Pengembangan Deteksi Jatuh pada Manusia Menggunakan Metode Threshold Berbasis Data Akselerometer pada Smartphone

Mardi Hardjianto

Abstract


Banyak sistem deteksi jatuh dikembangkan menggunakan akselerometer, giroskop atau kombinasi kedua sensor pada smartphone. Deteksi hanya menggunakan akselerometer banyak digunakan karena hampir semua smartphone memiliki sensor akselerometer. Alasan lain menggunakan satu sensor dapat menghemat daya baterai. Metode yang banyak digunakan untuk deteksi jatuh yaitu threshold. Metode ini digunakan untuk menghindari komputasi yang komplek agar dapat juga menghemat daya baterai. Sayangnya, metode ini masih memiliki kelemahan yang menyebabkan sejumlah alarm palsu. Pada penelitian kami sebelumnya, akurasi yang dihasilkan mencapai 98,1%, namun masih terdapat kekurangan, yaitu kegagalan membedakan gerak jatuh dan berlari. Pada penelitian ini, kami mencoba memperbaiki metode deteksi jatuh agar dapat membedakan gerak jatuh dan berlari. Walaupun belum sempurna, namun akurasinya sudah meningkat menjadi 99,2%.


Keywords


akselerometer; threshold; smartphone; resultan akselerasi; akurasi

Full Text:

PDF

References


WHO, “Falls,” World Health Organization, 2021. https://www.who.int/en/news-room/fact-sheets/detail/falls (accessed Jul. 15, 2023).

CDC, “Centers for Disease Control and Prevention. Falls Reported by State,” 2023.

CDC, “Centers for Disease Control and Prevention. Fall Deaths by State,” 2023. https://www.cdc.gov/falls/data/fall-deaths.html (accessed Jul. 15, 2023).

Z. Wang, V. Ramamoorthy, U. Gal, and A. Guez, “Possible life saver: A review on human fall detection technology,” Robotics, vol. 8, no. 3. MDPI AG, Sep. 01, 2020. doi: 10.3390/ROBOTICS9030055.

S. D. Tsani and I. H. Mulyadi, “Sistem Pendeteksi Jatuh Wearable untuk Lanjut Usia Menggunakan Accelerometer dan Gyroscope,” J. Appl. Electr. Eng. , vol. 3, no. 2, pp. 44–48, 2019.

S. Sarker, A. K. Nath, and A. Razzaque, “Tradeoffs between sensing quality and energy efficiency for context monitoring applications,” Proc. 2016 Int. Conf. Netw. Syst. Secur. NSysS 2016, 2016, doi: 10.1109/NSysS.2016.7400699.

I. N. Figueiredo, C. Leal, L. Pinto, J. Bolito, and A. Lemos, “Exploring smartphone sensors for fall detection,” mUX J. Mob. User Exp., vol. 5, no. 1, p. 2, 2016, doi: 10.1186/s13678-016-0004-1.

M. Hardjianto, M. A. Rony, and G. S. Trengginas, “Deteksi jatuh pada lansia dengan menggunakan akselerometer pada smartphone,” in Prosiding SENTIA - Politeknik Negeri Malang, Malang, 2016, pp. 284–288.

G. Gumilar and H. H. Rachmat, “Sistem Pendeteksi Jatuh Wireless Berbasis Sensor Accelerometer,” TELKA, vol. 4, no. 2, pp. 132–141, 2018.

A. Hendi, H. Hermanto, and A. Rozaaq, “Sistem Deteksi Jatuh dan Peringatan Dini Pada Manusia Berbasis Android,” J. Sist. Komput. dan Inform., vol. 3, no. 3, p. 350, Mar. 2022, doi: 10.30865/json.v3i3.3927.

J. S. Lee and H. H. Tseng, “Development of an Enhanced Threshold-Based Fall Detection System Using Smartphones with Built-In Accelerometers,” IEEE Sens. J., vol. 19, no. 18, pp. 8293–8302, Sep. 2019, doi: 10.1109/JSEN.2019.2918690.

M. Hardjianto, J. E. Istiyanto, Subanar, and A. E. Putra, “Fall Detection On Humans Using Threshold Method Based On Smartphone Accelerometer Data,” Int. J. Adv. Stud. Comput. Sci. Eng., vol. 6, no. 10, pp. 8–13, 2017.

Britannica, “Acceleration,” 2023. https://www.britannica.com/science/acceleration (accessed Jul. 17, 2023).

D. Gupta, U. Kose, and V. E. Balas, Deep Learning for Medical Applications with Unique Data. Elsevier, 2022. doi: 10.1016/C2020-0-00679-1.

Ajay Kulkarni, D. Chong, and F. A. Batarseh, Foundations of data imbalance and solutions for a data democracy. 2021. doi: https://doi.org/10.48550/arXiv.2108.00071.




DOI: http://dx.doi.org/10.26418/jp.v10i1.72594

Refbacks

  • There are currently no refbacks.