Sistem Pendeteksi Fibrilasi Atrium Berbasis Convolutional Neural Network (CNN) Menggunakan EKG Portable
Abstract
Fibrilasi atrium merupakan salah satu jenis aritmia yang ditandai dengan aktivitas listrik jantung yang cepat dan tidak teratur, serta berpotensi meningkatkan risiko stroke dan gagal jantung jika tidak terdeteksi secara dini. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pendeteksi fibrilasi atrium berbasis Convolutional Neural Network (CNN) yang terintegrasi dengan perangkat EKG portabel. Sistem ini menggunakan tiga elektroda untuk merekam sinyal listrik jantung, yang kemudian dikirimkan ke aplikasi mobile melalui mikrokontroler ESP32. Data sinyal EKG dan fitur RR interval yang diterima akan diproses menggunakan model CNN untuk mengklasifikasikan kondisi jantung sebagai “normal” atau “fibrilasi atrium”. Model CNN yang dikembangkan berhasil mencapai akurasi sebesar 99,48% dan F1-Score sebesar 97,80%, menunjukkan performa klasifikasi yang sangat baik. Aplikasi mobile juga dirancang untuk menampilkan sinyal EKG, nilai detak jantung (BPM), dan hasil klasifikasi secara real-time. Hasil penelitian menunjukkan bahwa sistem ini mampu memberikan solusi yang efektif dan efisien dalam melakukan pemantauan jantung secara mandiri dan deteksi dini fibrilasi atrium. Kata kunci— fibrilasi atrium, sinyal EKG, CNN, ESP32, perangkat portabel
References
O. Kwon et al., “Electrocardiogram sampling
frequency range acceptable for heart rate variability
analysis,” Healthc Inform Res, vol. 24, no. 3, pp.
–206, Jul. 2018, doi: 10.4258/hir.2018.24.3.198.
E. Altamira-Colado, M. Bravo-Zanoguera, D.
Cuevas-González, M. Reyna-Carranza, and R.
López-Avitia, “Removal of ECG Baseline Wander
Using a Resting Cycle Template †,” Engineering
Proceedings, vol. 10, no. 1, 2021, doi: 10.3390/ecsa8-11289.
“ADS1293 Low-Power AFE for Biopotential
Measurements,” 2013. [Online]. Available:
www.ti.com
J. Zhou et al., “P-wave durations from automated
electrocardiogram analysis to predict atrial
fibrillation and mortality in heart failure,” ESC Heart
Fail, vol. 10, no. 2, pp. 872–883, Apr. 2023, doi:
1002/ehf2.14230.
M. Grace and S. Tan, “Heart Rate Determination
Using Electrocardiogram in Comparison with Pulse
Oximeter at Neonatal Resuscitation: The Singapore
General Hospital Experience OPEN ACCESS,”
[Online]. Available: https://www.Rproject.org
A. Mishra et al., “ECG Data Analysis with Denoising
Approach and Customized CNNs,” Sensors (Basel),
vol. 22, no. 5, Mar. 2022, doi: 10.3390/s22051928.
F. Huang, Z. Wang, and X. Bo, “Design of 50Hz
notch filter based on virtual instrument,” 2015.
“ssrn-5333373”.
T. Terada and M. Toyoura, “Wavelet Integrated
Convolutional Neural Network for ECG Signal
Denoising,” in Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial
Intelligence and Lecture Notes in Bioinformatics) ,
Springer Science and Business Media Deutschland
GmbH, 2025, pp. 311–324. doi: 10.1007/978-981-
-2071-5_23.
A. Mishra et al., “ECG Data Analysis with Denoising
Approach and Customized CNNs,” Sensors (Basel),
vol. 22, no. 5, Mar. 2022, doi: 10.3390/s22051928.
J. Duan, Q. Wang, B. Zhang, C. Liu, C. Li, and L.
Wang, “Accurate detection of atrial fibrillation
events with R-R intervals from ECG signals,” PLoS
One, vol. 17, no. 8 August, Aug. 2022, doi:
1371/journal.pone.0271596.
W. Yang, R. Deo, and W. Guo, “Functional feature
extraction and validation from twelve-lead
electrocardiograms to identify atrial fibrillation,”
Communications Medicine, vol. 5, no. 1, Dec. 2025,
doi: 10.1038/s43856-025-00749-2.
Y. N. Fu’adah and K. M. Lim, “Classification of
Atrial Fibrillation and Congestive Heart Failure
Using Convolutional Neural Network with
Electrocardiogram,” Electronics (Switzerland), vol.
, no. 15, Aug. 2022, doi:
3390/electronics11152456.
S. K. S. Rao and R. J. Martis, “RR Interval-based
atrial fibrillation detection using traditional and
ensemble machine learning algorithms,” J Med
Signals Sens, vol. 13, no. 3, pp. 224–232, Jul. 2023,
doi: 10.4103/jmss.jmss_4_22.
