<![CDATA[Penyakit kardiovaskular tetap menjadi penyebab utama kematian di dunia, sehingga mendorong pihak-pihak terkait untuk mengembangkan sistem pemantauan detak jantung yang menggunakan elektrokardiogram (ECG) dan bisa bekerja secara langsung dalam waktu nyata. Perkembangan perangkat mobile dan wearable membuat pendekatan inferensi di perangkat (on-device inference) semakin penting karena bisa mengurangi keterlambatan, meminimalkan ketergantungan pada jaringan, serta melindungi data pribadi. Namun, sebagian besar penelitian tentang klasifikasi detak jantung menggunakan machine learning masih lebih memperhatikan akurasi model, sedangkan penilaian mengenai kemampuan komputasi sistem inferensi ECG pada perangkat mobile masih kurang lengkap. Penelitian ini bertujuan membuat dan mengecek bagaimana sistem untuk mengira detak jantung secara langsung, berjalan di perangkat Android, menggunakan cara pemrosesan aliran data. Sistem ini menggunakan data ECG dari sensor Polar H10 dan memanfaatkan model LSTM yang sudah dilatih dari penelitian sebelumnya, yang telah diubah ke dalam format TensorFlow Lite. Pengembangan dilakukan dengan pendekatan prototyping berulang kali, meliputi penerimaan sinyal ECG, pembersihan sinyal, pencarian puncak R, pemotongan gelombang jantung, serta proses pengambilan kesimpulan. Evaluasi kinerja dilakukan dengan mempertimbangkan beberapa parameter seperti waktu yang dibutuhkan untuk menghasilkan hasil, penggunaan prosesor, penggunaan memori, serta kemampuan sistem dalam menangani data secara simultan. Hasil percobaan menunjukkan rata-rata waktu inferensi sebesar 34,79 milidetik, penggunaan memori RAM sebesar 13,04 megabyte, penggunaan CPU sebesar 17,05 persen, serta tingkat throughput mencapai 1,65 inferensi per detik. Temuan ini memberikan bukti nyata tentang kemampuan dan sifat-sifat kerja sistem inferensi detak jantung secara real-time yang menggunakan machine learning pada perangkat mobile.]]>
Copyrights © 2026
