MythEclipse/zeavis-edu
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

docs: enrich root README with full project plan details

Browse Source 
- Add project plan context: team members, executive summary, schedule, risk management
- Add project scope, deliverables, and classification table with symptoms
- Add bibliography/references section from project plan
- Centered header with logo, emoji-section navigation
- Cleaner structure: Tentang → Tim → Ringkasan → Cakupan → Jadwal → Risiko → Arsitektur → Tech Stack → Memulai → Dokumentasi → Pustaka

Co-Authored-By: Claude <noreply@anthropic.com>
This commit is contained in:
MythEclipse
2026-06-16 00:25:47 +07:00
co-authored by Claude
parent fc832b404e
commit e1732f5111
2 changed files with 205 additions and 191 deletions
Download Patch File Download Diff File Expand all files Collapse all files
.github/assets/zeavis-logo.svg
+25
View File
@@ -0,0 +1,25 @@
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 128 128" fill="none">
<!-- Background circle -->
<circle cx="64" cy="64" r="62" fill="#166534" stroke="#22c55e" stroke-width="3"/>
<circle cx="64" cy="64" r="56" fill="#15803d"/>
<!-- Corn leaf shape -->
<path d="M38 75 C32 55 30 35 45 22 C55 14 68 10 80 18 C85 22 90 26 95 30
C98 34 96 38 90 36 C84 34 78 32 72 34
C74 38 78 42 78 48 C78 56 72 62 64 64
C56 66 50 70 44 76 C42 78 38 80 38 75Z"
fill="#86efac" opacity="0.9"/>
<!-- Leaf vein -->
<path d="M46 56 C52 52 60 48 68 50" stroke="#166534" stroke-width="1.5" fill="none" opacity="0.6"/>
<path d="M50 62 C56 58 62 55 68 56" stroke="#166534" stroke-width="1.5" fill="none" opacity="0.6"/>
<!-- Magnifying glass / AI overlay -->
<circle cx="78" cy="68" r="18" fill="none" stroke="#fbbf24" stroke-width="3"/>
<line x1="91" y1="81" x2="98" y2="88" stroke="#fbbf24" stroke-width="3" stroke-linecap="round"/>
<!-- AI sparkle dots -->
<circle cx="70" cy="60" r="2" fill="#fbbf24"/>
<circle cx="82" cy="56" r="1.5" fill="#fbbf24"/>
<circle cx="76" cy="74" r="2" fill="#fbbf24"/>
</svg>
Side by Side

After

Width:  |  Height:  |  Size: 1.1 KiB

README.md
+180 -191
View File
@@ -1,80 +1,152 @@
# ZeaVis Edu <p align="center">
<br>
<img src=".github/assets/zeavis-logo.svg" alt="ZeaVis Edu" width="128"><br>
<h1 align="center">ZeaVis Edu</h1>
<p align="center">
<strong>Asisten Edukasi Interaktif untuk Deteksi Penyakit Daun Jagung</strong><br>
<em>Computer Vision &bull; EfficientNetV2B0 &bull; Transfer Learning</em>
</p>
</p>
> Klasifikasi penyakit daun jagung berbasis machine learning — dari dataset hingga aplikasi web. <p align="center">
<a href="#-tentang"><b>Tentang</b></a> &bull;
<a href="#-tim"><b>Tim</b></a> &bull;
<a href="#-ringkasan-eksekutif"><b>Ringkasan</b></a> &bull;
<a href="#-cakupan--deliverables"><b>Cakupan</b></a> &bull;
<a href="#-jadwal"><b>Jadwal</b></a> &bull;
<a href="#-tech-stack"><b>Tech Stack</b></a> &bull;
<a href="#-memulai"><b>Memulai</b></a> &bull;
<a href="#-dokumentasi"><b>Dokumentasi</b></a>
</p>
**ZeaVis Edu** adalah aplikasi edukasi pengenalan penyakit daun jagung melalui klasifikasi gambar. Repositori ini mencakup pipeline machine learning lengkap (EfficientNetV2B0), layanan inferensi Rust/ONNX Runtime, aplikasi web React, API backend Elysia, serta infrastruktur multi-VPS dengan observabilitas penuh. <br>
--- ---
## Daftar Isi ## 🌽 Tentang
1. [Tentang ZeaVis Edu](#1-tentang-zeavis-edu) **ZeaVis Edu** adalah aplikasi edukasi berbasis **Computer Vision** yang membantu petani, mahasiswa pertanian, dan penyuluh lapangan mengidentifikasi penyakit daun jagung secara mandiri — cukup dengan mengunggah foto daun jagung.
