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
Butarbutar, Erlinda
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 
Sistem Deteksi Supraventricular Extrasystole Menggunakan Metode Convolutional Neural Network Berbasis Shimmer Electrocardiography Sensor Butarbutar, Erlinda; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Supraventricular Extrasystole (SVE) merupakan gangguan irama jantung yang sering terjadi dan dapat menjadi indikator awal penyakit kardiovaskular. Deteksi dini SVE penting untuk mendukung pengambilan keputusan klinis yang cepat dan akurat. Namun, identifikasi SVE masih banyak bergantung pada anotasi manual rekaman ECG jangka panjang, yang memerlukan waktu lama dan berpotensi menimbulkan kesalahan. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem deteksi SVE yang otomatis dan efisien berbasis sensor wearable dan deep learning. Sistem yang dikembangkan memanfaatkan Shimmer Electrocardiography Sensor untuk akuisisi sinyal ECG, yang kemudian diproses melalui tahap pra-pemrosesan berupa penyaringan noise dan normalisasi. Proses klasifikasi dilakukan menggunakan Convolutional Neural Network (CNN) dengan arsitektur U-Net 1D, serta diintegrasikan ke dalam aplikasi berbasis Python dengan antarmuka grafis untuk visualisasi real-time. Hasil penelitian ini menunjukkan bahwa 86.67% data uji berada pada rentang amplitudo fisiologis 0.5 – 5 mV, dengan nilai MAPE sebesar 0.071% yang menunjukkan akurasi pengiriman data 99.93%. Sistem mampu mengklasifikasikan sinyal ECG ke dalam kelas Normal dan SVE dengan akurasi 96.67% serta waktu komputasi rata-rata 1.8 detik. Dengan demikian, sistem ini berpotensi menjadi alat bantu yang andal bagi tenaga medis dalam mendeteksi SVE secara cepat dan objektif.
Co-Authors Edita Rosana Widasari, Edita Rosana