<![CDATA[Penyakit kardiovaskular menyebabkan sekitar 32% dari seluruh kematian global, sehingga sistem analisis elektrokardiogram (EKG) otomatis berbasis kecerdasan buatan menjadi kebutuhan mendesak, khususnya untuk diintegrasikan pada perangkat medis portabel. Implementasi model deep learning pada perangkat tersebut menuntut evaluasi trade-off antara performa klasifikasi dan efisiensi komputasi pada perangkat edge. Penelitian ini membandingkan empat arsitektur 1D-CNN yaitu baseline, ResNet, Multi-Scale, dan Attention-Based untuk klasifikasi diagnostik EKG 12-lead menggunakan dataset PTB-XL pada frekuensi sampling 100 Hz. Setiap rekaman EKG 10 detik diproses melalui bandpass filtering dan normalisasi Z-score per kanal, lalu dimasukkan sebagai tensor input (1000, 12) untuk mengklasifikasikan lima diagnostic superclass: NORM, MI, STTC, CD, dan HYP. Pada data uji fold 10, 1D-ResNet mencapai akurasi dan Macro AUC tertinggi, yaitu 79,94% dan 0,9354. Setelah dikonversi ke TensorRT FP16 dan diuji pada NVIDIA Jetson Orin Nano menggunakan seluruh 16.244 rekaman single-label PTB-XL, 1D-ResNet tetap unggul dalam akurasi, sedangkan latensi terendah (0,5291 ms/sampel) diperoleh 1D-CNN. Keempat model tetap berada dalam kapasitas memori 8 GB. Evaluasi multi-kriteria menggunakan Weighted Sum Model (bobot akurasi 0,40; latensi 0,30; CPU 0,15; GPU 0,10; RAM 0,05) menempatkan 1D-ResNet sebagai model paling optimal (skor 0,600), menawarkan keseimbangan terbaik untuk sistem klasifikasi EKG yang mengutamakan akurasi diagnostik pada edge device.]]>
Copyrights © 2026
