Perangkat Wearable Untuk DeteksiI Orang Jatuh Berbasis Edge Computing dan Machine Learning

Daffa Haj Tsaqif, Azhari SN, Dr., MT;Roghib Muhammad Hujja, S.Si., M.Cs.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Penelitian mengenai deteksi jatuh sudah pernah dilakukan sebelumnya, salah satu penelitian yang dilakukan menggunakan Xbox Kinect dan metode AdaBoost dan Thresholding yang dimana Kinect yang digunakan memiliki area deteksi yang terbatas, penelitian lain menggunakan perangkat wearable yang dimana mengatasi permasalahan tersebut, akan tetapi metode Detection Threshold yang digunakan menghasilkan akurasi yang cukup rendah dan tidak memiliki metode untuk mengenali pola.

Penelitian ini dilakukan dengan merancang perangkat wearable lalu mengaplikasikan TinyML untuk memungkinkan mikrokontroler menggunakan Machine Learning secara langsung. Penelitian ini menggunakan ESP32 sebagai mikrokontroler dan juga MPU6050 sebagai sensor utamanya dengan Arduino sebagai framework untuk merancang firmware. Dataset yang digunakan merupakan dataset yang dikumpulkan secara pribadi. Model machine learning dirancang menggunakan Edge Impulse dan Tensorflow sebagai framework, model menggunakan Spectral Analysis dari Edge Impulse sebagai Feature Extractor dan juga Artificial Neural Network sebagai metode klasifikasi.

Dari hasil penelitian yang diperoleh, ESP32 dapat digunakan untuk memproses Machine Learning secara langsung, dengan akurasi sebesar 70.83% ketika menggunakan dataset yang digunakan, dan ESP32 dapat memproses data dalam waktu 11ms, dan juga dapat digunakan untuk mengirimkan notifikasi ketika pengguna jatuh.

Research on fall detection has been conducted previously. One such study utilized the Xbox Kinect with the AdaBoost and Thresholding methods. However, the Kinect used in that study had a limited detection area. Another study employed wearable devices which resolved such issue, although the Detection Threshold method the study used resulted in relatively low accuracy and lacked the capability to recognize patterns.

This research involves designing a wearable device and implementing TinyML to enable microcontrollers to directly utilize Machine Learning. The study uses the ESP32 microcontroller and the MPU6050 as its primary sensor, with Arduino as the framework for developing the firmware. The dataset used was collected independently. The Machine Learning model was designed using Edge Impulse and TensorFlow as the frameworks. The model utilizes Spectral Analysis from Edge Impulse as the Feature Extractor and Artificial Neural Networks (ANN) as the classification method.

The results of the research show that the ESP32 can process Machine Learning directly, achieving an accuracy of 70.83% with the dataset used. The ESP32 is capable of processing data in 11 milliseconds and can also send notifications when a fall is detected.

Kata Kunci : Machine Learning, Mikrokontroler, ESP32, TinyML, Tensorflow