spa Tentang DermAI

Sistem Kolaboratif
Kelas 3 TID

DermAI adalah hasil kolaborasi 10 kelompok mahasiswa yang mengintegrasikan berbagai model Deep Learning untuk deteksi, segmentasi, dan prediksi tren penyakit kulit. Setiap kelompok berkontribusi modul spesifik dengan keahlian unik.

0
Kelompok
0
Modul Analisis
0
Deep Learning Models
• Kontributor

Kolaborasi 10 Kelompok

highlight_alt

Kelompok 1

Segmentasi Lesi

Segmentasi semantik lesi kanker kulit menggunakan U-Net dan ResNet50.

U-NET + RESNET50
visibility

Kelompok 2

Area Jerawat

Monitoring area jerawat pada citra wajah dengan segmentasi DeepLabV3.

DEEPLABV3
bug_report

Kelompok 3

Deteksi Jamur

Deteksi penyakit kulit infeksi jamur seperti kurap, panu, dan kutu air.

CNN
trending_up

Kelompok 4

Risiko Jerawat

Forecasting risiko jerawat menggunakan EfficientNet dan GRU.

EFFICIENTNET + GRU
location_on

Kelompok 5

Lokalisasi Jerawat

Deteksi dan lokalisasi jerawat dengan bounding box YOLOv8.

YOLOV8
analytics

Kelompok 6

Segmentasi Jerawat

Segmentasi area jerawat pada citra wajah berbasis arsitektur U-Net.

U-NET
trending_up

Kelompok 7

Tren Monkeypox

Forecasting tren penyebaran kasus monkeypox global dengan LSTM.

LSTM
medical_services

Kelompok 8

Skrining Kanker

Skrining lesi kulit untuk deteksi melanoma & bcc berbasis CNN.

EFFICIENTNETB3
show_chart

Kelompok 9

Tren Penyakit

Forecasting tren penyakit kulit regional menggunakan BiLSTM + Attention.

BILSTM + ATTENTION
timeline

Kelompok 10

Keparahan Jerawat

Klasifikasi keparahan jerawat facial menggunakan CNN + LSTM.

CNN + LSTM
• Pipeline

Arsitektur Sistem Terintegrasi

1

Upload & Preprocess

2

Analisis Paralel

3

Forecasting Tren

4

Laporan Terpadu

image_search

1. Upload & Preprocessing

Pengguna mengunggah gambar kondisi kulit. Sistem secara otomatis menormalisasi format dimensi (seperti 300x300 piksel untuk EfficientNet atau 128x128 piksel untuk U-Net) serta melakukan pemrosesan dasar pada channel warna citra agar siap dimasukkan ke pipeline paralel.

hub

2. Pipeline Analisis Paralel

Citra yang telah siap diproses secara paralel oleh beberapa model Deep Learning spesifik. Kelompok 1 & 6 menjalankan segmentasi lesi dan jerawat (U-Net & ResNet50); Kelompok 2, 3, 5, dan 8 melakukan deteksi infeksi jamur (CNN) serta penyaringan resiko keganasan tumor kulit (EfficientNetB3).

query_stats

3. Forecasting Tren Publik

Model peramalan temporal (LSTM, BiLSTM, dan Attention Mechanism dari Kelompok 4, 7, 9, 10) menganalisis peningkatan resiko dan pergerakan penyakit di masa depan. Perhitungan dilakukan berdasarkan riwayat data epidemiologi dunia dari WHO dan fluktuasi pencarian Google Trends secara berkala.

assessment

4. Laporan Hasil Terintegrasi

Hasil analisis gambar dan peramalan data deret waktu dikompilasi menjadi satu laporan visual terpadu. Laporan mencakup peta segmentasi lesi interaktif, identifikasi tingkat klasifikasi penyakit dengan probabilitas persentase, serta proyeksi visual tren penyebaran kasus ke depan.

• Metrik

Performa Model Keseluruhan

Metrik Nilai Target Status
Akurasi Klasifikasi
91%
≥ 90% Excellent
Sensitivity (Recall)
90%
≥ 85% Excellent
Specificity
95%
≥ 90% Excellent
Forecast Accuracy (MAPE)
8.2%
≤ 15% Excellent
Latency (Inference)
140ms
≤ 500ms Excellent
System Uptime
99.9%
≥ 99% Excellent