Keterbatasan jumlah dokter spesialis Telinga-Hidung-Tenggorokan (THT) serta variasi akurasi diagnosis manual menjadi kendala dalam layanan kesehatan telinga, khususnya untuk diagnosis dini. Penelitian-penelitian sebelumnya telah menunjukkan bahwa model deep learning, seperti Convolutional Neural Network (CNN), mampu mengklasifikasikan citra otoskopi dengan akurasi yang tinggi. Namun demikian, sebagian besar penelitian tersebut hanya berfokus pada pengembangan model deep learning tanpa disertai integrasi sistem perangkat lunak yang utuh sehingga sulit digunakan secara praktis oleh tenaga medis maupun pasien. Tugas Akhir ini bertujuan untuk mengembangkan modul frontend dan backend pada sistem EarScope, yaitu sistem diagnosis dini penyakit telinga berbasis deep learning yang terintegrasi dengan kamera endoskopi dan perangkat Jetson Nano. Metode pengembangan yang digunakan adalah Pengembangan Iteratif, dengan tahapan analisis kebutuhan, perancangan sistem, implementasi, integrasi sistem, pengujian, serta evaluasi dan perbaikan. Modul backend dikembangkan menggunakan framework Laravel untuk mengelola data pengguna, data konsultasi, data diagnosis, serta hasil screening dari model deep learning, sedangkan modul frontend dikembangkan menggunakan Laravel Blade sebagai antarmuka interaktif bagi admin, dokter, dan pasien. Sistem yang dihasilkan mendukung fitur autentikasi dan RBAC, pengelolaan data dokter dan pasien, pengajuan dan penjadwalan konsultasi, hingga penyampaian hasil diagnosis secara terstruktur. Hasil pengujian menggunakan metode Black Box Testing menunjukkan bahwa seluruh fitur utama sistem berjalan sesuai dengan kebutuhan fungsional yang telah ditentukan. Dengan demikian, sistem EarScope berhasil dikembangkan sebagai solusi yang mengintegrasikan teknologi deep learning, perangkat endoskopi, dan aplikasi berbasis web guna mendukung proses diagnosis dini dan mudah diakses.The limited number of Ear-Nose-Throat (ENT) specialists and the variability in the accuracy of manual diagnosis remain major challenges in ear disease healthcare services, particularly for early diagnosis. Prior studies have shown that deep learning models, such as Convolutional Neural Networks (CNN), can classify otoscopic images with high accuracy. However, most of these studies focus solely on developing the deep learning model itself, without an accompanying, fully integrated software system that would make the model practically usable by medical staff and patients. This Final Project aims to develop the frontend and backend modules of EarScope, a deep-learning-based early ear disease diagnosis system integrated with an endoscopic camera and a Jetson Nano device. The system was developed using the Iterative Development method, covering requirements analysis, system design, implementation, system integration, testing, and evaluation and refinement. The backend module was built using the Laravel framework to manage user data, consultation data, diagnosis data, and screening results produced by the deep learning model, while the frontend module was built using Laravel Blade as an interactive interface for admins, doctors, and patients. The resulting system supports authentication and role-based access control (RBAC), management of doctor and patient data, consultation submission and scheduling, and structured delivery of diagnosis results. Black Box Testing results show that all of the system's main features function according to the specified functional requirements. Thus, the EarScope system has been successfully developed as a solution that integrates deep learning technology, endoscopic devices, and a web-based application to support early and easily accessible diagnosis.