Abstrak—Angka pertumbuhan para lansia di Indonesia email, sms, dan telepon seluler [2].
setiap tahun semakin meningkat. Menurut World Health Perancangan sistem pengawasan fall detection telah
Organization (WHO) menyebutkan bahwa jatuh merupakan dikembangkan mengunakan sensor accelerometer dan
penyebab kematian kedua terbesar di dunia yaitu sebesar
gyroscope namun terdapat kelemahan dari penggunaan alat
646.000 kali per tahun. Untuk itu pada penelitian ini telah
pendeteksi jatuh tersebut dikarenakan mengharuskan
dirancang sistem fall detection menggunakan video (offline),
dengan metode Motion Histoy of Image (MHI). Pengujian
pengguna untuk memasang atau membawa di badan agar
dilakukan dengan menginput video (offline) jatuh dengan jarak dapat berkerja serta memiliki resiko rusak atau hilang yang
kamera 300cm, 350cm, dan 400cm, tinggi kamera 70cm, 100cm cukup tinggi [3].
dan 140cm, serta intensitas cahaya 310 lux dan 959 lux pada Penelitian lain dalam mendeteksi jatuh adalah
Raspberry Pi 3. Hasil fall detection menggunakan Raspberry Pi menggunakan smartphone. Data sensor diambil dari
3 menunjukkan hasil yang optimal pada jarak 300cm – 350cm pengguna ponsel pintar yang diletakkan di dada kiri. Saat
dengan keadaan lingkungan menggunakan sumber cahaya orang jatuh, maka sistem akan mendeteksi dan
alami dengan intensitas cahaya 959 lux dan pada jarak 300cm
mengaktifkan sistem alarm [4].
dengan intensitas cahaya 310 lux. Metode Motion History of
Motion History Image (MHI) merupakan salah satu
Image menghasilkan nilai parameter C_Motion yang akan
digunakan sebagai acuan pendeteksi jatuh. Software MATLAB
metode untuk mendeteksi pergerakan seseorang, video yang
R16 digunakan untuk menampilkan visualisasi pergerakan terekam dibagi menjadi beberapa gambar, dari banyak
objek jatuh pada motion history of image. Hasil dari penelitian gambar ini akan diproses untuk mengetahui pergerakan
ini menunjukkan accuracy sebesar 82.5%, sensitivity 80% dan objek yaitu dari perubahan pikselnya, ketika pergerakan
error 17.5% untuk data kondisi jatuh maupun tidak jatuh. kegiatan normal piksel citra tidak mengalami perubahan
yang besar, sedangkan ketika pergerakan yang tidak normal
Index — C_Motion, Fall detection, Motion History of Image, seperti jatuh, pergerakan objek berubah dari kondisi berdiri
Raspberry Pi 3, MATLAB R16
kemudian duduk atau tidur kemudian diam, piksel akan
mengalami perubahan yang sangat cepat [5].
I. LATAR BELAKANG
Terdapat penelitian yang berkaitan dengan fall detection
adalah menggunakan kamera [6]. Pada pendeteksi jatuh
Angka pertumbuhan para lansia di Indonesia setiap tahun
menggunakan kamera merupakan solusi yang baik untuk
semakin meningkat. BPS memproyeksikan bahwa pada
digunakan dalam mendeteksi jatuh dikarenakan kamera
tahun 2045, Indonesia akan memiliki sekitar 63,31 juta
dapat menganalisa kondisi objek tanpa bersentuhan secara
penduduk lanjut usia (lansia) atau hampir mencapai 20
langsung.
persen populasi. Bahkan, proyeksi PBB juga menyebutkan
bahwa persentase lansia di Indonesia akan mencapai 25
II. DASAR TEORI
persen pada tahun 2050 atau sekitar 74 juta lansia [1].
Menurut World Health Organization (WHO) menyebutkan A. Motion History of Image
bahwa jatuh merupakan penyebab kematian kedua terbesar Motion History Image (MHI) merupakan salah satu
di dunia yaitu sebesar 646.000 kali per tahun. metode untuk mendeteksi pergerakan seseorang, video yang
Pelayanan kesehatan di rumah (Home care) merupakan terekam dibagi menjadi beberapa gambar, dari banyak
penyediaan pelayanan dan peralatan professional bagi gambar ini akan diproses untuk mengetahui pergerakan
pasien atau pun keluarga dirumah untuk menjaga objek yaitu dari perubahan pikselnya, ketika pergerakan
kesehatan. Terdapat teknologi untuk pelayanan kesehatan di kegiatan normal piksel citra tidak mengalami perubahan
Indonesia yaitu aplikasi Telehealt. Sistem layanan yang besar, sedangkan ketika pergerakan yang tidak normal
Telehealth menggunakan internet dengan sistem video,
1
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)
(2)
2
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)
Pada gambar 3. desain fall detection dengan motion kemudian dianalisa menggunakan confusion matrix
history of image membutuhkan installasi raspbian , untuk menentukan nilai accuracy, sensitivity dan error.
python environtment dan opencv ebagai library.
Kemudian pengambilan data pengujian dilakukan IV. SKENARIO PENGUJIAN
dengan mengatur posisi kamera dan intensitas cahaya.
