docs: document Rust ONNX ML service

Update documentation to reflect migration from FastAPI/Uvicorn to Rust/Axum with ONNX Runtime:

- Root README: Update ML service description, tech stack, prerequisites, and run instructions to use Rust/Cargo instead of Python/Uvicorn
- Root README: Update model path references from best_model.keras to model.onnx
- Root README: Add model.onnx to artifact lists and generated files
- Root README: Update troubleshooting section with Rust-specific guidance
- Machine_Learning/README: Add table of contents entry for ONNX conversion
- Machine_Learning/README: Add Tahap 5 section documenting ONNX conversion with convert_onnx.py and validate_onnx_parity.py
- Machine_Learning/README: Update output table to include model.onnx with Rust ONNX Runtime usage
- apps/ml-service/README: Create comprehensive documentation for Rust Axum ONNX service including setup, endpoints, environment variables, testing, and troubleshooting

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

Machine_Learning/README.md

@@ -14,8 +14,9 @@ Pipeline lengkap untuk klasifikasi penyakit daun jagung menggunakan **EfficientN
 6. [Tahap 2 — Upload ke Google Drive & Training di Colab](#6-tahap-2--upload-ke-google-drive--training-di-colab)
 7. [Tahap 3 — Download Model dari Colab](#7-tahap-3--download-model-dari-colab)
 8. [Tahap 4 — Ekspor Model untuk Produksi](#8-tahap-4--ekspor-model-untuk-produksi)
-9. [Output Akhir](#9-output-akhir)
+9. [Tahap 5 — Konversi ke ONNX](#9-tahap-5--konversi-ke-onnx)
-10. [Troubleshooting](#10-troubleshooting)
+10. [Output Akhir](#10-output-akhir)
+11. [Troubleshooting](#11-troubleshooting)
 
