Perpustakaan Digital ITB

Kejadian jatuh pada lansia dapat berakibat fatal jika tidak tertangani dengan cepat, sehingga diperlukan sistem yang mampu mendeteksi kejadian jatuh secara akurat, lalu langsung mengirimkan notifikasi ke penjaga lansia. Meskipun saat ini telah tersedia berbagai macam pendeteksi jatuh, kebanyakan sistem tersebut masih memiliki kelemahan, seperti terganggunya privasi dan perlunya pemakaian alat tambahan. Untungnya, terdapat suatu teknologi yang dapat mengatasi kekurangan tersebut, yaitu radio frequency identification (RFID). Dari berbagai variasi konfigurasi pembaca dan tag RFID, opsi yang paling efektif dan efisien ialah dengan menempatkan sebuah pembaca pada tepi ruangan dan menyematkan sejumlah tag pasif pada setiap pakaian lansia. Sederhananya, tag RFID akan mengembalikan sinyal yang dipancarkan oleh pembaca. Kekuatan sinyal yang diterima kembali oleh pembaca ini disebut Received Signal Strength Indicator (RSSI), yang dipengaruhi oleh jarak antara pembaca dengan tag, orientasi tag, dan adanya halangan antara pembaca dengan tag. Halangan oleh tubuh (body shadowing) ini dapat dimanfaatkan untuk memprediksi posisi tubuh yang terindikasi dengan kejadian jatuh. Pada pendeteksi jatuh serupa, kejadian jatuh diprediksi dengan algoritma pembelajaran mesin klasik, misalnya Random Forest, tetapi tren menunjukkan bahwa model yang berbasis arsitektur Long Short-Term Memory (LSTM) berpotensi untuk menghasilkan kinerja yang lebih baik. Tren itu terbukti dalam penelitian ini, yang menunjukkan bahwa LSTM murni mencapai akurasi dan F1macro 99,39%, sementara CNN-LSTM mencapai akurasi dan F1macro sempurna. Hasil tersebut diperoleh dari pelatihan dan pengujian dengan set data yang berisi 4.128 data (1.920 positif dan 2.208 negatif) dan 30 tag yang tersebar di atasan dan bawahan lansia. Pada pengujian dengan kasus nyata yang memanfaatkan sliding window, LSTM murni hanya mencapai akurasi 65,63% dan F1macro 65,17%, sementara CNN-LSTM mencapai akurasi 82,29% dan F1macro 80,23%. Penelitian ini juga menunjukkan bahwa CNN-LSTM dengan hanya 10 tag pada posisi tertentu menghasilkan kinerja yang masih baik, sedikit saja lebih buruk dari LSTM murni.