2. [Kelas Penyakit](#2-kelas-penyakit)
3. [Arsitektur Proyek](#3-arsitektur-proyek) Proyek ini merupakan **Capstone Project** dalam program **Pijak × IBM SkillsBuild** dengan tema **"AI for Smart Education"**, dirancang untuk menjembatani kesenjangan antara pengetahuan teori pertanian dan kebutuhan praktis di lapangan.
4. [Tech Stack](#4-tech-stack)
5. [Panduan Memulai](#5-panduan-memulai)
- [5.1 Instalasi Root Workspace](#51-instalasi-root-workspace)
- [5.2 Menjalankan Aplikasi Web & API](#52-menjalankan-aplikasi-web--api)
- [5.3 Pipeline Machine Learning](#53-pipeline-machine-learning)
- [5.4 ML Inference Service](#54-ml-inference-service)
- [5.5 Infrastruktur & Deployment](#55-infrastruktur--deployment)
- [5.6 Telemetry & Observabilitas](#56-telemetry--observabilitas)
6. [Dokumentasi Lengkap](#6-dokumentasi-lengkap)
7. [Troubleshooting Umum](#7-troubleshooting-umum)
--- ---
## 1. Tentang ZeaVis Edu ## 👥 Tim
ZeaVis Edu membantu petani, peneliti, dan pelajar mengidentifikasi penyakit daun jagung secara cepat menggunakan kamera. Pengguna cukup mengunggah foto daun jagung dan sistem akan mengklasifikasikannya ke dalam salah satu dari empat kategori kondisi daun. | NPM | Nama | Learning Path | Peran |
|---|---|---|---|
### Fitur Utama | APC246D6Y0028 | **Asep Haryana Saputra** | Back-End | Arsitektur sistem, RESTful API, deployment Docker/Cloud, keamanan upload stream |
| APC013D6X0081 | **Selly Supriyatin** | Front-End | UI/UX responsif, mekanisme unggah gambar, modul edukasi (rekomendasi obat & penanganan) |
- **Aplikasi Web** — Antarmuka pengguna interaktif berbasis React + Vite | APC013D6Y0091 | **Taufik Pathurrohman** | Machine Learning | Data Engineering — ekstraksi dataset, cleaning, augmentasi gambar |
- **API Backend** — Layanan data dan autentikasi berbasis Elysia + PostgreSQL | APC414D6Y0138 | **Luhung Pandyaska Suyi** | Machine Learning | Model Architecture & Training — CNN, hyperparameter tuning |
- **ML Inference Service** — Inferensi real-time via Rust/Axum + ONNX Runtime | APC013D6Y0269 | **Ardian** | Machine Learning | Model Evaluation & Deployment Prep — confusion matrix, konversi ke production-ready |
- **Pipeline ML** — Preprocessing dataset, pelatihan di Google Colab, ekspor model ke TFLite, TFJS, dan ONNX
- **Infrastruktur Multi-VPS** — Deployment produksi dengan Tailscale mesh VPN
- **Observabilitas** — Prometheus → ClickHouse pipeline dengan dashboard metrik
--- ---
## 2. Kelas Penyakit ## 📋 Ringkasan Eksekutif
Model mengklasifikasikan gambar ke dalam **4 kelas** berbahasa Indonesia: ### Masalah
| Label | Deskripsi | Data BPS menunjukkan penurunan luas panen jagung dari **2.764.366 Ha (2022)** menjadi **2.487.191 Ha (2023)**. Salah satu penyebab utamanya adalah penyakit daun seperti **Hawar Daun**, **Karat Daun**, dan **Bercak Daun Abu-abu** yang menyebabkan nekrosis dan menghambat fotosintesis.