 ---
 
@@ -314,9 +315,34 @@ tensorflowjs_converter \
     model/tfjs_model
 ```
 
+### Langkah 3: Konversi ke ONNX (untuk Rust ONNX Runtime)
+
+Konversi SavedModel ke format ONNX untuk digunakan oleh layanan inferensi Rust:
+
+```bash
+python convert_onnx.py
+```
+
+Skrip ini akan:
+1. Memuat model dari `model/saved_model/`.
+2. Mengonversi ke format ONNX.
+3. Menyimpan ke `model/model.onnx`.
+
+Model ONNX ini digunakan oleh layanan inferensi Rust di `apps/ml-service/` untuk performa dan kompatibilitas lintas platform yang lebih baik.
+
+#### Validasi Parity ONNX
+
+Untuk memverifikasi bahwa model ONNX menghasilkan prediksi yang sama dengan SavedModel asli, jalankan:
+
+```bash
+python validate_onnx_parity.py /path/to/corn-leaf.jpg
+```
+
+Skrip ini akan membandingkan output prediksi antara SavedModel dan ONNX untuk memastikan keakuratan konversi.
+
 ---
 
-## 9. Output Akhir
+## 10. Output Akhir
 
 Setelah seluruh pipeline selesai dijalankan, berikut file output yang tersedia:
 
@@ -325,13 +351,14 @@ Setelah seluruh pipeline selesai dijalankan, berikut file output yang tersedia:
 | `dataset/` | Folder gambar terstruktur | Dataset akhir hasil preprocessing |
 | `dataset.zip` | ZIP | Dataset untuk diupload ke Google Drive / Colab |
 | `best_model/best_model.keras` | Keras | Model terlatih lengkap (dengan optimizer) |
-| `model/saved_model/` | SavedModel (PB) | Inferensi server-side & jembatan konversi TFJS |
+| `model/saved_model/` | SavedModel (PB) | Inferensi server-side & jembatan konversi TFJS/ONNX |
 | `model/model.tflite` | TFLite | Inferensi di perangkat **Android / iOS** |
+| `model/model.onnx` | ONNX | Inferensi server-side via **Rust ONNX Runtime** |
 | `model/tfjs_model/` | TensorFlow.js | Inferensi di **browser / Node.js** |
 
 ---
 
-## 10. Troubleshooting
+## 11. Troubleshooting
 
 ### `FileNotFoundError: dataset_1.zip tidak ditemukan`
 **Solusi:** Pastikan ketiga file ZIP sudah diunduh dan diletakkan di direktori yang sama dengan `preprocessing.py`.

README.md

@@ -6,7 +6,7 @@ ZeaVis Edu adalah aplikasi edukasi untuk membantu mengenali penyakit daun jagung
 
 - Aplikasi web untuk pengalaman pengguna dan interaksi edukatif.
 - API backend untuk status layanan, integrasi data, dan komunikasi dengan layanan ML.
-- ML service berbasis FastAPI untuk inferensi penyakit daun jagung dari gambar.
+- ML service berbasis Rust/Axum dengan ONNX Runtime untuk inferensi penyakit daun jagung dari gambar.
 - Pipeline machine learning untuk preprocessing dataset, training di Google Colab, dan ekspor model produksi.
 - Dukungan Docker untuk deployment web, API, dan ML service.
 - Workspace monorepo berbasis Bun dan Moon untuk menjalankan task development, typecheck, dan build secara terpusat.
@@ -28,7 +28,7 @@ Model klasifikasi menargetkan empat label berbahasa Indonesia:
 .
 ├── apps/
 │   ├── api/              # Backend Elysia/Bun
-│   ├── ml-service/       # Layanan inferensi FastAPI + TensorFlow
+│   ├── ml-service/       # Layanan inferensi Rust/Axum + ONNX Runtime
 │   └── web/              # Frontend React + Vite
 ├── Machine_Learning/     # Pipeline dataset, training, dan ekspor model
 ├── packages/
@@ -59,11 +59,12 @@ Model klasifikasi menargetkan empat label berbahasa Indonesia:
 
 ### Machine Learning
 
-- Python
+- Python (preprocessing, training, export)
 - TensorFlow/Keras
 - EfficientNetV2B0
-- FastAPI
+- Rust
-- Uvicorn
+- Axum
+- ONNX Runtime
 - TFLite
 - TensorFlow.js
 
@@ -82,10 +83,10 @@ Untuk menjalankan seluruh project secara lokal, siapkan:
 
 - Bun
 - Python 3.9–3.11 untuk pipeline ML
-- Python 3.10+ untuk `apps/ml-service`
+- Rust dan Cargo untuk `apps/ml-service`
 - Docker dan Docker Compose jika ingin menjalankan/deploy via container
 - PostgreSQL jika fitur backend yang membutuhkan database digunakan
-- File model `Machine_Learning/best_model/best_model.keras` untuk inferensi ML lokal
+- File model `Machine_Learning/model/model.onnx` untuk inferensi ML lokal
 
 ## Instalasi Root Workspace
 
@@ -150,19 +151,20 @@ bun run typecheck
 
 ```bash
 cd apps/ml-service
-python -m venv .venv
+cargo run
-source .venv/bin/activate
-pip install -r requirements.txt
-uvicorn main:app --host 0.0.0.0 --port 8001
 ```
 
 Default path model adalah:
 
