Laporkan Masalah

A VISION-BASED APPROACH ON FALL DETECTION

TEUKU MUHAMMAD RIFQI, Moh Edi Wibowo, S.Kom., M.Kom., Ph.D.

2023 | Skripsi | S1 ILMU KOMPUTER

Jatuh adalah sumber cedera yang sering, namun sering diabaikan. Satu dari setiap tiga orang di atas usia 65 tahun, dan setengah dari mereka yang berusia di atas 80 tahun, akan jatuh setidaknya setahun sekali. Dengan orang lanjut usia berada dalam kondisi yang lebih rentan terhadap jatuh yang dapat menopang cedera yang lebih kuat atau bahkan fatal. Sebuah metode diperlukan untuk mendeteksi jatuh ketika orang lanjut usia jatuh dan tanpa pengawasan sehingga bantuan dapat dikirim ke arah mereka dan meminimalkan cedera mereka. Pendekatan berbasis video merupakan salah satu cara agar kejatuhan dapat dideteksi, pada tugas akhir ini dibangun aktivitas pengenalan manusia menggunakan metode RNN-CNN dan dilatih pada dataset kejatuhan untuk mendeteksi kejatuhan. Tesis ini kemudian akan melakukan penelitian tentang apakah metode berbasis penglihatan adalah pilihan yang lebih layak untuk mendeteksi jatuh dibandingkan dengan metode deteksi jatuh lainnya. Dengan pendekatan ini menggunakan set data jatuh URfall untuk pelatihan mencapai akurasi 42,86% dan menggunakan set data jatuh beberapa kamera mencapai skor akurasi 91,67%.

Falls are a frequent, yet often neglected, source of injuries. One in every three persons over the age of 65, and half of those over the age of 80, will fall at least once a year. With elderly people being in the more vulnerable state against a fall that can sustain a stronger or even a fatal injury. A method is needed to detect a fall for when an elderly people fell and in an unattended manner so that help could be sent their way and minimize their injury. A video-based approach is one way that a fall can be detected, on this thesis a human recognition activity was build using RNN-CNN method and trained on fall datasets to detect falls. This thesis will then conduct research on if a vision-based method is a more viable option of detecting falls compare to other methods of fall detection. With this approach using the URfall dataset for training it achieved 42.86% accuracy and using the multiple camera fall dataset achieved an accuracy score 91.67%.

Kata Kunci : Keyword: Computer Vision, Recurrent Neural Network, Convolution Neural Network, Jatuh.

  1. S1-2023-423120-abstract.pdf  
  2. S1-2023-423120-bibliography.pdf  
  3. S1-2023-423120-tableofcontent.pdf  
  4. S1-2023-423120-title.pdf