Pet Scanner: Aplikasi Klasifikasi Anjing & Kucing Berbasis AI

---

Ringkasan Proyek

Pet Scanner adalah aplikasi web full-stack interaktif yang dikembangkan untuk mengklasifikasikan gambar secara akurat, dengan fokus utama pada identifikasi anjing dan kucing. Proyek ini adalah demonstrasi konkret kemampuan saya dalam mengintegrasikan Machine Learning (khususnya Computer Vision) ke dalam solusi web yang berfungsi penuh, dari pengembangan model hingga implementasi antarmuka pengguna.

---

Fitur Utama

• Klasifikasi Gambar Cerdas: Mengidentifikasi gambar sebagai 'Anjing' atau 'Kucing' dengan tingkat akurasi dan kepercayaan yang tinggi.
• Antarmuka Pengguna Intuitif: Desain web modern dan responsif untuk pengalaman pengguna yang lancar.
• Inferensi Model Lokal: Seluruh proses prediksi Machine Learning berjalan di backend server, menunjukkan kemampuan deployment model AI secara mandiri tanpa ketergantungan API eksternal.

---

Teknologi yang Digunakan

• Frontend:
  • Vue.js: Framework JavaScript untuk membangun UI yang dinamis.
  • Vite: Build tool cepat untuk pengembangan frontend.
  • HTML & CSS: Struktur dan styling web modern.
• Backend:
  • FastAPI (Python): Framework web berkinerja tinggi untuk membangun API.
  • Uvicorn: Server ASGI untuk menjalankan aplikasi backend.
• Machine Learning:
  • TensorFlow/Keras: Library utama untuk pengembangan model AI.
  • MobileNetV2 (CNN): Model Convolutional Neural Network yang di-fine-tune dengan dataset kustom anjing dan kucing.

---

Cara Menjalankan Proyek (Lokal)

Untuk menjalankan proyek ini di lingkungan lokal Anda:

1. Kloning Repositori:

   git clone https://github.com/Mangriza/Dog-Cat-Classifier.git
   cd Pet-Scanner-App 

2. Siapkan Dataset (untuk pelatihan model):
   • Buat folder my_animal_dataset di dalam direktori image_analyzer_ml.
   • Di dalamnya, buat dua sub-folder: Anjing dan Kucing.
   • Isi masing-masing folder dengan gambar yang relevan (minimal 100-200 gambar per kategori untuk hasil optimal).
3. Setup & Latih Model Backend:

   cd image_analyzer_ml
   python -m venv venv
   venv\Scripts\activate
   pip install -r requirements.txt 
   python train_model.py

   (Ini akan melatih model dan menyimpannya sebagai dog_cat_classifier.h5 dan dog_cat_class_indices.json).
4. Buat requirements.txt (Opsional tapi disarankan): Setelah instalasi semua library Python (fastapi uvicorn python-multipart tensorflow opencv-python Pillow), Anda bisa membuat file requirements.txt agar mudah direplikasi:

   pip freeze > requirements.txt

   Lalu tambahkan baris pip install -r requirements.txt di langkah 3 README.
5. Jalankan Backend Server:

   uvicorn main:app --reload

   (Biarkan terminal ini tetap berjalan)
6. Setup & Jalankan Frontend: Buka terminal baru:

   cd ../image_analyzer_frontend
   npm install
   npm run dev

7. Akses Aplikasi: Buka browser Anda dan navigasi ke http://localhost:5173/.

---

Foto hasil