Sistem Deteksi Jatuh Untuk Lansia Menggunakan Openpose dan Convolutional Neural Network
Abstract
Abstrak—Manusia Ketika memasuki umur senja (lansia) membuat sistem kerja tubuh berkurang dari psikologi maupun jasmani mengalami penurunan fungsionalitas.sehingga rentan sekali terjadinya bahaya kepada lansia tersebut sehingga membuat keluarga lansia mengingkan sebuah solusi untuk membantu mereka apabila terjadinya sebuah marabahaya ke lansia Cara kerja sistem ini adalah dengan menggunakan webcam, yang mana akan mendeteksi pergerakan dan posisi lansia di dalam rumah dengan menggunakan algoritma You Only Look Once (YOLO) dan openpose. Cara kerja sistem ini , kamera perekam akan diposisikan pada suatu ruangan dengan area yang dideteksi seluas 3 x 3 meter lalu kamera di taruh di pojok atas ruangan, sistem akan melakukan inferensi input gambar dan di tugas akhir ini akan dibandingkan performansi yang terbaik antara sistem jatuh dengan openpose atau tidak dengan openpose. Hasil yang di dapat adalah model terbaik dengan performansi terbaik terdapat pada model openpose dengan mendapatkan hasil Presisi 100%, Recall 100%, F1 Score 100 mAP 100% serta akurasi yang dihasilkan mencapai 100% dengan parameter model yang digunakan adalah Rasio 70% : 30%, Batchsize 64, Learning rate 0.01. Kata Kunci— fall detection, lansia, yolo, object detection.References
[1] Leslie. Mayhew, Health and elderly care
expenditure in an aging world.
International Institute for Applied Systems
Analysis, 2000.
[2] D. Park, H. Jo, C. H. Yoon, E. S. Lee, M. K.
Oh, and C. H. Lee,
rural elderly population in Korea,= Ann
Rehabil Med, vol. 43, no. 3, pp. 269–278,
Jun. 2019, doi:
10.5535/arm.2019.43.3.269.
[3] A. Shrestha and A. Mahmood,
deep learning algorithms and
architectures,= IEEE Access, vol. 7.
Institute of Electrical and Electronics
Engineers Inc., pp.
53040–53065,
2019. doi:
10.1109/ACCESS.2019.2912200.
[4] Z. He, D. Lu, Y. Yang, and M. Gao,
Elderly Care System Based on Multiple
Information Fusion,= J Healthc Eng, vol.
2018, 2018, doi: 10.1155/2018/4098237.
[5] J. Redmon, S. Divvala, R. Girshick, and A.
Farhadi,
Real-Time Object Detection,= Jun. 2015,
[Online]. Available:
http://arxiv.org/abs/1506.02640
[6] J. Redmon and A. Farhadi,
Incremental Improvement,= Apr. 2018,
[Online]. Available:
http://arxiv.org/abs/1804.02767
[7] R. Padilla, S. L. Netto, and E. A. B. da Silva,
Object-Detection Algorithms.=
[8] R. Padilla, W. L. Passos, T. L. B. Dias, S. L.
comparative analysis of object detection
metrics with a companion open- source
toolkit,= Electronics (Switzerland), vol.
10, no. 3, pp. 1–28, Feb. 2021, doi:
10.3390/electronics10030279.
[9] M. Hofmann and D. M. Gavrila,
environment,= Int J Comput Vis, vol. 96, no.
1, pp. 103–124, Jan. 2012, doi:
10.1007/s11263-011-0451-1.
[10] A. Toshev and C. Szegedy,
Human Pose Estimation via Deep Neural
Networks,= Dec. 2013, doi:
10.1109/CVPR.2014.214.
[11] H.-S. Fang, S. Xie, Y.-W. Tai, and C. Lu,
Estimation,= Nov. 2016, [Online].
Available:
http://arxiv.org/abs/1612.00137
[12] Z. Cao, G. Hidalgo, T. Simon, S.-E. Wei,
and Y. Sheikh,
Multi-Person 2D Pose Estimation using
Part Affinity Fields,= Dec. 2018, [Online].
Available:
http://arxiv.org/abs/1812.08008
[13] M. H. Kazeminezhad, A. Etemad-Shahidi,
and S. J. Mousavi,
inference system in the prediction of wave
parameters,= Ocean Engineering, vol. 32,
no. 14–15, pp. 1709–1725, Oct. 2005, doi:
10.1016/j.oceaneng.2005.02.001.
[14] I. H. Sarker,
Techniques, Applications and Research
Issues Towards Automation, Intelligent
and Smart Systems,= SN Comput Sci, vol.
3, no. 2, Mar. 2022, doi: 10.1007/s42979-
022-01043-x.
[15] Hayes-Roth, D. A. (Donald A. Waterman, and
D. B. Lenat, Building expert systems, 1st
ed., vol. 1. Reading, Mass. : AddisonWesley Pub. Co., 1983.
