Electronic Theses and Dissertation

Melanoma umumnya disebabkan oleh paparan radiasi UV yang berlebihan dan tidak terlindungi pada kulit, sehingga melanosit, yang menghasilkan pigmen, memicu bintik hitam dan dapat menjadi masalah serius jika menyebar secara tidak normal ke seluruh tubuh manusia, penelitian ini menyarankan untuk menggunakan visi komputer dan pembelajaran mendalam melalui CNN (Convolutional Neural Network) untuk klasifikasi lesi kulit. CNN digunakan untuk mengidentifikasi gambar dermastokopi yang sangat sulit diinterpretasikan oleh mata telanjang manusia, seperti pola, struktur, dan fitur-fitur penting pada gambar dermastokopi. Dengan menggunakan EfficientNetB0 sebagai arsitektur model dengan Streamlit sebagai platform dan Jetson Orin Nano sebagai perangkat untuk menguji klasifikasi, penelitian ini menyimpulkan bahwa akurasi EfficientNetB0 sebagai arsitektur model untuk mengklasifikasikan lesi kulit mencapai 100% dan Jetson Orin Nano dapat mendeteksi dan mengklasifikasikan dengan baik.

Kata kunci : Melanoma, CLAHE, Deep Learning, CNN, EfficientNet-B0, Streamlit , Jetson Orin Nano

Melanoma is generally caused by excessive unprotected UV radiation exposure to skin, so melanosite, which produces pigment, triggers moles and it can be a serious problem if spreading abnormally to whole human body.This research suggests using computer vision and deep learning via CNN (Convolutional Neural Network) for skin lesion classificiation. CNN is employed to identify dermastocopy images that really challenging for human naked eye to interpret such as pattern, structures, and important features in dermastocopy images. By using EfficientNetB0 as model architecture with Streamlit as Platform and Jetson Orin Nano as Device to test classification, the research concludes that the accuracy of EfficientNetB0 as model architecture to classify the skin lesion is up to 100% and Jetson Orin Nano can detect and classify it well Keywords: Melanoma, CLAHE, Deep Learning, CNN, EfficientNet-B0, Streamlit , Jetson Orin Nano