 12 Oktober 2022. [Online]. Tersedia: https://conference.upnvj.ac.id/index.php/senamika/article/view/2017
[2] MHD Barang Dan SK Saptomo, "Analisis 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, tidak. 1, hlm. 13-24, April 2019. Diakses: 12 Oktober 2022. DOI: 10.29244/jsil.4.1.13-24. [On line]. Aivailable: https://journal.ipb.ac.id/index.php/jsil/article/view/23735
[3] Pemerintah Newfoundland dan Labrador, " Indeks Kualitas Air Minum. " Gov.nl.ca. https://www.gov.nl.ca/ecc/waterres/quality/drinkingwater/dwqi (diakses 12 Oktober 2022).
[4] Nutan, " Deploy Model Pembelajaran Mesin dengan Flask on Heroku. " Medium.com. https://medium.com/@nutanbhogendrasharma/deploy-machine-learning-model-with-flask-on-heroku-cd079b692b1d (diakses 12 Oktober 2022).
[5] A. Sridhar, " Cara Menerus Model Pembelajaran Mesin Menggunakan Flask (Iris Dataset) | Python. " YouTube.com. https://youtu.be/2lqrfezuimk (diakses 23 November 2022).
[6] K. Naik, " Deploy Model Pembelajaran Mesin Menggunakan Flask. " YouTube.com. https://youtu.be/ubcwomf80py (diakses 23 November 2022).
Merdeka Belajar Kampus Merdeka (MBKM) 2022
Sikoder Dicoding SIB 3
Tim Capstone C22-078
