<![CDATA[Penyakit kardiovaskular atau cardiovascular disease (CVD) menduduki peringkat teratas penyebab kematian di dunia. Diperkirakan sekitar 17,9 juta jiwa meninggal akibat CVD pada tahun 2019, yang menyumbang sebanyak 32% dari seluruh kematian global. Penting untuk mendeteksi kelainan pada jantung sedini mungkin untuk mencegah kematian karena CVD. Peningkatan kesadaran tentang pentingnya pemantauan kesehatan diri sendiri telah mendorong perkembangan teknologi pemantauan kesehatan portabel. Dalam penelitian ini, kami mengusulkan model prediksi detak jantung berbasis Long Short-Term Memory (LSTM) dengan menggunakan fitur RR-Interval dan mengimplementasikan pada perangkat Raspberry Pi. Model berbasis LSTM merupakan salah satu jenis arsitektur jaringan saraf tiruan yang mampu menangani data berurutan dengan baik, sehingga sangat cocok untuk pemantauan dan prediksi detak jantung yang bersifat sekuensial. Raspberry Pi dikenal karena ukurannya yang kecil, harga yang terjangkau, kinerja yang andal, dan efisiensi komputasi yang baik. Raspberry Pi juga memungkinkan integrasi yang mudah dengan berbagai sensor, menjadikannya solusi yang cocok untuk pemantauan kesehatan yang portabel. Hasil penelitian ini menunjukkan bahwa model klasifikasi yang diusulkan memiliki kinerja yang baik dengan tingkat akurasi mencapai 96,66%. Implementasi inferensi pada Raspberry Pi juga menunjukkan performa yang baik, dengan waktu 4,82 detik untuk melakukan inferensi data sepanjang 100 detik, serta penggunaan memori sebesar 134,8MB. Abstract Cardiovascular diseases (CVDs) rank as the top cause of global death. An estimated 17.9 million people succumbed to CVDs in 2019, constituting 32% of all global deaths. Detecting heart abnormalities as early as possible is crucial to prevent CVD-related fatalities. The growing awareness of the importance of self-health monitoring has driven the development of portable health monitoring technologies. In this study, we propose a Long Short-Term Memory (LSTM)-based heart beat prediction model using RR-Interval as features and implement it on the Raspberry Pi device. LSTM models are a type of artificial neural network architecture known for their ability to handle sequential data effectively, making them highly suitable for sequential heart rate monitoring and prediction. The Raspberry Pi is renowned for its compact size, affordability, reliable performance, and efficient computational capabilities. It also enables seamless integration with various sensors, making it an ideal solution for portable health monitoring. This research show that the proposed classification model performs well, achieving an accuracy rate of 96.66%. The implementation of inference on the Raspberry Pi also demonstrates good performance, with an average inference time of 4.82 seconds for processing 100 data points and a memory usage of 134.8MB.]]>
