Sistem Rekomendasi Tanaman

Aplikasi web inference-only yang memprediksi tanaman paling cocok untuk suatu lahan berdasarkan parameter tanah dan lingkungan, serta menjelaskan mengapa menggunakan SHAP dan penjelasan berbahasa Indonesia (NLG).

Dibangun dengan Streamlit, XGBoost, dan SHAP.

---

📋 Daftar Isi

• Gambaran Umum
• Struktur Proyek
• Cara Kerja
• Memulai
  • Prasyarat
  • Instalasi
  • Latih model (opsional)
  • Jalankan aplikasi
• Penggunaan
• Model & Artefak
• Milestone
• Dokumentasi

---

Gambaran Umum

Diberikan tujuh input tanah/lingkungan:

• N — Nitrogen
• P — Fosfor
• K — Kalium
• Suhu (°C)
• Kelembapan (%)
• pH
• Curah Hujan (mm)

aplikasi mengembalikan:

1. Tanaman yang direkomendasikan beserta tingkat kepercayaan model.
2. Penjelasan berbahasa Indonesia yang mendeskripsikan faktor-faktor pendorong keputusan.
3. Grafik batang SHAP yang memvisualisasikan kontribusi setiap fitur (merah = positif, biru = negatif).

---

Struktur Proyek

deciflora/
├── dataset/
│   └── Crop_recommendation.csv          # data pelatihan mentah
├── model/
│   ├── xgb_model.json                   # model XGBoost terlatih
│   ├── scaler.pkl                       # StandardScaler yang sudah di-fit
│   └── label_encoder.pkl                # LabelEncoder yang sudah di-fit
├── notebooks/
│   └── train.ipynb                      # notebook penelitian asli
├── src/
│   ├── __init__.py
│   ├── model.py                         # muat model + prediksi
│   ├── nlg.py                           # penjelasan berbahasa Indonesia
│   └── train_model.py                   # latih & simpan model (jalankan sekali)
├── app/
│   └── main.py                          # aplikasi Streamlit
├── pyproject.toml
├── uv.lock
└── README.md

---

Cara Kerja

1. Pemuatan model (src/model.py)

   • Menggunakan XGBClassifier.load_model pada model/xgb_model.json.
   • Memuat StandardScaler dan LabelEncoder yang sudah di-fit via joblib.

2. Prediksi (src/model.py)

   • Mengulangi preprocessing persis seperti di notebook:
     • Urutan fitur → scaling dengan scaler → prediksi.
   • Mengembalikan label tanaman dan probabilitas kelas.

3. Eksplainabilitas (app/main.py)

   • Membangun shap.TreeExplainer dari model (di-cache).
   • Menghitung nilai SHAP untuk instance input.
   • Memplot kontribusi untuk kelas yang diprediksi.

4. NLG (src/nlg.py)

   • Menghasilkan teks penjelasan dalam Bahasa Indonesia:
     • Kepercayaan tinggi (≥80%) → "sangat merekomendasikan".
     • Mencantumkan faktor SHAP positif teratas (pendukung) dan negatif (peringatan) beserta nilai aktualnya.

---

Memulai

Prasyarat

• Python >= 3.12
• uv (disarankan) — proyek menggunakan uv.lock

Instalasi

uv sync
source .venv/bin/activate

Atau dengan pip:

pip install -e .

Latih model (opsional)

Artefak terlatih sudah tersedia di model/, sehingga langkah ini bisa dilewati. Untuk menghasilkan ulang:

python src/train_model.py

Jalankan aplikasi

streamlit run app/main.py

Buka URL yang ditampilkan (default: http://localhost:8501).

---

Penggunaan

1. Isi tujuh kolom parameter tanah/lingkungan.
2. Klik Rekomendasikan Tanaman.
3. Baca rekomendasi, penjelasan NLG, dan grafik SHAP.

---

Model & Artefak

File	Keterangan
model/xgb_model.json	Classifier XGBoost terlatih (multi-kelas)
model/scaler.pkl	StandardScaler yang sudah di-fit
model/label_encoder.pkl	LabelEncoder (label tanaman)

Catatan: notebooks/train.ipynb tidak menyimpan model. src/train_model.py adalah sumber artefak yang di-commit.

---

Milestone

1. Muat model terlatih — src/model.py (load_model, predict_crop).
2. UI Streamlit — app/main.py form input + tampilan prediksi.
3. Integrasi SHAP — visualisasi TreeExplainer di UI.
4. Penjelasan NLG — src/nlg.py teks rekomendasi berbahasa Indonesia di UI.

---

---

Lisensi

Penggunaan kode untuk keperluan akademis dan non-komersial diperbolehkan dengan mencantumkan atribusi yang sesuai.