FALL DETECTION METHOD DENGAN MOTION
HISTORY OF IMAGE PADA APLIKASI HOME
CARE SYSTEM
Sidiq Syamsul H.1, Rizki Aditya C.2, Agus Rochadi 3, Thomas Agung 4, Eddy Triyono 5, dan Suhendro 6
Jurusan Teknik Elektro, Program Studi Teknik Telekomunikasi, Polieknik Negeri Semarang, Indonesia
cuizkye69@gmail.com
Abstrak—Angka pertumbuhan para lansia di Indonesia
setiap tahun semakin meningkat. Menurut World Health
Organization (WHO) menyebutkan bahwa jatuh merupakan
penyebab kematian kedua terbesar di dunia yaitu sebesar
646.000 kali per tahun. Untuk itu pada penelitian ini telah
dirancang sistem fall detection menggunakan video (offline),
dengan metode Motion Histoy of Image (MHI). Pengujian
dilakukan dengan menginput video (offline) jatuh dengan jarak
kamera 300cm, 350cm, dan 400cm, tinggi kamera 70cm, 100cm
dan 140cm, serta intensitas cahaya 310 lux dan 959 lux pada
Raspberry Pi 3. Hasil fall detection menggunakan Raspberry Pi
3 menunjukkan hasil yang optimal pada jarak 300cm – 350cm
dengan keadaan lingkungan menggunakan sumber cahaya
alami dengan intensitas cahaya 959 lux dan pada jarak 300cm
dengan intensitas cahaya 310 lux. Metode Motion History of
Image menghasilkan nilai parameter C_Motion yang akan
digunakan sebagai acuan pendeteksi jatuh. Software MATLAB
R16 digunakan untuk menampilkan visualisasi pergerakan
objek jatuh pada motion history of image. Hasil dari penelitian
ini menunjukkan accuracy sebesar 82.5%, sensitivity 80% dan
error 17.5% untuk data kondisi jatuh maupun tidak jatuh.
Index — C_Motion, Fall detection, Motion History of Image,
Raspberry Pi 3, MATLAB R16
I. LATAR BELAKANG
Angka pertumbuhan para lansia di Indonesia setiap tahun
semakin meningkat. BPS memproyeksikan bahwa pada
tahun 2045, Indonesia akan memiliki sekitar 63,31 juta
penduduk lanjut usia (lansia) atau hampir mencapai 20
persen populasi. Bahkan, proyeksi PBB juga menyebutkan
bahwa persentase lansia di Indonesia akan mencapai 25
persen pada tahun 2050 atau sekitar 74 juta lansia [1].
Menurut World Health Organization (WHO) menyebutkan
bahwa jatuh merupakan penyebab kematian kedua terbesar
di dunia yaitu sebesar 646.000 kali per tahun.
Pelayanan kesehatan di rumah (Home care) merupakan
penyediaan pelayanan dan peralatan professional bagi
pasien atau pun keluarga dirumah untuk menjaga
kesehatan. Terdapat teknologi untuk pelayanan kesehatan di
Indonesia yaitu aplikasi Telehealt. Sistem layanan
Telehealth menggunakan internet dengan sistem video,
email, sms, dan telepon seluler [2].
Perancangan sistem pengawasan fall detection telah
dikembangkan mengunakan sensor accelerometer dan
gyroscope namun terdapat kelemahan dari penggunaan alat
pendeteksi jatuh tersebut dikarenakan mengharuskan
pengguna untuk memasang atau membawa di badan agar
dapat berkerja serta memiliki resiko rusak atau hilang yang
cukup tinggi [3].
Penelitian lain dalam mendeteksi jatuh adalah
menggunakan smartphone. Data sensor diambil dari
pengguna ponsel pintar yang diletakkan di dada kiri. Saat
orang jatuh, maka sistem akan mendeteksi dan
mengaktifkan sistem alarm [4].
Motion History Image (MHI) merupakan salah satu
metode untuk mendeteksi pergerakan seseorang, video yang
terekam dibagi menjadi beberapa gambar, dari banyak
gambar ini akan diproses untuk mengetahui pergerakan
objek yaitu dari perubahan pikselnya, ketika pergerakan
kegiatan normal piksel citra tidak mengalami perubahan
yang besar, sedangkan ketika pergerakan yang tidak normal
seperti jatuh, pergerakan objek berubah dari kondisi berdiri
kemudian duduk atau tidur kemudian diam, piksel akan
mengalami perubahan yang sangat cepat [5].
Terdapat penelitian yang berkaitan dengan fall detection
adalah menggunakan kamera [6]. Pada pendeteksi jatuh
menggunakan kamera merupakan solusi yang baik untuk
digunakan dalam mendeteksi jatuh dikarenakan kamera
dapat menganalisa kondisi objek tanpa bersentuhan secara
langsung.
II. DASAR TEORI
A. Motion History of Image
Motion History Image (MHI) merupakan salah satu
metode untuk mendeteksi pergerakan seseorang, video yang
terekam dibagi menjadi beberapa gambar, dari banyak
gambar ini akan diproses untuk mengetahui pergerakan
objek yaitu dari perubahan pikselnya, ketika pergerakan
kegiatan normal piksel citra tidak mengalami perubahan
yang besar, sedangkan ketika pergerakan yang tidak normal
1
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)