Petani sering kesulitan mengidentifikasi penyakit secara kasat mata dan memiliki **ketergantungan tinggi pada POPT** (Petugas Pengendali Organisme Pengganggu Tumbuhan) akibat minimnya media pembelajaran interaktif.
### Solusi
ZeaVis Edu menggunakan **Computer Vision** sebagai asisten edukasi interaktif:
1. 📸 **Unggah** foto daun jagung yang diduga terinfeksi
2. 🤖 **Deteksi otomatis** penyakit oleh model AI (EfficientNetV2B0)
3. 📚 **Dapatkan** informasi detail penyakit, panduan pencegahan, dan rekomendasi obat secara mandiri
### Metode Teknis
| Komponen | Pilihan |
|---|---| |---|---|
| **Bercak Daun** | *Gray Leaf Spot* — bercak abu-abu memanjang | | Arsitektur Model | **EfficientNetV2B0** — keseimbangan optimal antara akurasi dan efisiensi parameter |
| **Hawar Daun** | *Northern/Southern Leaf Blight* — hawar coklat berbentuk panjang | | Metode Pelatihan | **Transfer Learning** pada Google Colab (GPU T4) |
| **Karat Daun** | *Common Rust* — bintik coklat kemerahan berbentuk pustula | | Sumber Dataset | Kaggle — [Corn Leaf Disease](https://www.kaggle.com/datasets/ndisan/corn-leaf-disease) |
| **Daun Sehat** | Daun jagung tanpa gejala penyakit | | Deployment | VPS dengan Docker, ONNX Runtime untuk inferensi real-time |
--- ---
## 3. Arsitektur Proyek ## 🎯 Cakupan & Deliverables
### Cakupan
| ✅ Dalam Cakupan | ❌ Di Luar Cakupan |
|---|---|
| Klasifikasi 3 penyakit + 1 daun sehat | Penyakit pada batang atau buah jagung |
| Deteksi berbasis unggah gambar daun | Prediksi tanpa input gambar |
| Rekomendasi obat & penanganan | Diagnosis pengganti ahli/POPT |
| Aplikasi web edukatif | Aplikasi mobile native |
### 4 Kelas yang Diklasifikasikan
| Label | Nama Ilmiah | Gejala |
|---|---|---|
| **Hawar Daun** | *Northern/Southern Leaf Blight* | Hawar coklat memanjang pada daun |
| **Karat Daun** | *Common Rust* | Bintik coklat kemerahan berbentuk pustula |
| **Bercak Daun** | *Gray Leaf Spot* | Bercak abu-abu memanjang |
| **Daun Sehat** | — | Tanpa gejala penyakit |
### Deliverables Proyek
| No | Tahapan | Deskripsi |
|---|---|---|
| 1 | **Pengumpulan Data** | Dataset gambar 3 penyakit + 1 daun sehat dari Kaggle beserta pelabelan |
| 2 | **Model ML** | Model Computer Vision terlatih di Google Colab, siap produksi |
| 3 | **UI Antarmuka** | Front-End berbasis React + Vite dengan fitur unggah gambar |
| 4 | **Back-End Integration** | API + ML Service untuk inferensi real-time via Docker |
| 5 | **Prototipe Akhir** | Aplikasi web final dengan klasifikasi + modul edukasi (rekomendasi obat & penanganan) |
---
## 📅 Jadwal
| Minggu | Tanggal | Fase | Aktivitas |
|---|---|---|---|
| **1** | 11–17 Mei 2026 | Inisiasi & Data | Spesifikasi teknis (Asep) • Dataset dari Kaggle + preprocessing (Taufik) • Wireframe UI/UX (Selly) |
| **2** | 18–24 Mei 2026 | Training & Dev Awal | Implementasi EfficientNetV2B0 di Colab (Luhung) • Slicing UI ke React (Selly) • Setup server, database, routing API (Asep) |
| **3** | 25–31 Mei 2026 | Evaluasi & Modul Edukasi | Evaluasi akurasi + konversi model ke ONNX/TFLite (Ardian) • Halaman edukasi obat & penanganan (Selly) • RESTful API untuk image upload & inferensi (Asep) |
