Electronic Theses and Dissertation

Dermatitis atopik (da) adalah penyakit kulit inflamasi kronis yang sering terjadi, dengan gejala gatal, kulit kering, dan kemerahan, serta memberikan dampak fisik dan psikologis pada penderita. prevalensi da terus meningkat, terutama di kalangan anak-anak. diagnosis dan penanganan dini sangat penting, namun metode tradisional seperti tes alergi dan biopsi memerlukan waktu lama dan berisiko kesalahan. dengan melakukan sistem klasifikasi da menggunakan deep learning yang terintegrasi dengan edge ai untuk analisis citra kulit. sistem ini dapat mendeteksi pola khas da, seperti kemerahan, kekeringan, dan lesi, yang sulit dikenali secara visual. edge ai memproses data secara lokal, mengurangi latensi, serta menjaga privasi data pasien. sistem ini juga diimplementasikan dalam aplikasi berbasis web menggunakan streamlit, memudahkan tenaga medis dalam mengakses diagnosa secara efisien. pendekatan ini bertujuan untuk meningkatkan akurasi dan efisiensi diagnosis da, mendukung perawatan yang lebih baik bagi pasien. setelah penelitian dilakukan, hasil pengujian menunjukkan bahwa sistem klasifikasi citra kulit yang dikembangkan mampu mencapai tingkat akurasi yang tinggi. model mobilenetv3 memberikan hasil terbaik dengan akurasi sebesar 98,5%, diikuti oleh efficientnet-b0 sebesar 98,3%, dan resnet-34 sebesar 96%. evaluasi lebih lanjut menggunakan metrik presisi, recall, spesifisitas, dan f-score memperkuat keunggulan mobilenetv3 dalam mengenali pola khas dermatitis atopik. dengan integrasi model ini ke dalam platform edge ai, sistem tidak hanya cepat dan efisien, tetapi juga aman digunakan di lingkungan dengan keterbatasan konektivitas dan kebutuhan privasi tinggi. kata kunci : dermatitis atopik, deep learning, streamlit, edge ai

Atopic Dermatitis (AD) is a common chronic inflammatory skin disease characterized by symptoms such as itching, dryness, and redness, which significantly impact patients' physical and psychological well-being. The prevalence of AD continues to rise, particularly among children. Early diagnosis is essential for effective treatment; however, traditional methods such as allergy testing and biopsy are time-consuming and prone to errors. To address these challenges, this study proposes an automatic classification system based on deep learning integrated with Edge AI for skin image analysis. The system is capable of identifying key AD features including redness, dryness, and lesions that are often difficult to detect visually. Edge AI enables local processing, reducing latency and ensuring patient data privacy. Moreover, the system is implemented in a web-based application using Streamlit, providing medical professionals with efficient and user-friendly access to diagnostic results. The system is evaluated using accuracy, precision, recall, specificity, and F-score metrics. Training results show that ResNet-34 achieved 96% accuracy, MobileNetV3 98,5%, and EfficientNet-B0 98,3%. A demonstration video of the system is available at https://www.youtube.com/watch?v=hkbXEbA8Gq0. Keywords—Atopic Dermatitis, CNN, Deep Learning, Streamlit, Edge AI