Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Sistem Deteksi Tingkat Kerontokan Rambut dan Kebotakan Menggunakan YOLO Berbasis Web
Sistem Deteksi Tingkat Kerontokan Rambut dan Kebotakan Menggunakan YOLO Berbasis Web
Computer Vision Tingkat: Intermediate Versi 1.0.0 26 Dilihat
5.0 (0 ulasan)

Sistem Deteksi Tingkat Kerontokan Rambut dan Kebotakan Menggunakan YOLO Berbasis Web

Teknologi: Python YOLO Ultralytics Flask PyTorch HTML CSS JavaScript Tailwind CSS
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Sistem Deteksi Tingkat Kerontokan Rambut dan Kebotakan Menggunakan YOLO Berbasis Web

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Sistem Deteksi Tingkat Kerontokan Rambut dan Kebotakan Menggunakan YOLO Berbasis Web via TikTok.

Overview & Cara Kerja

TrichoSense AI merupakan sistem kecerdasan buatan (Computer Vision) mutakhir berbasis Deep Learning arsitektur YOLO26n (Ultralytics) dan antarmuka web interaktif Flask, yang dirancang khusus untuk melakukan skrining otomatis, deteksi dini penipisan rambut (hair thinning), serta pemetaan tingkat kebotakan (alopecia) pada kulit kepala manusia secara non-invasif dan objektif.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA PREPARATION

Dataset Acquisition & Roboflow Annotation

Akuisisi 535 citra kulit kepala beresolusi tinggi yang dianotasi ke dalam format bounding box YOLOv8, dibagi ke dalam partisi Train (482 citra), Validation (27 citra), dan Test (26 citra).

535 Citra Kulit Kepala Beranotasi
2 MODEL TRAINING

YOLO26n Training Protocol (100 Epochs)

Pelatihan arsitektur deep learning YOLO26n dengan 121 lapisan dan 2.39M parameter pada GPU Tesla T4, mengoptimalkan box loss, class loss, dan dfl loss pada resolusi 640x640 piksel.

100 Epochs & 2.39M Parameter
3 BENCHMARK METRICS

Independent Test Split Evaluation

Pengujian komprehensif pada data uji buta menghasilkan skor mAP@50 99.50%, Presisi 95.20%, Recall 94.20%, dan mAP@50-95 82.00% dengan kecepatan inferensi ~3.2ms.

mAP@50 99.50% & Precision 95.20%
4 SPATIAL ANALYTICS

ROI Localization & Area Coverage Calculation

Isolasi koordinat bounding box [x1, y1, x2, y2] untuk setiap zona penipisan, peredaman redundansi via NMS, dan kalkulasi persentase rasio luas area kerontokan terhadap bidang citra.

Kalkulasi Luas Area (%) & NMS IoU
5 CLINICAL ADVISORY

4-Stage Severity Classification & Care Plan

Kategorisasi kondisi ke dalam tingkat Normal, Ringan, Sedang, atau Berat secara objektif, disertai rekomendasi regimen harian, nutrisi folikel rambut, dan saran rujukan dokter.

Klasifikasi 4-Tahap & Rekomendasi
6 WEB DEPLOYMENT

TrichoSense Web Dashboard & RESTful API

Deployment antarmuka web modern responsif Tailwind CSS dengan 3 tombol sampel 1-klik, slider ambang batas confidence, penampil citra perbandingan, dan ekspor data JSON.

Flask 3.0 & Tailwind CSS UI
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

14 Berkas Proyek 2 Folder Utama
hero_scalp_scan.jpg 47.52 KB
training_results.png 329.52 KB
val_predictions.jpg 584.42 KB
sample_mild.jpg 34.46 KB
sample_moderate.jpg 47.52 KB
sample_severe.jpg 40.75 KB
index.html 70.57 KB
app.py 21.61 KB
hairloss-detection-yolo.ipynb 123.98 KB
Notebook Pratinjau
link full project.txt 82 B
README.dataset.txt 135 B
README.md 4.66 KB
markdown Pratinjau
README.roboflow.txt 883 B
requirements.txt 93 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11 (64-bit), macOS (Intel / Apple Silicon), Linux (Ubuntu 20.04+ LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.9, 3.10, atau 3.11 (Direkomendasikan Python 3.10/3.11)

Lingkungan kerja teruji

Memori (RAM)
Min. 4 GB (Rekomendasi 8 GB untuk komputasi grafis dan inferensi PyTorch)

Optimal untuk running service

Penyimpanan
Min. 1 GB Free Storage untuk dependensi Python, model weights .pt, dan file statis

Untuk berkas & dependensi

Database & Layanan
Tidak membutuhkan database SQL eksternal (Inference murni berbasis model file dan file static)

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 26 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, YOLO, Ultralytics, Flask
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.