Dermatitis atopik dan psoriasis merupakan dua penyakit kulit kronis yang membutuhkan deteksi dini untuk mencegah peningkatan keparahan gejala dan komplikasi. Keterbatasan akses terhadap layanan dermatologi di berbagai daerah di Indonesia mendorong perlunya solusi deteksi mandiri yang praktis dan informatif. Penelitian ini mengembangkan sistem deteksi berbasis citra menggunakan algoritma YOLOv8 yang diintegrasikan dengan Large Language Model (LLM) Gemini 1.5 untuk menjelaskan gejala secara otomatis dalam bahasa alami. Dataset terdiri dari 2.351 citra dermatitis atopik dan psoriasis yang dikumpulkan dari Kaggle dan Roboflow, lalu diperluas menjadi 4.102 citra melalui augmentasi visual. Empat skenario pelatihan menggunakan YOLOv8s, YOLOv8m, dan YOLOv8l dievaluasi berdasarkan precision, recall, F1-score, dan mAP. Model YOLOv8s dengan augmentasi menunjukkan performa terbaik dengan precision 0.965, recall 0.939, F1-score 0.962, dan mAP sebesar 0.867. Model ini dikonversi ke format TensorFlow Lite dan diimplementasikan dalam aplikasi mobile berbasis Framework Flutter yang dapat berjalan secara lokal di perangkat Android. Sistem tidak hanya menampilkan hasil deteksi visual berupa bounding box dan label penyakit, tetapi juga memberikan penjabaran gejala yang dinilai akurat dan relevan oleh dokter kulit. Hasil validasi menunjukkan bahwa sistem mampu membantu pengguna awam memahami kondisi kulit mereka secara mandiri dan berpotensi menjadi alat edukasi dan skrining awal di wilayah dengan keterbatasan tenaga medis.