Implementasi Sistem Deteksi Detak Jantung Berbasis Long Short-Term Memory (LSTM) pada Perangkat Mobile

Akhmad Khaerudin; Bambang Irawan

doi:10.31004/riggs.v5i1.6836

Authors

Akhmad Khaerudin Universitas Muhadi Setiabudi
Bambang Irawan Universitas Muhadi Setiabudi

DOI:

https://doi.org/10.31004/riggs.v5i1.6836

Keywords:

Elektrokardiogram, Inferensi, Stream Processing, Polar H10, Android

Abstract

Penyakit kardiovaskular tetap menjadi penyebab utama kematian di dunia, sehingga mendorong pihak-pihak terkait untuk mengembangkan sistem pemantauan detak jantung yang menggunakan elektrokardiogram (ECG) dan bisa bekerja secara langsung dalam waktu nyata. Perkembangan perangkat mobile dan wearable membuat pendekatan inferensi di perangkat (on-device inference) semakin penting karena bisa mengurangi keterlambatan, meminimalkan ketergantungan pada jaringan, serta melindungi data pribadi. Namun, sebagian besar penelitian tentang klasifikasi detak jantung menggunakan machine learning masih lebih memperhatikan akurasi model, sedangkan penilaian mengenai kemampuan komputasi sistem inferensi ECG pada perangkat mobile masih kurang lengkap. Penelitian ini bertujuan membuat dan mengecek bagaimana sistem untuk mengira detak jantung secara langsung, berjalan di perangkat Android, menggunakan cara pemrosesan aliran data. Sistem ini menggunakan data ECG dari sensor Polar H10 dan memanfaatkan model LSTM yang sudah dilatih dari penelitian sebelumnya, yang telah diubah ke dalam format TensorFlow Lite. Pengembangan dilakukan dengan pendekatan prototyping berulang kali, meliputi penerimaan sinyal ECG, pembersihan sinyal, pencarian puncak R, pemotongan gelombang jantung, serta proses pengambilan kesimpulan. Evaluasi kinerja dilakukan dengan mempertimbangkan beberapa parameter seperti waktu yang dibutuhkan untuk menghasilkan hasil, penggunaan prosesor, penggunaan memori, serta kemampuan sistem dalam menangani data secara simultan. Hasil percobaan menunjukkan rata-rata waktu inferensi sebesar 34,79 milidetik, penggunaan memori RAM sebesar 13,04 megabyte, penggunaan CPU sebesar 17,05 persen, serta tingkat throughput mencapai 1,65 inferensi per detik. Temuan ini memberikan bukti nyata tentang kemampuan dan sifat-sifat kerja sistem inferensi detak jantung secara real-time yang menggunakan machine learning pada perangkat mobile.

Downloads

Download data is not yet available.

References

Anbalagan, T., Nath, M. K., Vijayalakshmi, D., & Anbalagan, A. (2023). Analysis of various ECG signal usage techniques in healthcare: Past, present, and future. Biomedical Engineering Advances, 6, 100089.

Arifin, S. A. S. (2025). Perancangan sistem monitoring kualitas udara real-time berbasis wireless sensor network dan edge computing untuk optimasi latensi data. Karapan Network Journal: Journal Computer Technology and Mobile Ad Hoc Network, 1(01).

Chong, B., Jayabaskaran, J., Jauhari, S. M., Chan, S. P., Goh, R., Kueh, M. T. W., Li, H., Chin, Y. H., Kong, G., Anand, V. V., Wang, J. W., Muthiah, M., Jain, V., Mehta, A., Lim, S. L., Foo, R., Figtree, G. A., Nicholls, S. J., Mamas, A. M., Januzzi, J. L., Chew, N. W. S., Richards, A. M., & Chan, M. Y. (2025). Global burden of cardiovascular disease: Projections from 2025 to 2050. European Journal of Preventive Cardiology, 32(11), 1001–1015.

Gufron, F. M., & Ardiwinata, F. (2025). Perancangan arsitektur sistem informasi kesehatan terintegrasi berbasis Internet of Things untuk pemantauan kesehatan harian (Doctoral dissertation, Universitas Islam Indonesia).

Li, Y., Zhang, Q., & Chen, M. (2024). On-device deep learning inference: Performance, latency, and privacy trade-offs in edge AI systems. IEEE Access, 12, 24567–24580. https://doi.org/10.1109/ACCESS.2024.3367890

Mi'roj, M. F., Pramukantoro, E. S., & Kurnianingtyas, D. (2026). Implementasi sistem inferensi detak jantung berbasis long short-term memory (LSTM) pada perangkat mobile. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 10(3).

Pramukantoro, E. S., & Gofuku, A. (2022). Heartbeat classifier for continuous prediction using wearable devices. Sensors, 22(14), 5080.

Pramukantoro, E. S., Amron, K., Kamila, P. A., & Wardhani, V. (2025a). Real-time heartbeat classification on distributed edge devices: A study of performance and resource utilization. Sensors, 25(19), 6116.

Pramukantoro, E. S., Amron, K., Wardhani, V., & Kamila, P. A. (2025b). Study on inference-based heartbeat classification using CNN and LSTM on edge devices. International Journal of Computing and Digital Systems, 18(1), 1–12.

Rahman, M., & Morshed, B. I. (2024). Smart wearable device for real-time heart disease detection through beat-wise ECG analysis using edge-based AI classification. In Proceedings of the IEEE International Conference on Body Sensor Networks (BSN) (ISBN 979-8-3315-3014-3).

Ribeiro, H. D. M., Arnold, A., Howard, J. P., Shun-Shin, M. J., Zhang, Y., Francis, D. P., Lim, P. B., Whinnett, Z., & Zolgharni, M. (2022). Real-time ECG-based arrhythmia monitoring using quantized deep neural networks: A feasibility study. Biomedical Signal Processing and Control, 74, 103495.

Spicher, N., Klingenberg, A. S., Purrucker, V., & Deserno, T. M. (2021). Edge processing in 5G cellular networks for real-time analysis of electrocardiograms recorded with textile sensors. In Proceedings of the IEEE Engineering in Medicine and Biology Conference.

Tan, H., Lai, J., Liu, Y., Song, Y., Wang, J., Chen, M., Yan, Y., Zhong, L., Feng, Q., & Yang, W. (2022). Neural architecture search for real-time quality assessment of wearable multi-lead ECG on mobile devices. Biomedical Signal Processing and Control, 74, 103495.

Tolle, H., Pinandito, A., Kharisma, A. P., & Dewi, R. K. (2017). Pengembangan aplikasi perangkat bergerak. Universitas Brawijaya Press.

Zahrah, N., & Suranto, B. (2025). Pengembangan antarmuka aplikasi bergerak dengan perangkat prototyping berbasis AI. Idealis: Indonesia Journal Information System, 8(2), 210–219.

Zen, A. F. A., Pramukantoro, E. S., Amron, K., Wardhani, V., & Kamila, P. A. (2023). Prediksi detak jantung menggunakan LSTM yang dijalankan di Raspberry Pi untuk memantau kesehatan secara portabel. Jurnal Teknologi Informasi dan Ilmu Komputer, 10(7), 1555–1562.