<![CDATA[Pemantauan detak jantung secara akurat dan real-time merupakan kebutuhan krusial dalam deteksi dini penyakit kardiovaskular, namun analisis mengenai performa komputasi model klasifikasi detak jantung otomatis pada perangkat mobile masih terbatas. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa inferensi on-device dari sebuah model convolutional neural network (CNN) hibrida yang mengintegrasikan sinyal mentah dengan 37 fitur morfologi time-domain. Implementasi dilakukan secara native pada platform Android menggunakan bahasa pemrograman Kotlin dan arsitektur MVVM, dengan menggunakan sensor Polar H10 sebagai sumber data melalui protokol Bluetooth low energy (BLE). Berdasarkan hasil eksperimen pada perangkat dengan prosesor Snapdragon 665, sistem mampu melakukan inferensi dengan rata-rata latensi sebesar 6,43 ms per detak jantung, penggunaan memori rata-rata sebesar 8,8 MB, dan beban CPU sebesar 7,92%. Pengujian selama 10 menit membuktikan stabilitas dan reliabilitas sistem dengan total 1.573 detak yang berhasil diklasifikasikan tanpa adanya degradasi performa ataupun kegagalan sistem. Penelitian ini menyimpulkan bahwa implementasi sistem inferensi secara native pada perangkat mobile sangat layak untuk mendukung aplikasi pemantauan kesehatan jantung yang responsif, privat, dan efisien sumber daya melalui pemanfaatan sumber daya komputasi lokal perangkat secara optimal.]]>
Copyrights © 2026
