🥭 MangiferaNet: AI-Powered Mango Disease Detection

MangiferaNet adalah sistem deteksi dini penyakit pada tanaman mangga (Mangifera indica) yang dikembangkan menggunakan teknologi Deep Learning dan Computer Vision. Proyek ini dirancang untuk membantu petani dan agronomis dalam mengidentifikasi patogen tanaman secara cepat, akurat, dan real-time melalui citra digital.

Sistem ini dikembangkan sebagai bagian dari proyek akhir Deep Learning Course, dengan fokus pada implementasi arsitektur Transfer Learning yang efisien untuk deployment pada perangkat edge atau web.

---

📋 Table of Contents

• Latar Belakang
• Dataset & Model
• Arsitektur Proyek
• Instalasi & Setup
• Panduan Penggunaan
• Tim Pengembang
• Lisensi

---

🎯 Latar Belakang

Penyakit pada daun mangga seringkali terlambat dideteksi secara visual, menyebabkan penurunan hasil panen yang signifikan. MangiferaNet hadir sebagai solusi cerdas yang mampu mengklasifikasikan 5 kondisi kesehatan daun dengan presisi tinggi:

1. Anthracnose (Antraknosa - Colletotrichum gloeosporioides)
2. Golmichi (Gall Midge)
3. Powdery Mildew (Embun Tepung - Oidium mangiferae)
4. Turning Brown (Nekrosis/Stress Nutrisi)
5. Healthy (Tanaman Sehat)

---

🧠 Dataset & Model

Dataset

Kami menggunakan SAR-MLD1-2025 (High Quality Mango Leaf Dataset) yang telah melalui proses preprocessing ketat:

• Resize: 224×224 piksel
• Normalisasi: Min-Max scaling (0-1)
• Augmentasi Data: Rotasi, Flip, Brightness adjustment

Performance Benchmark

Dalam pengembangan ini, kami melakukan komparasi eksperimental antara dua arsitektur State-of-the-Art:

Model Architecture	Test Accuracy	Model Size	Inference Speed	Deployment Status
ResNet50V2	~91.9%	~101 MB	Medium	Research Benchmark
MobileNetV2	~90.3%	~11 MB	Very Fast	Production (Deployed) ✅

Keputusan: MobileNetV2 dipilih untuk versi produksi karena menawarkan trade-off terbaik antara akurasi dan latensi, memungkinkan aplikasi berjalan mulus di lingkungan web (Streamlit).

---

🛠️ Arsitektur Proyek

Struktur repositori ini disusun secara modular mengikuti standar Data Science Cookiecutter untuk memudahkan maintenance dan kolaborasi:

MangiferaNet/
│
├── app/                        # Production Code (Streamlit)
│   ├── app.py                  # Main Application Entry Point
│   └── best_mobnet.h5          # Serialized Model (Ready for Inference)
│   └── requirements.txt        # Project Dependencies
│
├── data/                       # Data Management (Local only)
│   ├── raw/                    # Immutable Original Data
│   └── README.md               # Project Documentation
│
├── notebooks/                  # Research & Experiments
│   ├── mangiferanet-eda.ipynb       # Data Distribution & Visual Analysis
│   └── mangiferanet-training.ipynb  # Model Training, Tuning & Evaluation
│
├── outputs/                     # Outputs
│   ├── models                   # .h5 Model
│   └── plots                    # Plots Comparative
|
├── report/                       # Report
│   ├── mangiferanet-proposal.pdf # Project Proposal
│   ├── mangiferanet-report.pdf   # Project Final Report
│   └── README.md               # Project Documentation
|
├── src/                        # Modular Source Code
│   ├── __init__.py
│   ├── config.py               # Global Configuration & Constants
│   └── preprocess.py           # Unified Preprocessing Pipeline
│
├── requirements.txt            # Project Dependencies
└── README.md                   # Project Documentation

---

⚙️ Instalasi & Setup

Ikuti langkah-langkah berikut untuk menjalankan sistem di lingkungan lokal Anda:

1. Clone Repository

git clone https://github.com/SergioWinn/MangiferaNet.git
cd MangiferaNet

2. Setup Virtual Environment (Recommended)

Isolasi dependensi proyek menggunakan venv:

# Windows
python -m venv venv
venv\Scripts\activate

# Mac/Linux
python3 -m venv venv
source venv/bin/activate

3. Install Dependencies

Pastikan Anda berada di root directory (MangiferaNet/), lalu jalankan:

pip install -r requirements.txt

4. Setup Model File

Pastikan file model pre-trained (best_mobnet.h5) telah ditempatkan di dalam direktori app/.

Catatan: Jika Anda mengunduh dari rilis GitHub/Kaggle, pindahkan file tersebut secara manual ke folder app/.

---

📖 Panduan Penggunaan

Setelah instalasi selesai, Anda dapat menjalankan aplikasi web interaktif MangiferaNet.

1. Menjalankan Server

Jalankan perintah berikut dari root directory proyek:

streamlit run app/app.py

Aplikasi akan otomatis terbuka di browser default Anda (biasanya http://localhost:8501).

2. Menggunakan Aplikasi

Navigasi

Gunakan Navigation Bar untuk berpindah antara menu:

• 🏠 Home - Informasi umum dan fitur sistem
• 🔍 Detect - Upload gambar dan deteksi penyakit
• 📊 Info - Informasi lengkap setiap penyakit
• ℹ️ About - Tentang sistem dan statistik model

Upload Gambar

1. Masuk ke menu Detect
2. Klik tombol "Browse files"
3. Pilih citra daun mangga (format JPG/JPEG/PNG)
4. Metadata file akan ditampilkan

Analisis & Hasil

1. Klik tombol 🔍 Deteksi Penyakit
2. Sistem akan memproses citra dalam hitungan detik
3. Hasil yang ditampilkan:
   • Prediksi utama dengan confidence score
   • Top-3 prediksi dengan threshold slider
   • Grafik distribusi probabilitas
   • Informasi lengkap dan rekomendasi penanganan

---

👥 Tim Pengembang

Proyek ini dikembangkan dengan dedikasi oleh tim yang berpengalaman di bidang Data Science dan AI:

Nama	NIM	Role	Fokus Area
Sergio Winnero	2702240166	Lead Developer & AI Engineer	Data Preprocessing, Model Training, Arsitektur Model, Deployment Streamlit, Integrasi Sistem, Model Deployment, CI/CD Pipeline
Samuel Setiawan	2702258024	Data Scientist & Research Lead	Data Preprocessing, EDA, Augmentation Strategy, Production Monitoring
Karina Vanya Wardoyo	2702350024	Full Stack Engineer & UI/UX Designer	Frontend Development, Web Interface, User Experience Design

---

📜 Lisensi & Citation

License: MIT License

Jika Anda menggunakan repositori ini untuk penelitian atau referensi, harap cantumkan kredit ke repositori ini.

---

Developed with ❤️ for the advancement of Smart Agriculture.