<![CDATA[Perkembangan kecerdasan buatan dalam instrumentasi biomedis mendorong sistem deteksi penyakit yang lebih cepat dan otomatis, salah satunya deteksi aritmia berbasis sinyal EKG untuk pemantauan jantung real-time. Namun, banyak model dan implementasi AI yang masih kurang efisien untuk perangkat edge karena konsumsi daya dan kebutuhan komputasi yang tinggi. Penelitian ini mengusulkan akselerator klasifikasi aritmia berbasis 1D-CNN pada FPGA menggunakan MIT-BIH Arrhythmia Database dengan tiga variasi arsitektur. Arsitektur Derivative Hybrid Matched Filter memberikan performa terbaik, dengan akurasi 92,69%, macro F1-score 79,63%, S sensitivity 94,55%, dan V sensitivity 91,59% Setelah diimplementasikan dalam fixed-point 8-bit Q(3,5). Implementasi FPGA menggunakan 2.402 LUT dan 2.410 register pada frekuensi 100 MHz, dengan konsumsi daya total 0,084 W dan latency 75 µs. Hasil ini menunjukkan bahwa akselerator FPGA mampu memberikan klasifikasi aritmia yang cepat dan hemat daya, sehingga lebih efisien untuk perangkat edge dibandingkan SBC. Kata Kunci—Aritmia, EKG, 1D-CNN, FPGA, Fixed-point, Quantization-Aware Testing, Matched Filter ]]>
Copyrights © 2026
