<![CDATA[Aritmia jantung, gangguan irama jantung yang terdeteksi melalui sinyal electrocardiogram (ECG), memerlukan metode klasifikasi akurat dan efisien pada perangkat dengan sumber daya terbatas. Penelitian ini mengembangkan aplikasi mobile Android untuk menguji model klasifikasi sinyal ECG berbasis Continuous Wavelet Transform (CWT) dan Convolutional Neural Network (CNN) yang telah dilatih sebelumnya. Aplikasi ini mendukung pengujian model secara offline dengan mengimpor file sinyal ECG format CSV, memprosesnya menjadi scalogram menggunakan transformasi wavelet, dan mengklasifikasikan hasilnya ke dalam lima kategori aritmia sesuai standar AAMI. Metode yang digunakan meliputi pengembangan aplikasi mobile dengan Kotlin, integrasi model TensorFlow Lite (.tflite), serta implementasi preprocessing CWT yang dioptimalkan untuk perangkat mobile. Pengujian kinerja model dilakukan menggunakan 48 file dari MIT-BIH Arrhythmia Database untuk mengukur waktu inferensi, penggunaan CPU, dan memori. Pengujian fungsionalitas juga dilakukan untuk memastikan seluruh fitur aplikasi berjalan sesuai kebutuhan. Hasil pengujian menunjukkan aplikasi berhasil menjalankan fungsi utama dan mampu mengklasifikasikan aritmia secara offline dengan performa sumber daya yang wajar. Meskipun demikian, confidence pada label non-normal (selain N) masih lebih rendah dibandingkan pengujian desktop, mengindikasikan perlunya optimasi preprocessing dan inferensi pada perangkat mobile. Penelitian ini membuktikan kelayakan pengujian model klasifikasi ECG secara offline pada perangkat Android, membuka peluang pengembangan aplikasi deteksi aritmia mobile berbasis edge computing.]]>
Copyrights © 2025