| **4** | 1–7 Juni 2026 | Integrasi & Testing | Integrasi penuh Front-End ↔ API ↔ Model ML • Pengujian end-to-end • Stress testing & error handling (Semua) |
| **5** | 8–14 Juni 2026 | Deployment & Finalisasi | Deployment ke VPS (Asep) • Bug fixing & optimalisasi UI/UX (Selly) • Dokumentasi teknis & materi presentasi (Semua) |
---
## ⚠️ Manajemen Risiko
| Risiko | Solusi |
|---|---|
| **Overfitting akibat imbalanced data** | Augmentasi tingkat lanjut (kecerahan, noise, rotasi) + confidence threshold < 75% → minta user foto ulang |
| **Server downtime / latensi tinggi** | Batasan upload ≤ 5 MB + kompresi server-side + rate limiting + container Docker isolasi resource |
| **Foto blur / objek bukan daun jagung** | Panduan visual (overlay) pada UI + validasi anomali + disclaimer "alat bantu edukasi, bukan pengganti POPT" |
| **Bottleneck integrasi ML ↔ API ↔ UI** | API Contract ketat di minggu ke-1 + integrasi bertahap (CI) mulai minggu ke-3 |
---
## 🏗️ Arsitektur Proyek
``` ```
. .
├── apps/ ├── apps/
│ ├── api/ # Backend Elysia/Bun + Drizzle ORM + PostgreSQL │ ├── api/ # Backend Elysia/Bun + Drizzle ORM + PostgreSQL
│ ├── ml-service/ # Layanan inferensi Rust/Axum + ONNX Runtime │ ├── ml-service/ # Rust/Axum + ONNX Runtime inference service
│ └── web/ # Frontend React + Vite + Tailwind │ └── web/ # Frontend React + Vite + Tailwind CSS
├── Machine_Learning/ # Pipeline dataset, training, dan ekspor model ├── Machine_Learning/ # Pipeline dataset, training Colab, ekspor model
│ └── README.md # ⤷ Panduan lengkap pipeline ML │ └── README.md # ⤷ Panduan lengkap pipeline ML
├── infra/ ├── infra/
│ └── README.md # ⤷ Panduan deployment multi-VPS │ └── README.md # ⤷ Panduan deployment multi-VPS
├── packages/ ├── packages/shared/ # Tipe & utilitas TypeScript bersama
│ └── shared/ # Tipe dan utilitas bersama TypeScript ├── telemetry/ # Submodule — Prometheus → ClickHouse pipeline
├── telemetry/ # Submodule — Prometheus → ClickHouse pipeline ├── docker-compose.yml # Konfigurasi deployment container
├── docker-compose.yml # Konfigurasi deployment container ├── package.json # Root workspace Bun + Moon
├── package.json # Root workspace Bun + Moon └── README.md # ⤷ Anda di sini
└── README.md # ⤷ Anda di sini
``` ```
| Komponen | Teknologi | Dokumentasi | | Komponen | Teknologi | Dokumentasi |
|---|---|---| |---|---|---|
| Web Frontend | React, Vite, Tailwind, Zustand | `apps/web/` | | Web Frontend | React, Vite, Tailwind, Zustand, TanStack Query | `apps/web/` |
| API Backend | Bun, Elysia, Drizzle ORM, PostgreSQL | `apps/api/` | | API Backend | Bun, Elysia, Drizzle ORM, PostgreSQL | `apps/api/` |
| ML Inference | Rust, Axum, ONNX Runtime | [`apps/ml-service/README.md`](apps/ml-service/README.md) | | ML Inference | Rust, Axum, ONNX Runtime | [`apps/ml-service/README.md`](apps/ml-service/README.md) |
| ML Pipeline | Python, TensorFlow/Keras, EfficientNetV2B0 | [`Machine_Learning/README.md`](Machine_Learning/README.md) | | ML Pipeline | Python, TensorFlow/Keras, EfficientNetV2B0 | [`Machine_Learning/README.md`](Machine_Learning/README.md) |