seperti jatuh, pergerakan objek berubah dari kondisi berdiri

kemudian duduk atau tidur kemudian diam, piksel akan
mengalami perubahan yang sangat cepat [5].
Motion History Image (MHI) ini pertama kali
diperkenalkan oleh Bobick & Davis dimana intensitas
piksel mewakili kebaruan gerakan dalam gambar atau video
dan pada umumnya Motion History of Image digunakan
untuk pengenalan aktivitas [7]. Untuk mendapatkan MHI,
langkah pertama adalah mengekstrak binary sequense
gerakan objek D(x,y,t) dari gambar asli I(x,y,t).
Kemudian setiap piksel dari Motion History of Image Ht
merupakan fungsi dalam rentang waktu t , persamaannya
adalah
(1)
Keterangan :
x = Posisi piksel pada koordinat x.
y = Posisi piksel pada koordinat y.
𝐻𝜏(x,y,t) = Motion History Image (MHI).
D(x,y,t) = Binary sequense gerakan objek.
Hasilnya adalah nilai dari Gambar 1. dimana pergerakan
dari object akan berubah menjadi warna putih, berikut
merupakan hasil dari motion history of image (MHI).
Gambar 2 : Koordinat citra digital
:
C. Confusion Matrix
Confusion matrix adalah suatu metode yang digunakan
untuk evaluasi model klasifikasi. Mengetahui setiap data
yang diklasifikasikan dengan benar atau tidak. Salah satu
manfaat dari confusion matrix adalah melihat apakah sistem
tepat atau tidak dalam mengklasifikasikan antara dua opsi
[9].
confusion matrix yang mengelompokkan perbandingan
data prediksi dengan data hasil menjadi 4 kategori : True
positive (jumlah hasil positive yang diklasifikasikan sebagai
positive), false positive (jumlah hasil negative yang
diklasifikasikan sebagai positive), false negative (jumlah
hasil positive yang diklasifikasikan negative), true negative
(jumlah hasil negative yang diklasifikasikan sebagai
negative). Persamaan umum dari confusion matrix adalah :

(2)

Gambar 1: Fall detection dengan MHI

(3)
B. Representasi Citra Digital
Citra adalah suatu gambaran, kemiripan atau imitasi dari (4)
suatu objek. Citra sebagai keluaran suatu sistem perekaman
data dapat bersifat digital. Citra digital adalah citra yang III. PERANCANGAN SISTEM
dapat diolah oleh komputer. Citra digital didapatkan dengan
menggunakan sensor optic, setelah sensor optic kemudian
citra digital membentuk bidang dua dimensi (x,y). Besar
intensitas yang diterima sensor disetiap titik (x,y)
disimbolkan oleh f(x,y), dimana x (baris) dan y (kolom)
merupakan koordinat posisi f(x,y) yang menyatakan besar
intensitas tingkat warna dari piksel di titik tersebut [8].
Hasilnya Pada Gambar 2. koordinat citra digital Gambar 3: metode pelaksanaan penelitian
berukuran M dan N, dimana M merupakan baris dan N
merupakan kolom.

