Implementasi Sistem Inferensi Klasifikasi Detak Jantung Berbasis Stream Processing Pada Jetson Nano

Abstrak

Penyakit kardiovaskular merupakan penyebab kematian tertinggi di dunia, mencapai 31% dari total kematian, dengan 17,9 juta korban jiwa pada tahun 2019. Deteksi dini menjadi krusial untuk mencegah penyakit ini. Teknologi seperti otomasi deteksi detak jantung dengan perangkat wearable dan machine learning dapat mendukung upaya tersebut. Namun, sistem inferensi sebelumnya menggunakan batch processing yang menyebabkan penundaan signifikan. Penelitian ini mengembangkan sistem inferensi klasifikasi detak jantung berbasis stream processing, memungkinkan data diproses secara langsung dan kontinu. Sistem ini menggunakan model LSTM 512, 256, dan FCN dengan fitur RR-Interval, morphology, dan wavelet. Dikembangkan sebagai aplikasi web menggunakan framework Flask, sistem ini menghubungkan sensor Polar H10 melalui Web Bluetooth API di JavaScript. Frontend web menangani koneksi sensor, pengiriman data ECG ke backend, dan visualisasi hasil inferensi dalam bentuk grafik. Backend melakukan inferensi pada perangkat Jetson Nano. Hasil pengujian menunjukkan model LSTM 256 wavelet unggul dalam waktu respons, LSTM 512 morphology terbaik dalam throughput, dan LSTM 256 dengan fitur RR-Interval atau wavelet paling efisien dalam penggunaan sumber daya.