 ```text
-../../Machine_Learning/best_model/best_model.keras
+../../Machine_Learning/model/model.onnx
 ```
 
-Jika model berada di lokasi lain, gunakan environment variable `MODEL_PATH`.
+Jika model berada di lokasi lain, gunakan environment variable `MODEL_PATH`:
+
+```bash
+MODEL_PATH=/path/to/model.onnx cargo run
+```
 
 ## Endpoint Penting
 
@@ -248,6 +250,7 @@ Output utama pipeline ML:
 | `Machine_Learning/best_model/best_model.keras` | Model Keras hasil training |
 | `Machine_Learning/model/saved_model/` | TensorFlow SavedModel |
 | `Machine_Learning/model/model.tflite` | Model untuk mobile/TFLite |
+| `Machine_Learning/model/model.onnx` | Model untuk Rust ONNX Runtime |
 | `Machine_Learning/model/tfjs_model/` | Model untuk TensorFlow.js |
 
 ## Artifact Lokal dan Generated Files
@@ -262,6 +265,7 @@ Beberapa file tidak tersedia di fresh clone karena berukuran besar, dihasilkan l
 - `Machine_Learning/best_model/best_model.keras`
 - `Machine_Learning/model/saved_model/`
 - `Machine_Learning/model/model.tflite`
+- `Machine_Learning/model/model.onnx`
 - `Machine_Learning/model/tfjs_model/`
 
 ## Environment Variable Penting
@@ -272,7 +276,7 @@ Beberapa file tidak tersedia di fresh clone karena berukuran besar, dihasilkan l
 | `API_PORT` | API | Port backend produksi |
 | `WEB_APP_URL` | API | URL frontend untuk konfigurasi CORS/integrasi |
 | `ML_SERVICE_URL` | API | URL layanan ML |
-| `MODEL_PATH` | ML Service | Lokasi file model Keras |
+| `MODEL_PATH` | ML Service | Lokasi file model ONNX, default `../../Machine_Learning/model/model.onnx` |
 | `MODEL_INPUT_SIZE` | ML Service | Ukuran input model, default produksi `224` |
 
 ## Troubleshooting
@@ -294,13 +298,13 @@ Pastikan `DATABASE_URL` tersedia di `.env` root dan PostgreSQL dapat diakses ole
 Pastikan file model tersedia di path default:
 
 ```text
-Machine_Learning/best_model/best_model.keras
+Machine_Learning/model/model.onnx
 ```
 
 Atau set path khusus:
 
