<![CDATA[Atrial Fibrilasi (AF) merupakan salah satu aritmia jantung yang paling umum dan berisiko menimbulkan komplikasi serius seperti stroke dan gagal jantung. Deteksi AF secara klinis dilakukan melalui analisis sinyal electrocardiogram (ECG) oleh tenaga medis, namun proses ini membutuhkan waktu dan sangat bergantung pada ketelitian interpretasi. Pendekatan berbasis machine learning juga masih memiliki keterbatasan akibat ketergantungan pada ekstraksi fitur manual yang dapat memengaruhi konsistensi dan akurasi deteksi. Oleh karena itu, penelitian ini mengembangkan sistem deteksi AF berbasis deep learning menggunakan metode CNN-BiLSTM dan sensor Shimmer electrocardiography sensor. Sinyal ECG yang diperoleh diproses melalui tahapan preprocessing yang meliputi DC removal, bandpass filter, notch filter, dan normalisasi, kemudian diklasifikasikan ke dalam kelas Normal atau Atrial Fibrilasi menggunakan model CNN-BiLSTM. Hasil analisis ditampilkan melalui Graphical User Interface (GUI) berbasis Python. Hasil pengujian menunjukkan bahwa 80% sinyal ECG hasil perekaman berada dalam rentang amplitudo fisiologis. Sistem mencapai akurasi klasifikasi sebesar 100% pada data normal dan data AF berbasis threshold persentase segmen, dengan rata-rata waktu komputasi sebesar 5,06 detik, sehingga mendukung implementasi sistem secara real-time. Hasil ini menunjukkan potensi sistem sebagai alat bantu tenaga medis dalam mendeteksi Atrial Fibrilasi secara efisien.]]>
Copyrights © 2026
