Penyakit telinga terus menjadi masalah kesehatan global dengan prevalensi yang semakin meningkat, terutama pada beberapa kondisi spesifik seperti otitis media, myringosclerosis, earwax plug atau penyakit telinga lainnya. Penelitian ini ditujukan untuk mengembangkan sistem deteksi penyakit telinga yang dikembangkan menggunakan algoritma deep learning dalam mengenali gejala diagnosis dini penyakit pada telinga. Pengembangan deep learning pada sistem ini menggunakan arsitektur Convolutional Neural Network (CNN) yang akan diimplementasikan dengan platform website EarScope dan IoT. Metode penelitian ini mencangkup penerapan YOLOv8 menggunakan dataset yang terdiri dari 400 gambar pada setiap kelas objek untuk mendeteksi penyakit telinga dengan parameter batch size 32, ukuran gambar 640x640 piksel, dan epoch 100. Kinerja model dievaluasi berdasarkan metrik precision (P), recall (R), dan mean Average Precision (mAP). Penelitian dilakukan dengan membandingkan performa model YOLOv8s dan YOLOv8n. Hasil penelitian menunjukkan bahwa model YOLOv8n memberikan hasil terbaik dengan precision 0,861, recall 0,889 dan F1-Score sebesar 0,91, mAP50 0,953. Penerapan model YOLOv8n pada sistem ini menghasilkan akurasi sebesar 84,76?ngan rata-rata waktu komputasi inferensi oleh Raspberry Pi sekitar 1 detik per frame. Dengan pendekatan ini, diharapkan sistem mampu menjadi solusi alternatif yang efektif dan efisien untuk mendukung proses mendeteksi penyakit telinga secara real-time, terutama pada perangkat dengan keterbatasan komputasi seperti Raspberry Pi.
Kata kunci: penyakit telinga, deep learning, convolutional neural network (CNN), YOLOv8n, Raspberry Pi
