Electronic Theses and Dissertation

Melanoma merupakan salah satu jenis kanker kulit ganas dengan tingkat kematian yang tinggi. deteksi dini sangat penting untuk meningkatkan peluang kesembuhan pasien. penelitian ini bertujuan mengembangkan sistem klasifikasi melanoma berbasis edge ai, di mana seluruh proses inferensi dilakukan langsung di perangkat edge tanpa bergantung pada server cloud. metode contrast limited adaptive histogram equalization (clahe) digunakan untuk meningkatkan kualitas citra, dan arsitektur deep learning vgg-19 serta resnet-50 diterapkan untuk klasifikasi citra. sistem diimplementasikan pada perangkat nvidia jetson orin nano untuk memastikan efisiensi komputasi, latensi rendah, dan kemandirian operasional dalam diagnosis real-time. antarmuka pengguna berbasis streamlit menampilkan hasil klasifikasi secara langsung, termasuk persentase prediksi antara kategori melanoma dan kulit normal serta waktu inferensi. hasil evaluasi menunjukkan bahwa model vgg-19 dengan citra hasil clahe mencapai akurasi, presisi, recall, specificity, dan f1-score sebesar 100%. model resnet-50 dengan citra clahe mencatat akurasi dan recall sebesar 100%, serta presisi dan specificity sebesar 99%. waktu inferensi tercepat tercatat pada resnet-50 dengan citra asli sebesar 0,2241 detik, sedangkan waktu terlama pada vgg-19 dengan citra asli sebesar 0,6618 detik. penelitian ini menunjukkan bahwa kombinasi clahe, cnn, dan edge ai menghasilkan sistem klasifikasi melanoma yang akurat, efisien, dan sepenuhnya mandiri. video demonstrasi dari sistem ini tersedia di: https://youtu.be/yfysouswjbi. kata kunci: melanoma, streamlit, edge ai, clahe, vgg-19, resnet-50, nvidia jetson, deep learning.

Melanoma is one of the most aggressive types of skin cancer with a high mortality rate. Early detection is crucial to improve patient survival rates. This study aims to develop a melanoma classification system based on Edge AI, where the entire inference process is executed directly on the edge device without reliance on cloud servers. The Contrast Limited Adaptive Histogram Equalization (CLAHE) method is employed to enhance image quality, and deep learning architectures VGG-19 and ResNet-50 are utilized for image classification. The system is implemented on the NVIDIA Jetson Orin Nano device to ensure computational efficiency, low latency, and operational independence for real-time diagnostics. A Streamlit-based user interface visualizes classification results in real-time, displaying prediction percentages for melanoma and normal skin categories, as well as inference time. Evaluation results show that the VGG-19 model with CLAHE-enhanced images achieved 100% accuracy, precision, recall, specificity, and F1-score. The ResNet-50 model with CLAHE-enhanced images reached 100% accuracy and recall, with 99% precision and specificity. The fastest inference time was recorded by ResNet-50 using original images at 0.2241 seconds, while the longest was by VGG-19 using original images at 0.6618 seconds. These results demonstrate that the combination of CLAHE, CNN, and Edge AI produces an accurate, efficient, and fully autonomous melanoma classification system. A demonstration video of the system is available at: https://youtu.be/yfYsOUswJBI. Keywords: Melanoma, Streamlit, Edge AI, CLAHE, VGG-19, ResNet-50, NVIDIA Jetson, Deep Learning.