Deteksi Jatuh Lansia Berbasis Landmark Sendi Pada Model LSTM
DOI:
https://doi.org/10.33795/jip.v11i3.6823Keywords:
Long Short Term Memory (LSTM), Landmark Sendi, Klasifikasi, LansiaAbstract
Fenomena lansia terlantar di Indonesia terus meningkat, dengan 2,4 juta dari 25 juta lansia terlantar pada tahun 2019 menurut data CAS Universitas Indonesia. Dengan populasi lansia yang terus bertambah setiap tahun, tantangan dalam perawatan lansia menjadi perhatian penting, khususnya dalam memberikan keamanan dan respons cepat terhadap kondisi darurat. Salah satu kondisi darurat yang sering terjadi adalah jatuh, yang dapat berakibat fatal jika tidak ditangani segera. Penelitian ini bertujuan untuk mengembangkan model deteksi jatuh pada lansia menggunakan algoritma Long Short Term Memory (LSTM) dan fitur landmark sendi. Kondisi jatuh didefinisikan sebagai perubahan pose dari berdiri ke terbaring, yang dipantau secara kontinu menggunakan konsep sliding window. Setiap pose diberikan indeks tertentu yang merepresentasikan kondisi lansia, seperti berdiri, bungkuk, jongkok, duduk, terbaring kiri, terbaring kanan, terbaring ke atas, dan terbaring ke bawah. Model LSTM digunakan untuk mengklasifikasikan pose lansia berdasarkan data pose tersebut. Metode penelitian meliputi studi literatur, analisis, pengembangan model, serta evaluasi performa. Penelitian ini menggunakan dataset berupa 240 video dengan 30 frame per video, melibatkan validator dari Panti Sosial X untuk memastikan keakuratan data yang digunakan. Hasil uji coba menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan pose dan mendeteksi kondisi jatuh dengan akurasi 91%, yang lebih unggul dibandingkan penelitian sebelumnya dengan akurasi model yaitu 86%.
Downloads
References
AI Egde, G. (2024, August 6). Pose landmark detection guide | Google AI Edge. Google for Developers. https://ai.google.dev/edge/mediapipe/solutions/vision/pose_landmarker diakses pada 23 Januari 2024.
Azhar Y. R., Figo A.D.F., Adi N, M., Y. Suratman, F., & Istiqomah. (2023). Analisis Performansi Algoritma Svm, Cnn, Dan Lstm Untuk Pengenalan Kegiatan Manusia Dengan Urad Fmcw Radar. Jurnal TEKTRIKA, 8(1), 27.
Cholissodin, I., Sutrisno, Andy Soebroto, A., Hasanah, U., & Inggir Febiola, Y. (2021). Ai, Machine Learning & Deep Learning (Teori & Implementasi). Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.
Daniel Tanugraha, F., Pratikno, H., Musayanah, M., & Indah Kusumawati, W. (2022). Pengenalan Gerakan Olahraga Berbasis (Long Short- Term Memory) Menggunakan Mediapipe. Journal of Advances in Information and Industrial Technology, 4(1), 37–45. https://doi.org/10.52435/jaiit.v4i1.182
Danny, M. (2021). Perancangan Sistem Informasi Warehouse Berbasis Visual Basic 6.0. Jurnal Teknologi Pelita Bangsa, 12(Vol. 12 No. 1 Maret 2021).
Dikjen PP. (1998, November 30). UU No. 13 Tahun 1998 Tentang Kesejahteraan Lanjut Usia. Database Peraturan Perundang-Undangan Indonesia - [Peraturan.Go.Id]. https://peraturan.go.id/id/uu-no-13-tahun-1998
Dwi Wulandari Santosa, R., Arif Bijaksana, M., & Romadhony, A. (2021). Implementasi Algoritma Long Short-Term Memory (LSTM) untuk Mendeteksi Penggunaan Kalimat Abusive Pada Teks Bahasa Indonesia. In Jurnal Tugas Akhir Fakultas Informatika (pp. 12–2020).
