Repositori ini menginstansiasi kontainer Docker untuk inference engine berbasis RESTful API yang berfungsi sebagai pusat komputasi pada sistem pakar diagnosis penyakit gigi dan mulut. Fokus eksperimen ini adalah mengevaluasi stabilitas latency, throughput, serta efisiensi pengunaan memori dari algoritma Naive Bayes ketika diimplementasikan sebagai isolated backend service yang melayani permintaan data dari aplikasi penunjang keputusan (decision support system) berbasis Flutter.
Layanan ini menggunakan pendekatan arsitektur microservice yang memisahkan lapisan antarmuka (client-side) dengan mesin inferensi (server-side). Alur eksekusi data di dalam sistem terbagi menjadi tiga tahapan utama:
Data Ingestion (HTTP POST): Aplikasi client mengirimkan vektor fitur berupa manifestasi klinis (gejala) pasien melalui payload JSON melalui protokol REST API.
Inference Processing: Mesin inferensi melakukan kalkulasi probabilitas bersyarat (conditional probability) berdasarkan Teorema Bayes. Proses ini mencakup evaluasi prior probability dari setiap kelas penyakit dan kombinasi likelihood dari setiap gejala yang diekstrak dari knowledge base (data latih).
Serialization: Hasil akhir berupa kelas penyakit dengan nilai posterior probability tertinggi diekstrak, diserialisasi ke dalam format JSON, dan dikembalikan ke client dengan status kode HTTP 200 OK.
Multi-Class Naive Bayes Classifier: Implementasi algoritma yang dioptimasi untuk klasifikasi multi-kelas pada data klinis yang bersifat diskrit.
Environment Isolation & Portability: Dikompilasi menggunakan Docker untuk memastikan konsistensi runtime environment, mengeliminasi isu dependency hell, serta mempermudah horizontal scaling.
Stateless Architecture: Desain stateless memastikan setiap request diproses secara independen, meminimalkan overhead memori pada kontainer, dan mengoptimalkan waktu respons (low latency).