Sistem Deteksi Orang Jatuh Dengan Menggunakan Sensor Kamera Kinect Dengan Metode AdaBoost

Satria Perwira, M. Idham Ananta Timur, S.T., M.Kom; Agus Harjoko, Drs., M.Sc., Ph.D.

2019 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Kasus jatuhnya orang tua berumur 65 tahun keatas atau lansia sangat membahayakan kesehatan mereka karena dapat mengakibatkan patah tulang pinggul, cedera kepala, bahkan kematian. Pertolongan harus diberikan dengan cepat apabila terjadi jatuh sehingga diperlukan sistem yang dapat mendeteksi jatuh dengan otomatis dan unobtrusive. Ada tiga pendekatan dalam pembuatan sistem deteksi jatuh yaitu pendekatan wearable, ambience, dan berbasis vision. Pendekatan wearable memiliki kekurangan yaitu sifatnya yang obtrusive sedangkan pendekatan ambience memiliki kecenderungan untuk memiliki nilai false positive yang tinggi. Pendekatan berbasis vision dipilih karena bersifat unobtrusive dan memiliki nilai false positive yang rendah. Penelitian ini menggunakan kamera Kinect karena kemampuannya dalam mengekstraksi data skeletal. Metode yang digunakan dalam sistem deteksi jatuh yang dibuat yaitu metode AdaBoost dan metode thresholding nilai kecepatan titik sendi. Kedua metode menggunakan data skeletal dari subyek yang terekam oleh kamera Kinect. Metode AdaBoost mencocokkan data skeletal dengan model yang sudah dibuat sedangkan metode thresholding nilai kecepatan titik sendi membandingkan nilai kecepatan titik sendi dengan nilai threshold. Pengujian dilakukan menggunakan data latih, data uji, dan data real-time dengan total 350 data. Nilai rata-rata F-Score yang diperoleh dari pengujian sistem yaitu dengan metode AdaBoost sebesar 91,75% dan dengan metode thresholding nilai kecepatan titik sendi sebesar 68,22%

Fall cases of elderly people aged 65 or above put their health at risk because it could lead to hip bone fracture, concussion, even death. Immediate help is needed if fall happened which is why an automatic and unobtrusive fall detection system is needed. There are three approaches in fall detection system; wearable, ambience, and vision-based. Wearable approach has the drawback of its obtrusive nature while ambience approach is prone to high false positive value. Vision-based approach is chosen because its unobtrusive nature and low false positive value. This study uses Kinect camera because of its ability on extracting skeletal data The methods that are used in the fall detection system are AdaBoost method and joint velocity thresholding method. Both methods use skeletal data from the subject recorded by the Kinect camera. AdaBoost method compares the skeletal data with model that was made before while joint velocity thresholding method compares the joint velocity value with the threshold value. System test is done using training data, test data, and real-time data with a total of 350 data. The average accuracy obtained from the system test with AdaBoost method is 91.75% and with joint velocity thresholding method is 68.22%.

Kata Kunci : Fall detection, Kinect, AdaBoost.