IAESCOREIAESCORE

International Journal of Electrical and Computer Engineering (IJECE)International Journal of Electrical and Computer Engineering (IJECE)

Penelitian ini mengusulkan sistem deteksi jatuh manusia menggunakan lokasi tubuh dan geometri postur (HFBL). Kontribusi utama dari sistem HFBL yang diusulkan adalah mengurangi kompleksitas komputasi sistem deteksi jatuh sambil mempertahankan akurasi, karena sebagian besar teknik deteksi jatuh saat ini bergantung pada algoritma pembelajaran mesin atau pembelajaran mendalam yang kompleks secara komputasi. Pendekatan ini menganalisis postur manusia dengan menerapkan segmentasi citra dan rasio berdasarkan geometri postur. Transformasi jarak digunakan untuk menghitung titik kecerahan tinggi pada tubuh manusia, yang merupakan nilai maksimum dibandingkan dengan nilai tepi. Salah satu titik ini dipilih sebagai titik pusat. Garis dibentuk melalui titik pusat sejajar horisontal untuk memisahkan area atas dan bawah, lalu garis perpotongan ditarik secara vertikal melalui titik pusat tersebut sehingga membagi tubuh menjadi empat kuadran. Dengan bantuan geometri postur, sudut digunakan untuk memprediksi aksi Jatuh atau Tidak Jatuh pada setiap frame urutan video. Berdasarkan keseimbangan dinamis, rasio antara vektor jarak dari titik pusat ke kaki kanan dan kiri dihitung untuk mengonfirmasi aktivitas jatuh dan tidak jatuh, menggunakan identitas trigonometri Pythagoras. Dalam eksperimen, 2.542 citra dari dataset deteksi jatuh UR dengan dimensi 640×480×3 diproses melalui segmentasi citra untuk mendapatkan bentuk tubuh manusia guna dianalisis menggunakan sistem HFBL yang diusulkan. Hasil menunjukkan bahwa pendekatan HFBL dengan kompleksitas komputasi rendah mampu memberikan akurasi sebesar 91,23%, presisi 99,14%, perolehan (recall) 84,48%, dan nilai F1-score 91,22%.

Penelitian ini mengusulkan model deteksi jatuh HFBL yang memiliki kompleksitas komputasi rendah namun akurat dan andal dengan memanfaatkan lokasi tubuh dan geometri postur.Model HFBL menggunakan segmentasi citra untuk menentukan postur tubuh serta transformasi jarak untuk menghitung titik acuan dan sudut dalam memprediksi kejadian jatuh atau tidak jatuh.542 citra dan 26 video dari dataset UR, model mencapai akurasi 91,23%, presisi 99,14%, recall 84,48%, dan F1-score 91,22%, serta mampu memprediksi jatuh lebih awal rata-rata 31,31 detik sebelum kejadian sebenarnya.Pengembangan di masa depan dapat mencakup fungsi adaptif, pelacakan, dan berbasis waktu untuk mengatasi keterbatasan dalam kondisi pencahayaan kurang, aktivitas seperti berbaring atau berlutut, serta kemampuan deteksi multi-orang.

Pertama, perlu dikembangkan penelitian tentang bagaimana sistem HFBL dapat diintegrasikan dengan mekanisme pelacakan objek secara real-time untuk memantau pergerakan individu secara terus-menerus dalam ruang yang lebih luas, sehingga dapat mendeteksi jatuh meskipun posisi tubuh berubah secara dinamis selama gerakan. Kedua, perlu dilakukan studi untuk mengadaptasi model HFBL agar mampu membedakan antara aktivitas sehari-hari seperti berbaring, jongkok, atau berlutut dengan kejadian jatuh yang sesungguhnya, terutama dalam kondisi pencahayaan rendah atau adanya gangguan visual, dengan memanfaatkan fungsi adaptif yang menyesuaikan parameter berdasarkan konteks lingkungan. Ketiga, perlu dieksplorasi pengembangan versi multi-orang dari model HFBL yang dapat menganalisis lebih dari satu individu secara bersamaan dalam satu frame, termasuk pendekatan untuk mengidentifikasi dan memisahkan setiap tubuh dalam kerumunan atau saat terjadi tumpang tindih, agar sistem dapat diterapkan di lingkungan publik seperti pusat lansia atau rumah sakit. Penelitian lanjutan ini akan melengkapi keterbatasan sistem saat ini yang masih terbatas pada satu orang, rentan terhadap misprediksi pada aktivitas statis, dan belum mendukung analisis dinamis jangka panjang.

Read online
File size809.94 KB
Pages10
DMCAReport

Related /

ads-block-test