Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Aziz, Najwa Muthia
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Studi Komparasi Kinerja Varian One-Dimensional Convolutional Neural Network untuk Klasifikasi Elektrokardiogram 12-Lead pada Jetson Orin Nano Menggunakan Dataset Physikalisch-Technische Bundesanstalt-XL Aziz, Najwa Muthia; Pramukantoro, Eko Sakti; Amron, Kasyful
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 6 (2026): Juni 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit kardiovaskular menyebabkan sekitar 32% dari seluruh kematian global, sehingga sistem analisis elektrokardiogram (EKG) otomatis berbasis kecerdasan buatan menjadi kebutuhan mendesak, khususnya untuk diintegrasikan pada perangkat medis portabel. Implementasi model deep learning pada perangkat tersebut menuntut evaluasi trade-off antara performa klasifikasi dan efisiensi komputasi pada perangkat edge. Penelitian ini membandingkan empat arsitektur 1D-CNN yaitu baseline, ResNet, Multi-Scale, dan Attention-Based untuk klasifikasi diagnostik EKG 12-lead menggunakan dataset PTB-XL pada frekuensi sampling 100 Hz. Setiap rekaman EKG 10 detik diproses melalui bandpass filtering dan normalisasi Z-score per kanal, lalu dimasukkan sebagai tensor input (1000, 12) untuk mengklasifikasikan lima diagnostic superclass: NORM, MI, STTC, CD, dan HYP. Pada data uji fold 10, 1D-ResNet mencapai akurasi dan Macro AUC tertinggi, yaitu 79,94% dan 0,9354. Setelah dikonversi ke TensorRT FP16 dan diuji pada NVIDIA Jetson Orin Nano menggunakan seluruh 16.244 rekaman single-label PTB-XL, 1D-ResNet tetap unggul dalam akurasi, sedangkan latensi terendah (0,5291 ms/sampel) diperoleh 1D-CNN. Keempat model tetap berada dalam kapasitas memori 8 GB. Evaluasi multi-kriteria menggunakan Weighted Sum Model (bobot akurasi 0,40; latensi 0,30; CPU 0,15; GPU 0,10; RAM 0,05) menempatkan 1D-ResNet sebagai model paling optimal (skor 0,600), menawarkan keseimbangan terbaik untuk sistem klasifikasi EKG yang mengutamakan akurasi diagnostik pada edge device.
Co-Authors Eko Sakti Pramukantoro, Eko Sakti Kasyful Amron