<![CDATA[Penyakit kardiovaskular merupakan salah satu penyebab utama kematian di dunia, dengan aritmia sebagai salah satu gangguan yang dapat dikenali melalui sinyal elektrokardiogram (ECG). Interpretasi ECG secara konvensional membutuhkan waktu dan berpotensi menghasilkan inkonsistensi, sehingga mendorong pengembangan klasifikasi ECG otomatis berbasis machine learning pada perangkat wearable dan mobile. Namun, keterbatasan sumber daya perangkat mobile memerlukan penyesuaian dan evaluasi model berdasarkan kemampuan klasifikasi dan kinerja inferensi. Penelitian ini mengembangkan aplikasi Flutter untuk membandingkan Transformer dan Long Short-Term Memory (LSTM) yang dikonversi ke TensorFlow Lite dan dijalankan secara on-device. Batch Processing menggunakan data ECG beranotasi MIT-BIH untuk mengevaluasi klasifikasi, sedangkan Stream Processing menggunakan sinyal Polar H10 untuk mengevaluasi kinerja inferensi. Pengujian fungsional dan nonfungsional menunjukkan seluruh kebutuhan sistem berstatus PASS. Pada Batch Processing, 2.220 proses inferensi klasifikasi dari 1.984 detak unik menghasilkan accuracy LSTM 98,74%, lebih tinggi 1,76 poin daripada Transformer sebesar 96,98%, serta macro F1-score 98,97% dibandingkan 96,07%. Pada Stream Processing, setiap model diuji dalam tiga sesi selama lima menit setelah stabilisasi 40 detik. Transformer menghasilkan waktu inferensi 7,247 ms, 42,72% lebih rendah daripada LSTM sebesar 12,653 ms. CPU, RAM, dan throughput keduanya relatif sebanding, sedangkan artefak LSTM 32,82% lebih kecil. Kedua model memenuhi kebutuhan kinerja dengan trade-off antara kecepatan inferensi dan ukuran artefak.]]>
Copyrights © 2026