Kemudian dilakukan analisa dan didapatkan Tahap pengambilan data dalam penelitian ini adalah
kesimpulan. mengambil data video sebagai data input pendeteksi
Pada gambar 4. menjelaskan bahwa perancangan pada jatuh menggunakan kamera yang telah dipasang didalam
sistem fall detection method adalah menggunakan rumah. Pengujian yang berkaitan dengan fall detection
Raspberry Pi 3 model B sebagai mini pc, dimana proses method dilakukan sesuai dengan parameter yang
pendeteksian objek dilakukan dengan mendapatkan ditentukan adalah posisi kamera dengan tinggi kamera
input berupa rekaman video (offline) dengan resolusi 70cm, 100cm, 140cm dan dengan jarak kamera 300cm,
640x480 menggunakan kamera digital. Resolusi layar 350cm, dan 400cm. Serta tingkat kecerahan di
dari sistem fall detection pada Raspberry Pi diatur 500 x lingkungan pengujian di dalam ruangan dengan
500 piksel. hal tersebut dimaksudkan untuk intensitas cahaya 310lux dan 959lux. Luas ruangan yang
meringankan kerja dari mini pc. Saat sistem mendeteksi digunakan yaitu 3meter x 4,5 meter.
suatu objek, kemudian sistem akan melakukan proses
pemberian boundary box dan saat jatuh terdeteksi maka
sistem akan melakukan screenshot.
jatuh dan tidak jatuh. Kemudian dari data yang diambil terendah didapatkan pada ketinggian kamera 140 cm
dilakukan perhitungan Accuracy menggunakan dengan jarak 400 cm yaitu sebesar 40%, dikarenakan
persamaan (2), untuk perhitungan sensitivity sulitnya sistem dalam mendeteksi jatuh saat jarak antara
menggunakan persamaan (3) dan Error dengan objek dan kamera terlalu jauh. Sedangkan untuk nilai
persamaan (4). keyakinan tertinggi yaitu pada tinggi kamera 70 cm
dengan jarak 350 cm, 100 cm dengan jarak 300 cm dan
A. Hasil Pengujian pada 310lux pada tinggi kamera 140 cm dengan jarak kamera 300
Hasil pengujian kerja sistem fall detection cm yaitu sebesar 100%.
menggunakan intensitas cahaya 310lux menggunakan
aplikasi lightmeter, dilakukan uji coba pergeseran posisi
kamera dengan tinggi kamera 70 cm, 100 cm, 140 cm
dan jarak kamera 300 cm, 350 cm, 400 cm.
Hasil sensitivity fall detection dengan intensitas
cahaya 310lux yang ditunjukkan pada gambar 6.
Terlihat bahwa percobaan fall detection dengan posisi
kamera dengan cahaya 310 lux dapat diketahui bahwa
nilai keyakinan tertinggi didapatkan pada ketinggian
kamera 140 cm dengan jarak 300 cm yaitu sebesar 80%
dan pada ketinggian kamera 70 cm dengan jarak 350 cm
yaitu sebesar 80%, sedangkan nilai keyakinan terendah Gambar 7: Grafik nilai sensitivity fall detection
didapatkan pada ketinggian kamera 70 cm dengan jarak dengan intensitas cahaya 959lux
400 cm, 100 cm dengan jarak 400 cm dan pada
ketinggian 140 cm dengan jarak kamera 400 cm yaitu C. Hasil Pengujian dengan software MATLAB R16
sebesar 40%, dikarenakan sulitnya sistem dalam Pengujian yang dilakukan adalah dengan cara
mendeteksi jatuh jika jarak antara objek dan kamera memasukan atau meng-input video hasil rekaman orang
terlalu jauh. jatuh kedalam software matlab. Video yang digunakan
memiliki resolusi 640 x 480. Untuk menampilkan
gerakan orang jatuh, parameter yang digunakan adalah
dengan Motion History of Image yaitu 𝐻𝜏 (x,y,t - 1).
Gambar 6: Grafik nilai sensitivity fall detection dengan Gambar 8: Tampilan orang jatuh dengan Motion
intensitas cahaya 310lux History of Image
Parameter orang jatuh adalah jika perubahan
B. Hasil Pengujian pada 959lux kecepatan pixel (0.6). Pada pemrograman fall detection
Hasil pengujian kerja sistem fall detection menggunakan Software MATLAB, nilai parameter
menggunakan intensitas cahaya 959lux menggunakan perubahan kecepatan pixel ( t ) dapat dilihat pada
aplikasi lightmeter, dilakukan uji coba pergeseran posisi Gambar 9 [10].
kamera dengan tinggi kamera 70 cm, 100 cm, 140 cm Dimana pada gambar tersebut terdapat objek yang
dan jarak kamera 300 cm, 350 cm, 400cm. dikenali sebagai jatuh dan membentuk suatu history
Hasil sensitivity fall detection dengan intensitas pada frame. History tersebut merupakan piksel yang
cahaya 959lux yang ditunjukkan pada gambar 7. memiliki kecepatan lebih dari (t > 0.6).
Terlihat bahwa percobaan dengan posisi kamera dengan
cahaya 959 lux dapat diketahui bahwa nilai keyakinan
4
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)
Tabel 1
Gambar 10: Grafik perbandingan sensitivity pada
Tabel Hasil Perhitungan
pengujian 310lux dan 959lux