<![CDATA[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.]]>
Copyrights © 2026
