Bangkit Submission - Model Backend (Skin Cancer Classification)

Aplikasi backend ini dibangun menggunakan framework Hapi untuk menyediakan API prediksi klasifikasi kanker (Cancer/Non-cancer) menggunakan model TensorFlow.js. Data riwayat prediksi disimpan secara persisten menggunakan Google Cloud Firestore.

Proyek ini dirancang untuk memenuhi submisi "Belajar Penerapan Machine Learning dengan Google Cloud".

📱 Tampilan Aplikasi

🚀 Fitur

• Prediksi Klasifikasi: Mengklasifikasikan gambar yang diunggah menjadi "Cancer" atau "Non-cancer".
• Riwayat Prediksi: Menyimpan dan mengambil riwayat prediksi dari database Firestore.
• Penanganan Error: Validasi ukuran file (maks 1MB) dan format input.

🛠️ Teknologi yang Digunakan

• Node.js (Runtime Environment)
• @hapi/hapi (Web Framework)
• @tensorflow/tfjs-node (Machine Learning Model Loader & Inference)
• @google-cloud/firestore (NoSQL Database)
• Docker (Containerization)

📂 Struktur Proyek

.
├── src
│   ├── exceptions      # Custom Error classes (ClientError, InputError)
│   ├── server          # Konfigurasi Server, Routes, dan Handler
│   └── services        # Logika bisnis (Inference, Firestore, Load Model)
├── Dockerfile          # Konfigurasi Docker image
├── package.json        # Dependensi proyek
└── ...

⚙️ Prasyarat

Sebelum menjalankan aplikasi, pastikan Anda telah menginstal:

1. Node.js (Disarankan v20 sesuai Dockerfile)
2. Google Cloud Service Account Key (File JSON untuk akses Firestore)

🔧 Instalasi & Konfigurasi

1. Clone repository ini:

git clone <repository-url>
cd <folder-repository>

2. Install dependencies:

npm install

3. Konfigurasi Environment Variable: Aplikasi ini membutuhkan beberapa variabel lingkungan. Anda dapat mengaturnya di sistem operasi Anda atau membuat file .env. Variabel yang digunakan:

• PORT: Port server (default: 3000)
• MODEL_URL: URL publik ke file model.json (default: https://storage.googleapis.com/machinelearning-ryo/model.json).
• GOOGLE_APPLICATION_CREDENTIALS: Path absolut ke file JSON Service Account Google Cloud Anda (wajib untuk akses Firestore).

Penting: Jangan lupa menambahkan file serviceaccount.json atau kunci rahasia ke dalam .gitignore agar tidak terunggah ke repositori publik.

▶️ Menjalankan Aplikasi

Secara Lokal

Untuk menjalankan di mode production:

npm run start

Untuk menjalankan di mode development (dengan nodemon):

npm run start:dev

Server akan berjalan di http://localhost:3000.

Menggunakan Docker

1. Build Image:

docker build -t submission-backend .

2. Jalankan Container:

docker run -p 3000:3000 submission-backend

📡 Dokumentasi API

1. POST /predict

Melakukan prediksi pada gambar yang diunggah.

• Method: POST
• Header: Content-Type: multipart/form-data
• Body:
• image: File gambar (Maksimal 1MB)

Contoh Response Sukses (201 Created):

{
    "status": "success",
    "message": "Model is predicted successfully",
    "data": {
        "id": "77e30dcd-...",
        "result": "Cancer",
        "suggestion": "Segera periksa ke dokter!",
        "createdAt": "2024-05-01T10:00:00.000Z"
    }
}

Kriteria Prediksi:

• Confidence Score > 50% = Cancer
• Confidence Score <= 50% = Non-cancer

2. GET /predict/histories

Mengambil seluruh riwayat prediksi yang tersimpan di Firestore.

• Method: GET

Contoh Response Sukses (200 OK):

{
    "status": "success",
    "data": [
        {
            "id": "77e30dcd-...",
            "history": {
                "result": "Cancer",
                "createdAt": "2024-05-01T10:00:00.000Z",
                "suggestion": "Segera periksa ke dokter!",
                "id": "77e30dcd-..."
            }
        },
        ...
    ]
}

⚠️ Penanganan Error

Aplikasi menangani beberapa skenario error umum:

• Payload Too Large (413): Jika ukuran gambar melebihi 1MB.
• Input Error (400): Jika terjadi kesalahan dalam proses prediksi (Bad Request).

📝 Lisensi

ISC