Detail Cantuman

Usia senja seringkali membawa dampak serius terhadap kesehatan dan kesejahteraan lansia, dengan masalah umum seperti penurunan kemampuan fisik dan risiko jatuh. Jatuh pada lansia dapat menyebabkan konsekuensi serius, termasuk patah tulang panggul, cedera otak, bahkan kematian. Untuk mengatasi risiko ini, penelitian tentang sistem pendeteksi gerakan sedang berkembang, dengan fokus pada deteksi perilaku fall risk menggunakan teknologi computer vision dan deep learning. Penerapan teknologi deep learning, khususnya Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM), menjadi fokus utama. Beberapa penelitian terdahulu menggunakan model seperti EfficientNetV2-B7 - LSTM untuk klasifikasi perilaku, namun penelitian ini mencoba penerapan EfficientNetV2-B3 dan BLSTM untuk mengklasifikasi kegiatan fall risk pada lansia. Hasil pengujian menunjukkan bahwa model EfficientNetV2-B3 – BLSTM dengan menggunakan epoch 40, optimizer Nadam, LSTM unit 50 dan aktivasi sigmoid berhasil mencapai akurasi, presisi, recall, dan F1-Score sebesar 96%. Penelitian ini memberikan kontribusi dalam pengembangan sistem pemantauan kegiatan lansia yang lebih efisien dan akurat menggunakan citra CCTV, potensial untuk memberikan pertolongan pertama jika terdeteksi jatuh dan meningkatkan kualitas hidup lansia.