@@ -83,58 +155,56 @@ Model mengklasifikasikan gambar ke dalam **4 kelas** berbahasa Indonesia:
--- ---
## 4. Tech Stack ## 🛠️ Tech Stack
### Frontend ### Frontend
React &bull; Vite &bull; TypeScript &bull; React Router &bull; TanStack Query &bull; Zustand &bull; Tailwind CSS React &bull; Vite &bull; TypeScript &bull; React Router &bull; TanStack Query &bull; Zustand &bull; Tailwind CSS
### Backend API ### Backend API
Bun &bull; Elysia &bull; Drizzle ORM &bull; PostgreSQL Bun &bull; Elysia &bull; Drizzle ORM &bull; PostgreSQL &bull; prom-client
### Machine Learning ### Machine Learning
Python &bull; TensorFlow/Keras &bull; EfficientNetV2B0 &bull; Rust &bull; Axum &bull; ONNX Runtime &bull; TFLite &bull; TensorFlow.js Python &bull; TensorFlow/Keras &bull; EfficientNetV2B0 &bull; Google Colab (GPU T4)
Rust &bull; Axum &bull; ONNX Runtime &bull; TFLite &bull; TensorFlow.js
### Tooling & Deployment ### DevOps & Infrastruktur
Bun workspaces &bull; Moon task runner &bull; Docker &bull; Docker Compose &bull; Coolify &bull; Traefik Docker &bull; Docker Compose &bull; Coolify &bull; Traefik &bull; Tailscale &bull; GitHub Actions (CI/CD)
### Telemetry & Observabilitas ### Observabilitas
Prometheus &bull; Metric Ingester (Go) &bull; Vector &bull; ClickHouse &bull; Query Proxy (Go) &bull; Telemetry UI (Vue 3) Prometheus &bull; Metric Ingester (Go) &bull; Vector &bull; ClickHouse &bull; Query Proxy (Go) &bull; Telemetry UI (Vue 3)
--- ---
## 5. Panduan Memulai ## 🚀 Memulai
### Prasyarat ### Prasyarat
- **Bun** — untuk workspace TypeScript - **Bun** — runtime & package manager
- **Python 3.9–3.11** — untuk pipeline ML - **Python 3.9–3.11** — pipeline ML
- **Rust & Cargo** — untuk `apps/ml-service` - **Rust & Cargo** — `apps/ml-service`
- **Docker & Docker Compose** — untuk deployment dan telemetry - **Docker & Docker Compose** — deployment & telemetry
- **PostgreSQL** — untuk backend API - **PostgreSQL** — backend API
### 5.1 Instalasi Root Workspace ### Instalasi
```bash ```bash
# Clone repositori git clone https://github.com/ATLAS-PJK-GM007/ZeaVis-Edu.git
git clone https://github.com/mytheclipse/zeavis-edu.git cd ZeaVis-Edu
cd zeavis-edu
# Instal dependensi TypeScript workspace
bun install bun install
``` ```
### 5.2 Menjalankan Aplikasi Web & API ### Menjalankan Development
```bash ```bash
# Semua task development (web + api) bun run dev # Semua service (web + api)
bun run dev cd apps/web && bun run dev # Hanya frontend
cd apps/api && bun run start # Hanya backend API
# Atau jalankan terpisah: cd apps/ml-service && cargo run # Hanya ML service (port 8000)
cd apps/web && bun run dev # Frontend — Vite dev server
cd apps/api && bun run start # API backend
``` ```
**Environment variables** yang perlu disiapkan di root `.env`: ### Environment Variables
Salin `.env.example` ke `.env` dan isi:
| Variable | Keterangan | | Variable | Keterangan |
|---|---| |---|---|
@@ -143,146 +213,65 @@ cd apps/api && bun run start # API backend
