Rancang Bangun Komponen Prediksi Risiko Pada Aplikasi Mobile Untuk Prediksi Risiko Serangan Jantung Menggunakan Smartwatch Electrocardiogram Dengan Pembelajaran Mesin

Putra, Arya Widia (2025) Rancang Bangun Komponen Prediksi Risiko Pada Aplikasi Mobile Untuk Prediksi Risiko Serangan Jantung Menggunakan Smartwatch Electrocardiogram Dengan Pembelajaran Mesin. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201016-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Penyakit jantung merupakan salah satu penyebab kematian utama di dunia. Sepertiga sampai setengah bagian dari kasus penyakit jantung adalah jantung koroner, yang dapat berakibat serangan jantung. Serangan jantung terjadi ketika aliran darah ke otot jantung terhambat atau terhenti. Penurunan aliran darah ini tercermin pada elektrokardiogram (EKG). Perkembangan teknologi arloji pintar (bahasa Inggris: smartwatch) memungkinkan pengguna untuk merekam EKG sendiri. Perekaman ini dapat dilakukan lebih sering dan otodidak sehingga meningkatkan akses ke perekaman EKG, terutama saat akses fasilitas kesehatan minim. Deteksi dini serangan jantung menggunakan EKG diharapkan dapat mendorong pengobatan atau usaha preventif lebih awal sehingga menurunkan mortalitas dari serangan jantung. Dengan demikian, penelitian Tugas Akhir ini bertujuan untuk mengetahui cara kerja aplikasi perangkat bergerak untuk prediksi risiko serangan jantung dari EKG rekaman arloji pintar dan rancang bangun aplikasi tersebut. Penelitian ini dilakukan dari April hingga Desember 2024. Penelitian dibagi menjadi tiga bagian: pembelajaran mesin, server dan basis data, dan aplikasi perangkat genggam. Aplikasi perangkat genggam dikembangkan dengan Flutter dan iOS Simulator, sedangkan server dan basis data dibangun menggunakan Flask dan MySQL. Aplikasi bekerja dengan mengambil data dari ponsel pintar pengguna, lalu membuat prediksi anomali EKG. Hasil prediksi pertama dan beberapa data kebiasaan pengguna dikirim ke server untuk mendapatkan prediksi risiko serangan jantung. Prediksi anomali dilakukan dengan model CNN autoencoders yang berhasil mendapat nilai akurasi 93,89% untuk training, 90,61% untuk testing, dan 72,38% untuk anomali. Prediksi risiko serangan jantung menggunakan model decision forest dengan akurasi 94%. Aplikasi perangkat bergerak yang dibangun menggunakan Flutter dapat berfungsi dengan baik dan berkomunikasi dengan server. Namun, ketika data dikirimkan untuk diproses oleh model, prediksi masih mengembalikan nilai dan prediksi yang sama. Dengan hasil demikian, peneliti menarik kesimpulan bahwa pengembangan aplikasi penelitian ini berhasil dan penelitian sudah menunjukkan rancang bangun dari aplikasi. Penelitian lanjutan dari penelitian ini perlu mempertimbangkan format export model pembelajaran mesin lain, eksperimen dengan framework backend, dan melakukan usability testing agar aplikasi dapat berjalan dengan lebih optimal.
======================================================================================================================================
Heart disease is one of the leading causes of death worldwide. Coronary heart disease accounts for between one-third and one-half of all heart disease cases, which can lead to a heart attack. A heart attack occurs when blood flow to the heart muscle is obstructed or stopped. This decreased blood flow is reflected in an electrocardiogram (ECG). Advances in smartwatch technology allow users to record their own ECGs. These recordings can be performed more frequently and independently, increasing access to ECG recordings, especially when access to healthcare is limited. Early detection of heart attacks using ECGs is expected to encourage earlier treatment or preventive measures, thereby reducing mortality from heart attacks. Therefore, this final project aims to determine the functionality of a mobile application for predicting heart attack risk from smartwatch ECG recordings and the design and implementation of such an application. The research was conducted from April to December 2024. The research is divided into three parts: machine learning, server and database, and mobile application. The mobile application was developed using Flutter and the iOS Simulator, while the server and database were built using Flask and MySQL. The application works by collecting data from the user's smartphone and then predicting ECG anomalies. The initial prediction results and some user behavior data were sent to the server to predict heart attack risk. Anomaly prediction was performed using a CNN autoencoder model, which achieved accuracy values of 93.89% for training, 90.61% for testing, and 72.38% for anomalies. Heart attack risk prediction using a decision forest model achieved 94% accuracy. The mobile application built using Flutter functioned well and communicated with the server. However, when data was sent for processing by the model, the predictions still returned the same values and predictions. Based on these results, the researchers concluded that the development of this research application was successful and the study demonstrated the application's design and implementation. Further research on this study needs to consider export formats for other machine learning models, experiment with backend frameworks, and conduct usability testing to ensure optimal application performance.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Aplikasi Mobile, Flutter Framework, Pembelajaran Mesin, Serangan Jantung, Smartwatch ECG, Flutter Framework, Heart Attack, Machine Learning, Mobile Application, Smartwatch ECG
Subjects:	Q Science > QA Mathematics > QA76.758 Software engineering Q Science > QA Mathematics > QA76.76.A65 Application software. Enterprise application integration (Computer systems)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Arya Widia Putra
Date Deposited:	08 Aug 2025 07:23
Last Modified:	08 Aug 2025 07:23
URI:	http://repository.its.ac.id/id/eprint/127977

Actions (login required)

View Item