Sistem Wearable Pendeteksi Jatuh Dengan Implementasi Edge Computing=Fall Detection Wearable System with Edge Computing

Meningkatnya kebutuhan akan sistem deteksi jatuh yang efektif dan akurat pada dekade terakhir ini meningkat terutama bagi populasi lansia yang rentan terhadap cedera akibat jatuh. Teknologi sensor akselerometer telah berkembang pesat dan menawarkan solusi potensial untuk mendeteksi jatuh secara real-time sehingga sistem wearable banyak diimplementasikan untuk sistem deteksi jatuh. Namun, tantangan utama adalah deployment model deep learning yang dapat membedakan antara jatuh dan aktivitas sehari-hari dengan tingkat akurasi tinggi ke dalam perangkat bersumber-daya terbatas. Penelitian ini bertujuan untuk mengembangkan sistem deteksi jatuh mengimplementasikan edge computing dengan dukungan Edge Impulse untuk membangun model deep learning dan Bluetooth Low Energy untuk memungkinkan komunikasi antar-perangkat berdaya rendah dengan konsumsi daya yang minim. Edge computing diharapkan dapat mengefisienkan pemrosesan dan pengiriman data dengan cara melakukan pemrosesan lebih dekat secara fisik dengan sumber data. Tujuan lain dari penelitian ini adalah untuk mengevaluasi kinerja model yang telah disematkan ke dalam perangkat edge bila dibandingkan dengan akurasi model secara teori. Data akselerasi tri-aksial UniMiB SHAR yang mengandung data akselerasi jatuh dan kegiatan sehari-hari diproses menggunakan filter Butterworth orde keenam dengan frekuensi cut-off 3 Hz untuk menghilangkan noise. Selanjutnya, data yang telah difilter dihitung besaran magnitudonya dan digunakan sebagai input untuk model deep learning. Perangkat edge dan wearable yang masing-masing merupakan mikrokontroller saling berkomunikasi menggunakan Bluetooth Low Energy, dimana wearable akan mengirimkan data akselerasi kepada edge yang akan memroses data tersebut untuk menghasilkan keputusan. Hasil penelitian menunjukkan bahwa model deteksi jatuh yang dikembangkan memiliki tingkat akurasi yang tinggi dalam membedakan jatuh dari kegiatan sehari-hari, yaitu sebesar 91%.