Electronic Theses and Dissertation

Kanker kulit Basal Cell Carcinoma (BCC) merupakan salah satu jenis kanker kulit yang paling umum dan sering kali tidak teridentifikasi pada tahap awal. BCC dapat menyebabkan kerusakan jaringan lebih lanjut apabila tidak segera ditangani. Oleh karena itu, diagnosis dini sangat penting untuk mencegah penyebaran kanker dan meningkatkan peluang pengobatan yang lebih optimal. Tujuan dari penelitian ini adalah untuk mengembangkan sistem klasifikasi BCC dengan menggunakan algoritma Convolutional Neural Network (CNN) guna menghasilkan output klasifikasi. Selain itu, penelitian ini juga mengusulkan integrasi teknologi Edge AI dan aplikasi berbasis web Streamlit untuk meningkatkan efisiensi serta mengurangi latensi dalam proses klasifikasi kanker kulit. Dengan memanfaatkan Edge AI, pemrosesan data dilakukan secara lokal pada perangkat, yang memungkinkan klasifikasi dilakukan dengan lebih cepat dan mengurangi ketergantungan terhadap koneksi internet. Hasil pengujian menunjukkan bahwa model yang dikembangkan mampu membedakan secara efektif antara kulit normal dan BCC. Evaluasi pengujian dilakukan berdasarkan metrik accuracy, precision, recall, specificity, F1 score, dan inference time. Akurasi untuk arsitektur EfficientNet-B0 adalah sebesar 98,9%, sedangkan untuk arsitektur ResNet-34 mencapai 100%. Video demonstrasi dari sistem yang dikembangkan dapat diakses melalui tautan berikut: https://youtu.be/hU0Woj2CnwI

Kata Kunci: Basal Cell Carcinoma, Edge AI, Streamlit, Convolutional Neural Network, Deep Learning.

Basal Cell Carcinoma (BCC) skin cancer is one of the common types of skin cancer and is often not identified in the early stages. BCC can cause further tissue damage if not treated promptly. Early diagnosis is essential to prevent the spread of cancer and increase the chances of more optimal treatment. The purpose of this study is to develop a BCC classification system using the Convolutional Neural Network (CNN) algorithm to provide classification results. In addition, this study also proposes integrating Edge AI technology and the Streamlit web-based application to improve efficiency and reduce latency in skin cancer classification. By using Edge AI, data processing is done locally on the device, which allows for faster classification and reduces dependence on internet connections. The test results show that the developed model can effectively distinguish between normal skin and BCC. The testing was evaluated based on accuracy, precision, recall, specificity, F1 score, and inference time. The accuracy for the EfficientNet-B0 architecture is 98.9% and for the ResNet-34 architecture is 100%, respectively. A demonstration video of the developed system is available at the following link: https://youtu.be/hU0Woj2CnwI Keywords: Basal Cell Carcinoma, Edge AI, Streamlit, Convolutional Neural Network, Deep Learning.