<![CDATA[Penyakit kardiovaskular memerlukan metode deteksi dini yang andal, salah satunya melalui analisis sinyal elektrokardiogram (EKG). Penelitian ini mengusulkan implementasi Spiking Neural Network (SNN) untuk klasifikasi morfologi sinyal EKG pada FPGA guna memperoleh sistem yang efisien secara komputasi dan cocok untuk pemrosesan real-time. Dataset EKG sintetik dihasilkan menggunakan ECGSYN dan dikodekan ke dalam spike berbasis segmentasi morfologi. Model SNN dilatih menggunakan QuantizationAware Training (QAT) dengan format fixed-point Q4.4 agar selaras dengan implementasi perangkat keras. Hasil pengujian menunjukkan akurasi klasifikasi sebesar 91,11% dengan macro-F1 0,909, serta keluaran inferensi pada FPGA yang identik dengan hasil pelatihan. Selain itu, hasil analisis timing menunjukkan bahwa proses inferensi dapat diselesaikan dalam waktu yang jauh lebih singkat dibandingkan interval kedatangan spike masukan, sehingga sistem mampu beroperasi secara real-time. Efisiensi penggunaan sumber daya juga mendukung kelayakan sistem. Kata Kunci—Spiking Neural Network, Klasifikasi EKG, Quantization-Aware Training, FPGA, Neuromorphic Computing]]>
Copyrights © 2026
