Rupiah Visual Condition Classification

Aplikasi Web Flask Untuk Mengidentifikasi Kondisi Visual Uang Kertas Rupiah Menggunakan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM) dan Model Random Forest.

Fitur

• Upload gambar uang kertas Rupiah.
• Preprocessing gambar: resize 256 x 256 dan konversi grayscale.
• Ekstraksi 6 fitur GLCM rata-rata: contrast, dissimilarity, homogeneity, energy, correlation, ASM.
• Klasifikasi kondisi visual: normal, dirty, scuffed, scuffed-dirty, torn.
• Konversi prediksi menjadi status kelayakan visual.
• Halaman hasil prediksi dengan preview, confidence, dan tabel fitur GLCM.
• Halaman Model berisi ringkasan model, fitur GLCM, distribusi dataset, metrik evaluasi, confusion matrix, contoh visual kelas, dan keterbatasan model.
• Script training yang menghasilkan model, fitur CSV, metrics, classification report, dan confusion matrix.

Tech Stack

• Python
• Flask
• OpenCV
• scikit-image
• scikit-learn
• pandas
• Matplotlib dan Seaborn
• HTML, CSS, Bootstrap CDN, JavaScript sederhana

Struktur Project

.
|-- app.py
|-- requirements.txt
|-- README.md
|-- dataset/
|-- artifacts/
|   |-- model.pkl
|   |-- label_encoder.pkl
|   |-- features.csv
|   |-- metrics.json
|   |-- classification_report.txt
|   `-- confusion_matrix.png
|-- src/
|   |-- config.py
|   |-- dataset_loader.py
|   |-- glcm_features.py
|   |-- model_page.py
|   |-- predict_model.py
|   |-- preprocessing.py
|   |-- train_model.py
|   `-- utils.py
|-- static/
|   |-- css/style.css
|   |-- examples/
|   |-- images/confusion_matrix.png
|   |-- js/script.js
|   `-- uploads/
|-- templates/
|   |-- base.html
|   |-- index.html
|   |-- result.html
|   |-- model.html
|   `-- about.html
`-- tests/
    |-- test_app.py
    `-- test_core.py

Dataset

Dataset berada di folder dataset/ dengan struktur:

dataset/
|-- 1000/
|   |-- dirty/
|   |-- normal/
|   |-- scuffed/
|   |-- scuffed-dirty/
|   `-- torn/
|-- 2000/
|-- 5000/
|-- 10000/
|-- 20000/
|-- 50000/
`-- 100000/

Label prediksi diambil dari nama folder kondisi, bukan dari nama file gambar. Dataset lokal berisi 350 gambar PNG: 7 nominal, 5 kondisi, dan 10 gambar per kombinasi nominal-kondisi.

Instalasi

Gunakan Python 3.11 atau 3.12.

python -m venv .venv
.venv\Scripts\activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

Jika perintah python tidak tersedia di Windows, coba Python Launcher:

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

Environment Variable

Name	Required	Description
FLASK_SECRET_KEY	Tidak untuk lokal	Secret key Flask untuk flash message/session. Jika kosong, app memakai nilai default lokal rvcc-local-dev.
FLASK_DEBUG	Tidak	Set 1 jika ingin menjalankan Flask debug mode saat pengembangan lokal.

Training Model

Jalankan training dari root project:

python -m src.train_model --dataset dataset --artifacts artifacts

Output training:

• artifacts/model.pkl
• artifacts/label_encoder.pkl
• artifacts/features.csv
• artifacts/metrics.json
• artifacts/classification_report.txt
• artifacts/confusion_matrix.png

Jika model di-training ulang dan ingin page Model menampilkan confusion matrix terbaru, salin file hasil training:

copy artifacts\confusion_matrix.png static\images\confusion_matrix.png

Menjalankan Aplikasi

Setelah model tersedia:

python app.py

Buka:

http://127.0.0.1:5000

Halaman yang tersedia:

• http://127.0.0.1:5000/ untuk upload dan prediksi.
• http://127.0.0.1:5000/model untuk informasi model dan evaluasi.
• http://127.0.0.1:5000/about untuk penjelasan metode dan batasan proyek.

Testing

python -m unittest discover -s tests

File Tidak Diupload

File/Folder Yang Berada Pada .gitignore:

• .venv/
• __pycache__/
• *.pyc
• *.log
• *.tmp
• .env
• .vscode/
• .idea/
• static/uploads/* kecuali .gitkeep

Catatan Keterbatasan

• Model menggunakan fitur tekstur GLCM, bukan CNN atau deep learning.
• Prediksi dapat kurang stabil jika gambar upload memiliki pencahayaan, latar, atau sudut yang sangat berbeda dari dataset.
• Sistem tidak mendeteksi nominal otomatis.
• Sistem tidak memvalidasi keaslian uang.

Tim