 ```bash
-MODEL_PATH=/path/to/best_model.keras uvicorn main:app --host 0.0.0.0 --port 8001
+MODEL_PATH=/path/to/model.onnx cargo run
 ```
 
 ### Docker Compose gagal karena network tidak ditemukan

apps/ml-service/README.md

@@ -0,0 +1,229 @@
+# ML Service — Rust Axum ONNX Runtime
+
+Layanan inferensi machine learning berbasis Rust dengan Axum web framework dan ONNX Runtime untuk klasifikasi penyakit daun jagung. Service ini menyediakan endpoint HTTP untuk prediksi real-time dengan performa tinggi dan konsumsi resource minimal.
+
+## Fitur
+
+- **Framework:** Axum (async Rust web framework)
+- **Runtime Inferensi:** ONNX Runtime untuk kompatibilitas lintas platform
+- **Model:** EfficientNetV2B0 dalam format ONNX
+- **Endpoint:** Health check, metadata, dan prediksi gambar
+- **Multipart Upload:** Dukungan upload gambar langsung via HTTP POST
+
+## Prasyarat
+
+- Rust 1.70+ dan Cargo
+- Model ONNX di `../../Machine_Learning/model/model.onnx` (atau path custom via `MODEL_PATH`)
+
+## Instalasi & Setup
+
+### Instalasi Dependensi
+
+Dependensi Rust sudah terdaftar di `Cargo.toml`. Cargo akan mengunduh dan mengkompilasi otomatis saat pertama kali build.
+
+```bash
+cargo build
+```
+
+## Menjalankan Service Lokal
+
+### Opsi 1: Default (Model dari Machine_Learning/)
+
+```bash
+cargo run
+```
+
+Service akan mencari model di path default:
+```
+../../Machine_Learning/model/model.onnx
+```
+
+### Opsi 2: Custom Model Path
+
+Jika model berada di lokasi lain, gunakan environment variable `MODEL_PATH`:
+
+```bash
+MODEL_PATH=/path/to/model.onnx cargo run
+```
+
+Service akan mendengarkan di `http://localhost:8000` secara default.
+
+## Environment Variables
+
+| Variable | Default | Keterangan |
+|---|---|---|
+| `MODEL_PATH` | `../../Machine_Learning/model/model.onnx` | Path ke file model ONNX |
+| `MODEL_INPUT_SIZE` | `224` | Ukuran input gambar (224x224 untuk EfficientNetV2B0) |
+| `RUST_LOG` | `info` | Level logging (debug, info, warn, error) |
+
+## Endpoint API
+
+### 1. Health Check
+
+```bash
+curl http://localhost:8000/health
+```
+
+**Response:**
+```json
+{
+  "status": "ok",
+  "model_loaded": true,
+  "model_path": "../../Machine_Learning/model/model.onnx"
+}
+```
+
+### 2. Metadata
+
+```bash
+curl http://localhost:8000/metadata
+```
+
+**Response:**
+```json
+{
+  "service": "ZeaVis ML Service",
+  "version": "0.1.0",
+  "model_path": "../../Machine_Learning/model/model.onnx",
+  "input_size": 224,
+  "labels": [
+    "Bercak Daun",
+    "Hawar Daun",
+    "Karat Daun",
+    "Daun Sehat"
+  ]
+}
+```
+
+### 3. Prediksi
+
+Upload gambar daun jagung untuk klasifikasi:
+
+```bash
+curl -X POST http://localhost:8000/predict \
+  -F "file=@/path/to/corn-leaf.jpg"
+```
+
+**Response:**
+```json
+{
+  "predictions": [
+    {
+      "label": "Daun Sehat",
+      "confidence": 0.95
+    },
+    {
+      "label": "Bercak Daun",
+      "confidence": 0.03
+    },
+    {
+      "label": "Hawar Daun",
+      "confidence": 0.01
+    },
+    {
+      "label": "Karat Daun",
+      "confidence": 0.01
+    }
+  ],
+  "top_prediction": {
+    "label": "Daun Sehat",
+    "confidence": 0.95
+  }
+}
+```
+
+## Verifikasi & Testing
+
+### Build Produksi
+
+```bash
+cargo build --release
+```
+
+Output binary akan tersedia di `target/release/zeavis-ml-service`.
+
+### Menjalankan Tests
+
+```bash
+cargo test
+```
+
+Tests mencakup validasi loading model, preprocessing gambar, dan output prediksi.
+
+### Verifikasi Manual
+
+1. Jalankan service:
+   ```bash
+   cargo run
+   ```
+
+2. Di terminal lain, test health endpoint:
+   ```bash
+   curl http://localhost:8000/health
+   ```
+
+3. Test metadata:
+   ```bash
+   curl http://localhost:8000/metadata
+   ```
+
+4. Test prediksi dengan gambar sample:
+   ```bash
+   curl -X POST http://localhost:8000/predict \
+     -F "file=@../../Machine_Learning/dataset/Daun\ Sehat/sample.jpg"
+   ```
+
+## Troubleshooting
+
+### Model tidak ditemukan
+
+**Error:** `Failed to load model: No such file or directory`
+
+**Solusi:** Pastikan file model tersedia di path yang benar:
+```bash
+ls -la ../../Machine_Learning/model/model.onnx
+```
+
+Atau set path custom:
+```bash
+MODEL_PATH=/absolute/path/to/model.onnx cargo run
+```
+
+### Port sudah digunakan
+
+**Error:** `Address already in use`
+
+**Solusi:** Service menggunakan port 8000. Jika port sudah digunakan, ubah di source code atau gunakan port forwarding.
+
+### ONNX Runtime tidak kompatibel
+
+**Error:** `ONNX Runtime initialization failed`
+
+**Solusi:** Pastikan ONNX Runtime binary kompatibel dengan sistem operasi. Cargo akan mengunduh binary yang sesuai otomatis. Jika masalah persisten, coba rebuild:
+```bash
+cargo clean
+cargo build
+```
+
+## Deployment
+
+### Docker
+
+Service dapat di-deploy via Docker. Dockerfile sudah tersedia di direktori ini.
+
+```bash
+docker build -t zeavis-ml-service .
+docker run -p 8000:8000 \
+  -v /path/to/model.onnx:/app/model.onnx \
+  -e MODEL_PATH=/app/model.onnx \
+  zeavis-ml-service
+```
+
+### Docker Compose
+
+Lihat `docker-compose.yml` di root repository untuk deployment lengkap dengan web, API, dan ML service.
+
+## Dokumentasi Terkait
+
+- [`Machine_Learning/README.md`](../../Machine_Learning/README.md) — Panduan training dan ekspor model ONNX
+- [`README.md`](../../README.md) — Dokumentasi proyek utama