Implementasi Deep Learning MobileNetV2 dan Explainable AI (Grad-CAM) dalam Klasifikasi Multi-Kelas Penyakit Kuku Berbasis Raspberry Pi

Angelica, Sherina Yosephine
Mardi Putri, Rekyan Regasari

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol 10 No 01 (2026): Januari 2026

Deteksi dini kelainan kuku merupakan langkah krusial dalam pencegahan komplikasi medis serius, namun metode diagnosis visual manual sering kali bersifat subjektif dan rentan terhadap kesalahan interpretasi. Guna mengatasi keterbatasan aksesibilitas alat medis dan kurangnya transparansi pada sistem diagnosis otomatis konvensional, penelitian ini mengembangkan sistem klasifikasi penyakit kuku portabel berbasis embedded system pada Raspberry Pi 3 Model B yang mengintegrasikan arsitektur MobileNetV2 untuk efisiensi komputasi dan Gradient-weighted Class Activation Mapping (Grad-CAM) untuk interpretabilitas keputusan (Explainable AI). Sistem dirancang untuk mengklasifikasikan enam kondisi kuku—meliputi Healthy Nail, Acral Lentiginous Melanoma, Blue Finger, Clubbing, Pitting, dan Onikomikosis—secara real-time dengan sumber daya terbatas. Hasil pengujian menunjukkan performa sistem yang sangat andal dengan capaian akurasi global 90,6% dan rata-rata F1-Score 90,3%, serta efisiensi waktu inferensi sebesar 0,3781 detik per citra, membuktikan kelayakan prototipe ini sebagai alat skrining medis sekunder yang cepat, akurat, dan transparan untuk implementasi pada layanan kesehatan primer dan daerah terpencil.