<![CDATA[Meningkatnya permintaan akan sistem deteksi jatuh yang andal dalam pemantauan perawatan pasien sekaligus membantu lingkungan kehidupan mendorong pengembangan model visi komputer yang mampu mengidentifikasi kejadian jatuh secara akurat dalam kondisi dunia nyata. Sistem ini harus mendeteksi perubahan postur tubuh manusia di berbagai posisi sambil mempertahankan ketahanan terhadap latar belakang yang kompleks, yang seringkali mengurangi akurasi deteksi. Selain itu, penerapan di dunia nyata membutuhkan model yang beroperasi secara efisien pada perangkat berbiaya rendah dan memproses aliran video langsung secara real-time. Studi ini menganalisis efektivitas peningkatan versi nano dari arsitektur YOLOv12 untuk deteksi jatuh dengan mengintegrasikan mekanisme ONA-Net. Modul yang diusulkan memungkinkan jaringan untuk fokus pada beberapa respons penting yang terkait dengan postur tubuh manusia, memungkinkan model untuk menangkap isyarat spasial yang terkait dengan kejadian jatuh dengan lebih baik. Desain yang ringan mengurangi beban komputasi sambil mempertahankan ekstraksi fitur yang efektif untuk deteksi yang akurat. Temuan eksperimental menunjukkan YOLOv12-ONA-Net sebagai model yang diperkenalkan memperoleh kinerja deteksi yang kuat, dengan memperoleh 92,3% mAP@50 dan 59,7% mAP@50:95. Meskipun arsitekturnya ringan, model ini tetap mempertahankan efisiensi praktis dengan mencapai kecepatan inferensi 13,13 frame per detik (FPS). Hasil ini menunjukkan bahwa penggabungan ONA-Net ke dalam jaringan YOLOv12n meningkatkan kemampuan deteksi jatuh sekaligus mempertahankan penggunaan komputasi yang sesuai untuk penggunaan pemantauan waktu nyata pada perangkat dengan kapasitas komputasi terbatas.]]>