| `WEB_APP_URL` | URL frontend (untuk CORS) | | `WEB_APP_URL` | URL frontend (untuk CORS) |
| `ML_SERVICE_URL` | URL layanan inferensi ML | | `ML_SERVICE_URL` | URL layanan inferensi ML |
### 5.3 Pipeline Machine Learning ### Pipeline ML (Ringkasan)
Pipeline lengkap preprocessing dataset, pelatihan model di Google Colab, dan ekspor ke berbagai format produksi. 1. Unduh 3 dataset ZIP → letakkan di `Machine_Learning/`
2. `python preprocessing.py` — gabungkan & bersihkan dataset
3. Upload `dataset.zip` ke Google Drive
4. Jalankan `notebook.ipynb` di Google Colab (GPU T4)
5. Download `best_model.keras`
6. `python save_model.py` → TFLite + SavedModel
7. Konversi ke TFJS & ONNX
> 📖 **Panduan lengkap:** [`Machine_Learning/README.md`](Machine_Learning/README.md) > 📖 **Panduan lengkap:** [`Machine_Learning/README.md`](Machine_Learning/README.md)
**Ringkasan alur:** ### Deployment
1. Unduh 3 file ZIP dataset ke `Machine_Learning/`
2. Jalankan `python preprocessing.py` untuk menggabungkan dataset
3. Upload `dataset.zip` ke Google Drive
4. Jalankan `notebook.ipynb` di Google Colab (GPU T4)
5. Download `best_model.keras` hasil training
6. Ekspor model: `python save_model.py` → TFLite + SavedModel
7. Konversi ke TFJS dan ONNX
**Output pipeline:**
| Path | Format | Kegunaan |
|---|---|---|
| `Machine_Learning/model/saved_model/` | TensorFlow SavedModel | Jembatan konversi |
| `Machine_Learning/model/model.tflite` | TFLite | Mobile (Android/iOS) |
| `Machine_Learning/model/model.onnx` | ONNX | Rust inference service |
| `Machine_Learning/model/tfjs_model/` | TensorFlow.js | Web browser |
### 5.4 ML Inference Service
Layanan inferensi berbasis Rust/Axum dengan ONNX Runtime untuk prediksi real-time.
> 📖 **Panduan lengkap:** [`apps/ml-service/README.md`](apps/ml-service/README.md)
```bash ```bash
cd apps/ml-service docker compose up -d # App services
cargo run # Default port 8000 make telemetry-up # Telemetry stack
# Atau dengan konfigurasi custom:
MODEL_PATH=/path/to/model.onnx ML_SERVICE_PORT=9000 cargo run
``` ```
**Endpoint utama:** > 📖 **Panduan infrastruktur:** [`infra/README.md`](infra/README.md)
| Method | Path | Deskripsi |
|---|---|---|
| `GET` | `/health` | Health check + status model |
| `GET` | `/metadata` | Info model, label, versi |
| `POST` | `/predict` | Klasifikasi gambar (multipart upload) |
### 5.5 Infrastruktur & Deployment
> 📖 **Panduan lengkap:** [`infra/README.md`](infra/README.md)
Arsitektur produksi berjalan di **dua VPS terpisah** yang terhubung via **Tailscale** mesh VPN:
| VPS | Hostname | Peran |
|---|---|---|
| **App VPS** | `imrnes` (Arch Linux) | Web, API, ML Service |
| **Telemetry VPS** | `orange` (Ubuntu) | Prometheus, ClickHouse, Telemetry UI |
```bash
# Deploy app services via Docker Compose
docker compose up -d
# Deploy telemetry stack
make telemetry-up
```
### 5.6 Telemetry & Observabilitas
Pipeline metrik lengkap: **Prometheus → Metric Ingester → Vector → ClickHouse → Telemetry UI**.
Setiap service ZeaVis Edu mengekspos endpoint `GET /metrics` dalam format Prometheus. Prometheus di Telemetry VPS melakukan scrape melalui IP Tailscale.
