PENGEMBANGAN SISTEM PERINGATAN DINI JATUH PADA LANSIA (FALL DETECTION SYSTEM) BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN)

Muhammad, Fahmi (2025) PENGEMBANGAN SISTEM PERINGATAN DINI JATUH PADA LANSIA (FALL DETECTION SYSTEM) BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN). Other thesis, UNSADA.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (711kB)
	Text BAB 2.pdf Download (782kB)
	Text BAB 3.pdf Restricted to Registered users only Download (1MB)
	Text BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text BAB 5.pdf Download (693kB)
	Text DAFTAR PUSTAKA.pdf Download (595kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Text HASIL TURNITIN.pdf Download (557kB)
	Text SUKET TURNITIN.pdf Restricted to Registered users only Download (673kB)

Abstract

Insiden jatuh pada lansia merupakan masalah kesehatan yang serius dan dapat menyebabkan dampak fisik maupun psikologis, seperti cedera, kehilangan mobilitas, hingga peningkatan risiko kematian. Sistem deteksi jatuh berbasis teknologi menjadi solusi untuk mengidentifikasi kejadian jatuh secara real-time guna mengurangi risiko keterlambatan penanganan. Penelitian ini mengembangkan sistem peringatan dini jatuh berbasis Convolutional Neural Network (CNN) menggunakan algoritma You Only Look Once (YOLO) untuk mendeteksi postur tubuh dan mengklasifikasikan kejadian jatuh dari data video. Sistem ini diimplementasikan dalam bentuk aplikasi web menggunakan framework Flask, sehingga dapat diakses melalui browser tanpa memerlukan perangkat tambahan seperti IoT atau wearable. Metodologi penelitian mencakup pengumpulan dataset, preprocessing citra, pelatihan model CNN dengan YOLO, serta pengujian dan evaluasi kinerja sistem menggunakan metrik akurasi, presisi, recall, dan F1-score. Dataset yang digunakan berasal dari sumber publik, seperti Le2i Fall Detection Dataset dan UP-Fall Detection Dataset. Pengujian model dilakukan dengan 10 kali uji coba pada masing-masing kategori (jatuh dan normal). Hasil evaluasi menunjukkan bahwa model deteksi jatuh yang dikembangkan memiliki akurasi sebesar 98,9%, dengan precision 97,6% dan recall 97,7%, yang mengindikasikan performa deteksi yang andal dengan tingkat kesalahan rendah. Dengan adanya sistem ini, diharapkan lansia yang tinggal sendiri atau di bawah pengawasan pengasuh dapat memperoleh bantuan lebih cepat ketika insiden jatuh terjadi. Implementasi berbasis web juga memungkinkan pemantauan jarak jauh secara realtime, yang dapat meningkatkan efektivitas dalam penanganan insiden jatuh pada lansia. Penelitian ini dapat menjadi dasar bagi pengembangan lebih lanjut dalam sistem pemantauan kesehatan berbasis kecerdasan buatan.

Item Type:	Thesis (Other)
Additional Information:	Dosen Pembimbing I Dr. Aji Setiawan, S.Kom, MMSI Dosen Pembimbing II Herianto, S.Pd., M.T.
Uncontrolled Keywords:	Deteksi jatuh, Lansia, Convolutional Neural Network (CNN), YOLO, Flask, Sistem Peringatan Dini.
Subjects:	000 Generalities/Karya Umum > 005.262 Programming in Specific Program Language/Pemrograman untuk Bahasa Pemrograman Tertentu
Divisions:	Fakultas Teknik > Teknik Informatika
Depositing User:	Suwatno Suwatno Perpustakaan
Date Deposited:	28 Jan 2026 06:34
Last Modified:	28 Jan 2026 06:34
URI:	http://repository.unsada.ac.id/id/eprint/9333

Actions (login required)

View Item