🔬 SkinCheck - Deteksi Penyakit Kulit dengan AI

SkinCheck adalah aplikasi berbasis web yang memanfaatkan teknologi Computer Vision dan Deep Learning untuk melakukan deteksi dini terhadap penyakit kulit dari citra gambar. Proyek ini dibuat dalam rangka lomba Digiwar dengan fokus pada pemanfaatan AI untuk meningkatkan akses kesehatan.

🚀 Fitur Utama

• 📷 Input gambar dari kamera atau upload file
• 🔍 Deteksi otomatis jenis penyakit kulit (jinak atau ganas)
• 📊 Confidence score & interpretasi hasil
• 💡 UI/UX ramah pengguna berbasis Streamlit
• 🧠 Model deep learning berbasis ResNet50

---

🧠 Teknologi yang Digunakan

Komponen	Teknologi
Frontend	Streamlit
Model AI	TensorFlow + Keras, arsitektur ResNet50
Gambar Input	Pillow (PIL), OpenCV
Deployment	Hugging Face Spaces (Non-Docker + app.toml)
Bahasa	Python

---

📁 Struktur Folder

SkinCheck/
├── .streamlit/
│   └── config.toml          # Konfigurasi port Streamlit
├── dataSetDigistar/
│   ├── test/
│   │   ├── benign/          # Dataset test - tumor jinak
│   │   └── malignant/       # Dataset test - tumor ganas
│   └── train/
│       ├── benign/          # Dataset train - tumor jinak
│       └── malignant/       # Dataset train - tumor ganas
├── mesin.py                 # Kode untuk load dataset
├── save.py                  # Kode untuk menyimpan file .keras di lokal
├── app.py                   # Program utama (streamlit run app.py)
├── skincheck_model_tf.keras # Model hasil pelatihan
├── requirements.txt         # Dependensi aplikasi
└── README.md               # Dokumentasi proyek

---

⚙️ Cara Menjalankan di Lokal

1. Clone repositori

git clone https://github.com/farhan-hamzah/SkinCheck
cd SkinCheck

2. Buat virtual environment (Opsional tapi disarankan)

# Linux/Mac
python -m venv venv
source venv/bin/activate

# Windows
python -m venv venv
.\venv\Scripts\activate

3. Install dependensi

pip install -r requirements.txt

4. Jalankan aplikasi streamlit

streamlit run app.py

---

🧪 Cara Kerja Model

1. Preprocessing Gambar

Gambar diubah ke ukuran 224x224, distandarisasi, dan dinormalisasi.

2. Prediksi oleh Model

Model ResNet50 melakukan klasifikasi ke dalam 2 kelas:

• Benign (Jinak)
• Malignant (Ganas)

3. Output

Aplikasi memberikan hasil klasifikasi serta confidence score dan interpretasi risiko.

---

📈 Dataset

Model dilatih menggunakan dataset dari Kaggle: Skin Cancer MNIST: HAM10000

---

🌍 Dampak & Manfaat

• 📱 Akses mudah untuk deteksi awal penyakit kulit
• 🩺 Bermanfaat sebagai alat bantu skrining cepat
• 🧑‍⚕️ Tidak menggantikan diagnosis dokter, tetapi memberi insight awal
• 🔭 Potensi pengembangan untuk klasifikasi lebih banyak jenis penyakit kulit

---

🔐 Disclaimer Medis

⚠️ Penting untuk diingat:

• SkinCheck tidak menggantikan peran dokter
• Hasil dari aplikasi ini hanya sebagai skrining awal
• Untuk diagnosis dan penanganan lebih lanjut, konsultasikan dengan dokter kulit profesional

---

👨‍💻 Author

Farhan Hamzah

• Mahasiswa Informatika Universitas Telkom
• Memiliki ketertarikan dengan Artificial Intelligence dan Computer Vision
• 🔗 GitHub: @farhan-hamzah

---

📄 Lisensi

MIT License © 2025 Farhan Hamzah

Bebas digunakan untuk pembelajaran dan pengembangan lanjutan.