```bash
make telemetry-up # Mode produksi
make telemetry-up-local # Mode development lokal
make telemetry-status # Cek kesehatan
make telemetry-logs # Lihat log
```
| Service | Port | Peran |
|---|---|---|
| Prometheus | 9090 | Scraping & remote_write |
| Metric Ingester | 9091 | Enrichment & filtering |
| Vector | 9001 | Buffering |
| ClickHouse | 8123 | Penyimpanan analitik |
| Query Proxy | 9092 | Read-only SQL proxy |
| Telemetry UI | 8181 | Dashboard metrik |
--- ---
## 6. Dokumentasi Lengkap ## 📚 Dokumentasi
| Dokumen | Isi | | Dokumen | Isi |
|---|---| |---|---|
| [`Machine_Learning/README.md`](Machine_Learning/README.md) | Panduan lengkap pipeline ML — preprocessing, training Colab, ekspor model TFLite/TFJS/ONNX | | [`Machine_Learning/README.md`](Machine_Learning/README.md) | Pipeline ML lengkap — preprocessing, training Colab, ekspor TFLite/TFJS/ONNX |
| [`apps/ml-service/README.md`](apps/ml-service/README.md) | ML inference service — setup, endpoint API, konfigurasi, troubleshooting | | [`apps/ml-service/README.md`](apps/ml-service/README.md) | ML Inference Service — setup, endpoint API, konfigurasi |
| [`infra/README.md`](infra/README.md) | Arsitektur multi-VPS — diagram, GitHub Secrets, port, metrics flow | | [`infra/README.md`](infra/README.md) | Arsitektur multi-VPS — diagram, GitHub Secrets, port, metrics flow |
| [`METRICS.md`](METRICS.md) | Daftar lengkap metrik Prometheus yang diekspos | | [`METRICS.md`](METRICS.md) | Daftar lengkap metrik Prometheus |
| `telemetry/` (submodule) | Source code telemetry stack | | `telemetry/` (submodule) | Source code telemetry stack |
--- ---
## 7. Troubleshooting Umum ## 🔧 Troubleshooting
### `bun install` gagal | Masalah | Solusi |
Pastikan Bun versi terbaru terinstal: |---|---|
```bash | `bun install` gagal | `bun --version` — pastikan ≥ 1.x |
bun --version # minimal 1.x | API perlu database | Isi `DATABASE_URL` di root `.env` |
``` | ML service gagal muat model | `ls Machine_Learning/model/model.onnx` — jalankan pipeline ML jika belum ada |
| Docker Compose gagal | `docker network create app-shared-net` |
### API membutuhkan database | Konversi TFJS gagal | `export PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python` |
Pastikan `DATABASE_URL` tersedia di root `.env` dan PostgreSQL dapat diakses.
### ML service gagal memuat model
Pastikan `Machine_Learning/model/model.onnx` sudah dibuat:
```bash
ls -la Machine_Learning/model/model.onnx
```
Jika belum, jalankan pipeline ML terlebih dahulu — lihat [`Machine_Learning/README.md`](Machine_Learning/README.md).
### Docker Compose gagal — network tidak ditemukan
```bash
docker network create app-shared-net
```
### Konversi TensorFlow.js gagal (konflik protobuf)
```bash
export PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python
```
--- ---
## Pengembangan ## 📖 Daftar Pustaka
1. `bun install` 1. Prayogi, A. et al. *"Klasifikasi Penyakit Daun Jagung Menggunakan CNN"* — [SISTEMATIS](https://ejournal.rizaniamedia.com/index.php/sistematis/article/view/87/49)
2. Jalankan service yang dibutuhkan secara lokal 2. Nugroho, A. et al. *"Deteksi Penyakit Daun Jagung dengan Deep Learning"* — [MIND Journal](https://ejurnal.itenas.ac.id/index.php/mindjournal/article/view/14032/4209)
3. `bun run typecheck` sebelum commit 3. Ramadhan, F. et al. *"Identifikasi Penyakit Jagung Berbasis Citra Digital"* — [Informa](https://www.informa.poltekindonusa.ac.id/index.php/informa/article/view/199/170)
4. `bun run build` untuk verifikasi build produksi 4. Corteva Agriscience. *"Kenali Ragam Jenis Penyakit Jagung dan Cara Mengatasinya"* — [corteva.com](https://www.corteva.com/id/berita/Kenali-Ragam-Jenis-Penyakit-Jagung-dan-Cara-Mengatasinya.html)
5. Ikuti dokumentasi detail di masing-masing README untuk perubahan spesifik
--- ---
> 🧬 **ZeaVis Edu** — Memberdayakan pertanian presisi melalui machine learning <p align="center">
<sub>
Capstone Project • Pijak × IBM SkillsBuild • AI for Smart Education<br>
© 2026 ZeaVis Edu Team
</sub>
</p>