<![CDATA[Penyakit kardiovaskular masih menjadi salah satu penyebab utama kematian secara global, sehingga mendorong pengembangan sistem pemantauan detak jantung berbasis elektrokardiogram (ECG) yangmampu beroperasi secara real-time. Perkembangan perangkat mobile dan wearable menjadikan pendekatan on-device inference semakin relevan karena dapat menurunkan latensi, mengurangi ketergantungan jaringan, serta menjaga privasi data. Namun, sebagian besar penelitian klasifikasi detak jantung berbasis machine learning masih berfokus pada akurasi model, sementara evaluasi kinerja komputasi sistem inferensi ECG pada perangkat mobile masih terbatas. Penelitian ini bertujuan untuk merancang dan mengevaluasi kinerja sistem inferensi detak jantung real-time berbasis stream processing yang dijalankan secara on-device pada perangkat Android. Sistem menggunakan data ECG dari sensor Polar H10 dan memanfaatkan model Long Short-Term Memory (LSTM) terlatih dari penelitian sebelumnya yang dikonversi ke format TensorFlow Lite. Pengembangan dilakukan dengan pendekatan prototyping iteratif, mencakup akuisisi sinyal ECG, preprocessing, deteksi R-peak,segmentasi detak jantung, serta proses inferensi. Evaluasi kinerja difokuskan pada parameter waktu inferensi, penggunaan CPU, penggunaan memori (RAM), dan throughput sistem. Hasil eksperimenmenunjukkan waktu inferensi rata-rata sebesar 34,79 ms, penggunaan RAM sebesar 13,04 MB, penggunaan CPU sebesar 17,05%, serta throughput sebesar 1,65 inferensi per detik. Temuan ini memberikan gambaran empiris mengenai kelayakan dan karakteristik kinerja sistem inferensi detak jantung real-time berbasis machine learning pada perangkat mobile.]]>
Copyrights © 2026
