<![CDATA[Deteksi jatuh merupakan komponen penting dalam sistem pemantauan kesehatan, khususnya bagi lansia dan individu berisiko tinggi. Sebagian besar metode berbasis deep learning membutuhkan sumber daya komputasi yang besar sehingga kurang sesuai untuk perangkat edge. Penelitian ini mengusulkan sistem deteksi jatuh berbasis video yang menggabungkan human pose estimation dan klasifikasi lightweight dalam pipeline terintegrasi yang mencakup preprocessing video, pose estimation, temporal smoothing, ekstraksi fitur kinematik, temporal pooling, dan klasifikasi. Eksperimen dilakukan menggunakan gabungan UR Fall Detection, Le2i, dan Multicam Dataset sebanyak 472 video, dan diuji pada Raspberry Pi 5. Hasil menunjukkan bahwa kombinasi OpenPose Body25 dan Random Forest memperoleh accuracy tertinggi sebesar 89,58% dan F1-score sebesar 92,96%, sedangkan BlazePose Lite dan TinyML memberikan keseimbangan terbaik antara performa klasifikasi dan efisiensi komputasi dengan accuracy sebesar 85,42% dan F1-score sebesar 91,36%.]]>
Copyrights © 2026
