Pengembangan Sistem Asisten Virtual untuk Lansia dengan Integrasi Internet Of Things dan Otomasi N8n Workflow

Cornelius Avant Dio Octavian, Ir. Nur Rohman Rosyid, S.T., M.T., D.Eng., IPM.; Ir. Unan Yusmaniar Oktiawati, S.T., M.Sc., Ph.D., IPU.; Alif Subardono, S.T., M.Eng.

2026 | Tugas Akhir | D4 TEKNOLOGI JARINGAN

Lansia usia 60 tahun ke atas menghadapi risiko keselamatan seperti jatuh serta keterbatasan dalam berkomunikasi yang dapat mengancam kemandirian mereka. Penelitian ini mengembangkan EIVA (Elderly Intelligent Voice Assistant), sistem asisten virtual berbasis kecerdasan buatan yang berjalan secara lokal untuk mendukung keamanan dan kemandirian lansia. EIVA mengintegrasikan deteksi jatuh menggunakan YOLOv8n-Pose, deteksi wajah dan sapaan otomatis berbasis Haar Cascade, percakapan berbasis LLM Gemma 3 1B dengan Text-to-Speech Edge TTS, sistem pengingat berbahasa alami, serta komunikasi dua arah antara lansia dan keluarga melalui Telegram, yang seluruhnya diorkestrasi melalui N8N sebagai middleware otomasi. Sistem dibangun menggunakan arsitektur tiga lapis berbasis OOP dengan backend Flask dan diuji pada laptop dan Raspberry Pi 5. Pengujian akurasi deteksi jatuh menggunakan dua kamera menghasilkan akurasi 93,33% (720p) dan 86,67% (1080p), dengan rata-rata gabungan 90,00%. Pengujian latensi terhadap 31 responden dalam tiga konfigurasi jaringan menunjukkan rata-rata delay deteksi jatuh 0,96 detik dan AI Chat 6,77 detik. Penilaian kepuasan pengguna dengan skala Likert 1–5 menghasilkan rata-rata 4,46, dengan skor tertinggi pada kategori Fungsionalitas dan Manfaat (4,63). Raspberry Pi 5 terbukti layak untuk fitur non-LLM, tetapi memerlukan optimasi lebih lanjut untuk fitur berbasis AI.

Elderly individuals aged 60 and above face safety risks such as falls and communication limitations that threaten their independence. This research develops EIVA (Elderly Intelligent Voice Assistant), a locally-hosted AI-based virtual assistant system designed to improve elderly safety and independence. EIVA integrates fall detection using YOLOv8n-Pose, face detection and automatic greeting via Haar Cascade, conversational AI based on the Gemma 3 1B LLM with Microsoft Edge TTS, a natural language reminder system, and two-way communication between the elderly and their families via Telegram, all orchestrated through N8N as automation middleware. The system was built using a three-layer OOP architecture with a Flask backend and tested on a laptop and Raspberry Pi 5. Fall detection accuracy testing with two cameras yielded 93.33?curacy (720p) and 86.67% (1080p), with a combined average of 90.00%. Latency testing with 31 respondents across three network configurations recorded an average fall detection delay of 0.96 seconds and AI Chat delay of 6.77 seconds. User satisfaction evaluated using a Likert scale 1–5 yielded an overall average of 4.46, with the highest score in the Functionality and Benefit category (4.63). The Raspberry Pi 5 proved feasible for non-LLM features but requires further optimization for AI-based features.

Kata Kunci : Virtual Assistant, Elderly Care, Fall Detection, IoT Integration, n8n Automation