Silahkan akses disini : Link
Production-Ready Machine Learning Deployment
Proyek ini merupakan aplikasi web Sistem Pendukung Keputusan (Decision Support System / DSS) yang dirancang untuk membantu proses klasifikasi penyakit Diabetes Melitus secara objektif, terstruktur, dan berbasis data.
Sistem ini mengimplementasikan algoritma Random Forest pada pendekatan Machine Learning untuk mengklasifikasikan status diabetes pasien berdasarkan data klinis yang relevan.
Aplikasi dikembangkan sebagai sistem berbasis web yang mengintegrasikan backend PHP dengan engine Machine Learning Python, sehingga merepresentasikan alur kerja nyata penerapan Machine Learning dalam sistem informasi kesehatan.
🎯 Tujuan Pengembangan
- Membantu proses klasifikasi penyakit Diabetes Melitus secara objektif dan konsisten
- Mengurangi ketergantungan pada penilaian subjektif dalam analisis data medis
- Mengimplementasikan algoritma Machine Learning ke dalam aplikasi web nyata
- Menyediakan sistem klasifikasi yang terstruktur, terdokumentasi, dan dapat dikembangkan
- Menjadi media pembuktian penerapan model Agile dalam pengembangan perangkat lunak
⚙️ Fitur Utama
Dashboard Petugas
Menampilkan ringkasan data pasien, jumlah prediksi, dan hasil klasifikasi secara terpusat.
Manajemen Data Pasien
Pengelolaan data pasien diabetes meliputi:
- Data identitas
- Data klinis (glukosa, tekanan darah, BMI, usia, dll)
- Penyimpanan data secara terstruktur di database
Proses Klasifikasi Diabetes
Input data pasien untuk diproses oleh model Machine Learning Random Forest guna menghasilkan prediksi:
- Diabetes
- Tidak Diabetes
Tabel Hasil Prediksi
Menampilkan hasil klasifikasi pasien lengkap dengan nilai input dan status prediksi.
Manajemen Data Petugas / Admin
Pengelolaan data pengguna sistem yang berperan sebagai petugas atau admin.
Tabel Laporan Hasil
Penyajian data hasil klasifikasi dalam bentuk tabel laporan yang dapat digunakan untuk dokumentasi dan evaluasi.
🧠 Metode & Algoritma
- Algoritma: Random Forest Classifier
- Pendekatan: Supervised Machine Learning
- Proses:
- Training model menggunakan dataset diabetes
- Penyimpanan model menggunakan Joblib
- Inferensi dilakukan secara terpisah melalui engine Python
Random Forest dipilih karena mampu menangani data non-linear, mengurangi overfitting, serta memiliki performa yang stabil untuk klasifikasi data medis.
🧱 Teknologi yang Digunakan
Backend
- PHP 8.3
- CodeIgniter 4 (MVC Architecture)
Frontend
- AdminLTE 3
- Bootstrap 4
- jQuery
Machine Learning
- Python 3.12
- scikit-learn
- NumPy
- Pandas
- Joblib
Database
- MySQL
Tools Pendukung
- Visual Studio Code
- DB Beaver
- Linux Server (Ubuntu 24.04 LTS)
🧠 Aspek Teknis & Arsitektur
- Arsitektur MVC (Model–View–Controller) untuk pemisahan logic aplikasi
- Integrasi PHP ↔ Python untuk proses inferensi Machine Learning
- Penggunaan Python Virtual Environment untuk isolasi dependency
- Eksekusi model ML melalui command-line interface (CLI)
- Query database dirancang sederhana dan efisien
- Seluruh antarmuka dan pesan sistem menggunakan Bahasa Indonesia
📌 Catatan
Proyek ini dikembangkan sebagai project akademik dan showcase engineering, dengan fokus pada:
- penerapan algoritma Machine Learning secara nyata,
- integrasi web application dengan engine ML,
- penerapan metode pengembangan Agile,
- serta desain sistem yang modular dan mudah dikembangkan.
⚠️ Catatan Medis:
Aplikasi ini dibuat untuk tujuan edukasi dan penelitian, bukan sebagai alat diagnosis medis resmi.