Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
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.