<![CDATA[Abstract: Falls represent a leading cause of injury-related mortality among elderly individuals, demanding reliable automated detection deployable in resource-constrained environments. Existing vision-based approaches predominantly employ machine learning classifiers requiring large labelled datasets, substantial training pipelines, and GPU-class hardware, impeding rapid clinical deployment. This paper presents an explainable, fully rule-based real-time fall detection system implemented in Python using MediaPipe Pose, designed to operate on commodity edge devices without any training dataset. The system comprises three tightly integrated layers: (1) a mathematical formulation layer computing vector-based torso angle, distance-ratio body normalization, and frame-to-frame CoM velocity; (2) a temporal modeling layer combining a deterministic four-state Finite State Machine with a sliding-window motion energy analysis; and (3) a robustness evaluation across three camera viewing angles, two lighting conditions, and three fall types. Experimental validation yields a sensitivity of 91.8%, specificity of 95.8%, and F1-score of 93.1%, with a mean end-to-end detection latency of 140.1 ms on Raspberry Pi 4—satisfying a 200 ms real-time constraint while consuming only 72.5% mean CPU and 284 MB RAM. The rule-based architecture provides full decision auditability without black-box models, aligning with emerging XAI requirements for medical device regulation. Keywords: Periodic Table of Elements; Chemistry Teaching Materials; Spiritual Values; Discovery Learning. Abstrak: Kondisi Jatuh merupakan penyebab utama kematian akibat cedera di kalangan lansia, sehingga membutuhkan deteksi otomatis yang andal dan dapat diterapkan di lingkungan dengan keterbatasan sumber daya. Pendekatan berbasis visi yang ada sebagian besar menggunakan pengklasifikasi pembelajaran mesin yang membutuhkan kumpulan data berlabel besar, alur pelatihan yang substansial, dan perangkat keras kelas GPU, yang menghambat penerapan klinis yang cepat. Makalah ini menyajikan sistem deteksi jatuh waktu nyata yang dapat dijelaskan dan sepenuhnya berbasis aturan yang diimplementasikan dalam Python menggunakan MediaPipe Pose, yang dirancang untuk beroperasi pada perangkat edge komoditas tanpa kumpulan data pelatihan apa pun. Sistem ini terdiri dari tiga lapisan yang terintegrasi erat: (1) lapisan formulasi matematika yang menghitung sudut tubuh berbasis vektor, normalisasi tubuh rasio jarak, dan kecepatan CoM antar frame; (2) lapisan pemodelan temporal yang menggabungkan Mesin Keadaan Terbatas empat keadaan deterministik dengan analisis energi gerak jendela geser; dan (3) evaluasi ketahanan di tiga sudut pandang kamera, dua kondisi pencahayaan, dan tiga jenis jatuh. Validasi eksperimental menghasilkan sensitivitas 91,8%, spesifisitas 95,8%, dan skor F1 93,1%, dengan latensi deteksi ujung-ke-ujung rata-rata 140,1 ms pada Raspberry Pi 4—memenuhi batasan waktu nyata 200 ms sambil hanya mengonsumsi 72,5% CPU rata-rata dan 284 MB RAM. Arsitektur berbasis aturan memberikan kemampuan audit keputusan penuh tanpa model kotak hitam, selaras dengan persyaratan XAI yang muncul untuk regulasi perangkat medis. Kata Kunci: Deteksi jatuh, MediaPipe Pose, komputasi tepi, sistem berbasis aturan, kecerdasan buatan dengan keadaan terbatas, AI yang dapat dijelaskan, perawatan lansia, pemantauan real-time]]>
