Peningkatan Akurasi Deteksi Jatuh Menggunakan Sensor Akselerometer dan Giroskop pada Smartphone

Abstract

Penuaan populasi menjadi perhatian global, terutama karena tubuh yang menua berpotensi mengalami penurunan kondisi fisik, termasuk risiko jatuh. Jatuh sangat berbahaya, terutama bagi lansia, karena dapat menyebabkan cedera serius atau bahkan kematian. Oleh karena itu, penting untuk mendeteksi kejadian jatuh dengan cepat dan akurat untuk mencegah penanganan yang terlambat.

Penelitian ini merancang sistem klasifikasi aktivitas manusia, terutama untuk mendeteksi kejadian jatuh. Sistem ini dirancang dengan tujuh arsitektur model menggunakan varian dari Recurrent Neural Network (RNN), yaitu Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Simple Recurrent Neural Network (SimpleRNN). Selain itu, juga digunakan variasi dari Convolutional Neural Network (CNN), yaitu 1D Convolutional Neural Network (1D CNN).

Hasil validasi menunjukkan bahwa metode yang digunakan dalam eksperimen untuk kelas duduk, berdiri, dan jatuh mendapatkan nilai sempurna. Namun, kelas jatuh mendapatkan nilai yang berbeda untuk setiap arsitektur model. Untuk semua kelas, performa terendah dimiliki oleh kombinasi model arsitektur 1D CNN dan SimpleRNN dengan akurasi 95,6%, sedangkan performa tertinggi dimiliki oleh model arsitektur SimpleRNN dan kombinasi model arsitektur CNN dan GRU dengan akurasi mencapai 99,0%.

Kata kunci— Penuaan populasi, keadaan jatuh, Sistem klasifikasi aktifitas fisik manusia, recurrent neural network (RNN), convolutional neural network (CNN).