● TENTANG DERMAI

Sistem Kolaboratif
Kelas 3 TID

DermAI adalah hasil kolaborasi 10 kelompok mahasiswa yang mengintegrasikan multiple deep learning models untuk deteksi, segmentasi, dan prediksi tren penyakit kulit. Setiap kelompok berkontribusi modul spesifik dengan keahlian unik.

10
Kelompok
6
Modul Analisis
8+
Models Deep Learning

Kontribusi Kelompok

highlight_alt

Kelompok 1

Segmentasi Lesi Kanker

U-NET + RESNET50

Segmentasi semantik lesi kanker kulit menggunakan U-Net dan ResNet50 sebagai backbone pada dataset HAM10000.

visibility

Kelompok 2

Monitoring Area Jerawat

DEEPLABV3

Sistem monitoring sederhana area jerawat pada citra wajah melalui segmentasi menggunakan DeepLabV3.

bug_report

Kelompok 3

Deteksi Infeksi Jamur

CNN

Deteksi penyakit kulit infeksi jamur seperti kurap, panu, kutu air menggunakan CNN dan dataset DermNet NZ.

trending_up

Kelompok 4

Forecasting Risiko Jerawat

EFFICIENTNET + GRU

Analisis peningkatan risiko jerawat menggunakan EfficientNet dan Gate Recurrent Unit untuk pemodelan temporal.

location_on

Kelompok 5

Deteksi & Lokalisasi Jerawat

YOLOV8

Deteksi dan lokalisasi jerawat pada citra wajah menggunakan YOLOv8 dengan bounding box pada Acne Dataset.

analytics

Kelompok 6

Monitoring Area Jerawat

U-NET

Sistem monitoring sederhana area jerawat pada citra wajah melalui segmentasi menggunakan U-Net dengan Dataset ACNE04.

trending_up

Kelompok 7

Forecasting Monkeypox

LSTM

Forecasting prediksi tren monkeypox menggunakan LSTM untuk memodelkan pola temporal dari data epidemiologi global WHO.

medical_services

Kelompok 8

Deteksi Jenis Kanker

EFFICIENTNETB3

Sistem deteksi jenis kanker kulit melanoma dan basal cell carcinoma menggunakan CNN (EfficientNetB3) pada dataset HAM10000.

show_chart

Kelompok 9

Forecasting Tren Penyakit

BILSTM + ATTENTION

Forecasting tren penyakit kulit menggunakan BiLSTM dan attention mechanism berdasarkan data time series Google Trends.

timeline

Kelompok 10

Analisis Tingkat Keparahan Jerawat

CNN + LSTM

Analisis tingkat keparahan jerawat menggunakan CNN (MobileNetV2) dan LSTM untuk temporal modeling dan perubahan tingkat keparahan.

Arsitektur Sistem Kolaboratif

image_search

Upload & Preprocessing

Pengguna mengunggah gambar kondisi kulit. Sistem melakukan normalisasi, augmentasi, dan ekstraksi fitur untuk input ke semua model analisis.

hub

Pipeline Analisis Paralel

8 kelompok bekerja paralel: deteksi, segmentasi, klasifikasi, monitoring area, dan forecasting risiko untuk hasil komprehensif.

assessment

Hasil Terintegrasi

Output dari setiap kelompok digabungkan: klasifikasi penyakit, peta segmentasi, analisis risiko, dan rekomendasi penanganan.

query_stats

Forecasting Tren Publik

Sistem menyediakan prediksi tren penyakit kulit ke depan menggunakan BiLSTM, LSTM, dan BiLSTM+Attention (Kelompok 4, 7, 9, 10) dari berbagai sumber data epidemiologi dan Google Trends.

Performa Model Keseluruhan

Metrik Nilai Target Status
Akurasi Klasifikasi
95%
 ≥ 90% EXCELLENT
Sensitivity (Recall)
92%
 ≥ 85% EXCELLENT
Specificity
97%
 ≥ 90% EXCELLENT
Forecast Accuracy (MAPE)
12.4%
 ≤ 15% GOOD
Latency (Inference)
240ms
 ≤ 500ms EXCELLENT
System Uptime
99.9%
 ≥ 99% EXCELLENT