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
Luthfirrahman, Muhammad Nadhil
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 
Analisis Komparatif Kinerja Inferensi Model Transformer dan LSTM untuk Klasifikasi Sinyal ECG Pada Aplikasi Mobile Luthfirrahman, Muhammad Nadhil; Pramukantoro, Eko Sakti; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 9 (2026): September 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit kardiovaskular merupakan salah satu penyebab utama kematian di dunia, dengan aritmia sebagai salah satu gangguan yang dapat dikenali melalui sinyal elektrokardiogram (ECG). Interpretasi ECG secara konvensional membutuhkan waktu dan berpotensi menghasilkan inkonsistensi, sehingga mendorong pengembangan klasifikasi ECG otomatis berbasis machine learning pada perangkat wearable dan mobile. Namun, keterbatasan sumber daya perangkat mobile memerlukan penyesuaian dan evaluasi model berdasarkan kemampuan klasifikasi dan kinerja inferensi. Penelitian ini mengembangkan aplikasi Flutter untuk membandingkan Transformer dan Long Short-Term Memory (LSTM) yang dikonversi ke TensorFlow Lite dan dijalankan secara on-device. Batch Processing menggunakan data ECG beranotasi MIT-BIH untuk mengevaluasi klasifikasi, sedangkan Stream Processing menggunakan sinyal Polar H10 untuk mengevaluasi kinerja inferensi. Pengujian fungsional dan nonfungsional menunjukkan seluruh kebutuhan sistem berstatus PASS. Pada Batch Processing, 2.220 proses inferensi klasifikasi dari 1.984 detak unik menghasilkan accuracy LSTM 98,74%, lebih tinggi 1,76 poin daripada Transformer sebesar 96,98%, serta macro F1-score 98,97% dibandingkan 96,07%. Pada Stream Processing, setiap model diuji dalam tiga sesi selama lima menit setelah stabilisasi 40 detik. Transformer menghasilkan waktu inferensi 7,247 ms, 42,72% lebih rendah daripada LSTM sebesar 12,653 ms. CPU, RAM, dan throughput keduanya relatif sebanding, sedangkan artefak LSTM 32,82% lebih kecil. Kedua model memenuhi kebutuhan kinerja dengan trade-off antara kecepatan inferensi dan ukuran artefak.
Co-Authors Eko Sakti Pramukantoro, Eko Sakti Rizal Setya Perdana