Gumelar, G., Norlaila, Ain, Q., Marsuciati, R., Agustanti Bambang, S., Sunyoto, A., & Syukri Mustafa, M. (2021). Kombinasi Algoritma Sampling dengan Algoritma Klasifikasi untuk Meningkatkan Performa Klasifikasi Dataset Imbalance. Prosiding seminar nasional SISPOTEK.
Hanafiah, A., Arta, Y., Nasution, H. O., & Lestari, Y. D. (2023). Penerapan Metode Recurrent Neural Network dengan Pendekatan Long Short-Term Memory (LSTM) Untuk Prediksi Harga Saham. Bulletin of Computer Science Research, 4(1), 27–33. https://doi.org/10.47065/bulletincsr.v4i1.321
Hardiyanto, R. A., Setianingsih, C., & Purboyo, T. W. (2023). Sistem Deteksi Jatuh Untuk Lansia Menggunakan Openpose dan Convolutional Neural Network . e-Proceeding of Engineering.
Jefiza, A., Daulay, I., & Hericson, J. (2020). Klasifikasi Gerakan Jatuh Berbasis Accelerometer dan Gyroscope Menggunakan K-Nearest Neighbors . Journal Of Applied Electrical Engineering (E, 4(2), 2548–9682.
Machali, I. (2021). Metode Penelitian Kuantitatif. Fakultas Ilmu Tarbiyah dan Keguruan Universitas Islam Negeri (UIN) Sunan Kalijaga Yogyakarta.
Madrim S, 2020. Kasus Penelantaran Masih Dialami Lansia Indonesia. URL: Statistik Penduduk Lanjut Usia 2023 - Badan Pusat Statistik
Indonesia (bps.go.id) Diakses tanggal 23 Januari 2023
Noorratri, E. D., Mei Leni, A. S., & Kardi, I. S. (2020). Deteksi Dini Resiko Jatuh Pada Lansia Di Posyandu Lansia Kentingan, Kecamatan Jebres, Surakarta. GEMASSIKA : Jurnal Pengabdian Kepada Masyarakat, 4(2), 128. https://doi.org/10.30787/gemassika.v4i2.636
Pangarso Wisanggeni, S., Krisna, A., & Rosalina, M. P. (2023, June 27). Potensi Masa Depan yang Terbuka oleh AI. Kompas.id. https://www.kompas.id/baca/investigasi/2023/06/26/potensi-masa-depan-yang-terbuka-oleh-ai
Rabbani, R., Wahidah, I., & Santoso, I. (2021). Klasifikasi Data Deteksi Jatuh Menggunakan Machine Learning Dengan Algoritma Adaptive Boosting (Adaboost) . Klasifikasi Data Deteksi Jatuh Menggunakan Machine Learning Dengan Algoritma Adaptive Boosting (Adaboost), 8(5), 5053.
Shabrina, R., Widiana, W., Sarah, N. and Hartono, R. (2021). e-Motion: Smart Remote Internet of Things Based Of Elderly Body Movements . Prosiding The 12 th Industrial Research Workshop and National Seminar Bandung. Bandung, 4-5 Agustus 2021. 289-295
Siahaan, M., Harsana Jasa, C., Anderson, K., Rosiana, M., Lim, S., & Yudianto, W. (2020). Penerapan Artificial Intelligence (AI) Terhadap Seorang Penyandang Disabilitas Tunanetra. Journal of Information System and Technology, 01(-), 186–193.
Sudirman. (2021). Machine Learning Deteksi Jatuh Menggunakan Algoritma Human Posture Recognition. Konferensi Nasional Ilmu Komputer (KONIK) 2021 .
Sulung, U., & Muspawi, M. (2024). Memahami Sumber Data Penelitian : Primer, Sekunder, Dan Tersier. Jurnal Edu Research Indonesian Institute for Corporate Learning and Studies (IICLS) , 5(3).
Suryani, S., & Mustakim, M. (2022). Estimasi Keberhasilan Siswa dalam Pemodelan Data Berbasis Learning Menggunakan Algoritma Support Vector Machine. Bulletin of Informatics and Data Science, 1(2), 81. https://doi.org/10.61944/bids.v1i2.36