2
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)
Pada gambar 3. desain fall detection dengan motion
history of image membutuhkan installasi raspbian ,
python environtment dan opencv ebagai library.
Kemudian pengambilan data pengujian dilakukan
dengan mengatur posisi kamera dan intensitas cahaya.
Kemudian dilakukan analisa dan didapatkan
kesimpulan.
Pada gambar 4. menjelaskan bahwa perancangan pada
sistem fall detection method adalah menggunakan
Raspberry Pi 3 model B sebagai mini pc, dimana proses
pendeteksian objek dilakukan dengan mendapatkan
input berupa rekaman video (offline) dengan resolusi
640x480 menggunakan kamera digital. Resolusi layar
dari sistem fall detection pada Raspberry Pi diatur 500 x
500 piksel. hal tersebut dimaksudkan untuk
meringankan kerja dari mini pc. Saat sistem mendeteksi
suatu objek, kemudian sistem akan melakukan proses
pemberian boundary box dan saat jatuh terdeteksi maka
sistem akan melakukan screenshot.
Gambar 4: Diagram Alir Sistem
Fokus pada penelitian ini mengetahui kinerja sistem
fall detection menggunakan raspberry pi 3 model b
dengan motion history of image serta mengetahui
tingkat accuracy, sensitivity, dan error. Pada
penggunaan fall detection hasil dari deteksi jatuh
kemudian dianalisa menggunakan confusion matrix
untuk menentukan nilai accuracy, sensitivity dan error.
IV. SKENARIO PENGUJIAN
Tahap pengambilan data dalam penelitian ini adalah
mengambil data video sebagai data input pendeteksi
jatuh menggunakan kamera yang telah dipasang didalam
rumah. Pengujian yang berkaitan dengan fall detection
method dilakukan sesuai dengan parameter yang
ditentukan adalah posisi kamera dengan tinggi kamera
70cm, 100cm, 140cm dan dengan jarak kamera 300cm,
350cm, dan 400cm. Serta tingkat kecerahan di
lingkungan pengujian di dalam ruangan dengan
intensitas cahaya 310lux dan 959lux. Luas ruangan yang
digunakan yaitu 3meter x 4,5 meter.
Gambar 5: Luas ruangan percobaan
Pada gambar 5. Dilakukan pengjian jatuh yang
disengaja dengan intensitas cahaya 310lux dan 959 lux.
Pengambilan data dilakukan dengan mengamati
perubahan nilai kecepatan jatuh objek berdasarkan jarak
dan ketinggian yang berbeda beda.
V. HASIL dan ANALISIS
Pada bab ini peneliti akan melakukan pengambilan data
untuk kemudian dianalisis lebih lanjut sesuai parameter
yang dikehendaki. Data yang telah diambil pada saat
pengujian adalah intensitas cahaya, dan posisi kamera,
dengan jatuh dalam posisi berdiri, yang kemudian diteliti
akurasi sistem fall detection method.
Setelah mendapatkan intensitas cahaya dan jarak
kamera dengan hasil yang baik, selanjutnya pengujian
dicoba berulang-ulang sebanyak 20 kali dengan data
3
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)
jatuh dan tidak jatuh. Kemudian dari data yang diambil
dilakukan perhitungan Accuracy menggunakan
persamaan (2), untuk perhitungan sensitivity
menggunakan persamaan (3) dan Error dengan
persamaan (4).
A. Hasil Pengujian pada 310lux
Hasil pengujian kerja sistem fall detection
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
didapatkan pada ketinggian kamera 70 cm dengan jarak
400 cm, 100 cm dengan jarak 400 cm dan pada
ketinggian 140 cm dengan jarak kamera 400 cm yaitu
sebesar 40%, dikarenakan sulitnya sistem dalam
mendeteksi jatuh jika jarak antara objek dan kamera
terlalu jauh.
Gambar 6: Grafik nilai sensitivity fall detection dengan
intensitas cahaya 310lux
B. Hasil Pengujian pada 959lux
Hasil pengujian kerja sistem fall detection
menggunakan intensitas cahaya 959lux 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, 400cm.
Hasil sensitivity fall detection dengan intensitas
cahaya 959lux yang ditunjukkan pada gambar 7.
Terlihat bahwa percobaan dengan posisi kamera dengan
cahaya 959 lux dapat diketahui bahwa nilai keyakinan
terendah didapatkan pada ketinggian kamera 140 cm
dengan jarak 400 cm yaitu sebesar 40%, dikarenakan
sulitnya sistem dalam mendeteksi jatuh saat jarak antara
objek dan kamera terlalu jauh. Sedangkan untuk nilai
keyakinan tertinggi yaitu pada tinggi kamera 70 cm
dengan jarak 350 cm, 100 cm dengan jarak 300 cm dan
pada tinggi kamera 140 cm dengan jarak kamera 300
cm yaitu sebesar 100%.
Gambar 7: Grafik nilai sensitivity fall detection
dengan intensitas cahaya 959lux
C. Hasil Pengujian dengan software MATLAB R16
Pengujian yang dilakukan adalah dengan cara
memasukan atau meng-input video hasil rekaman orang
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 8: Tampilan orang jatuh dengan Motion
History of Image
Parameter orang jatuh adalah jika perubahan
kecepatan pixel (0.6). Pada pemrograman fall detection
menggunakan Software MATLAB, nilai parameter
perubahan kecepatan pixel ( t ) dapat dilihat pada
Gambar 9 [10].
Dimana pada gambar tersebut terdapat objek yang
dikenali sebagai jatuh dan membentuk suatu history
pada frame. History tersebut merupakan piksel yang
memiliki kecepatan lebih dari (t > 0.6).
4
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)
Gambar 9: Hasil deteksi Motion History of Image
1. Analisa Pengujian fall detection dengan intensitas
cahaya 310lux dan 959lux
Dari data pengujian yang sudah didapatkan
sebelumnya, dapat dilakukan analisa terhadap pengujian
sistem fall detection. Dalam sistem fall detection yang
telah dirancang dan dilakukan pengujian, posisi kamera
dan intensitas cahaya sangat mempengaruhi hasil
deteksi objek yang dihasilkan oleh sistem.
Persamaan sensitivity yang diindikasikan terhadap
sistem fall detection yang dipakai dalam penelitian ini
dapat dilihat pada rumus (3).
Gambar 10: Grafik perbandingan sensitivity pada
pengujian 310lux dan 959lux
Pada gambar 10. diketahui bahwa intensitas cahaya
sangat berpengaruh dalam mendeteksi objek jatuh. Pada
percobaan deteksi jatuh pada jarak 300 cm dengan
intensitas cahaya 959 lux memiliki nilai rata – rata
100%, sedangkan pada jarak kamera 300 cm dengan
intensitas cahaya 310 lux hanya memiliki nilai rata –
rata deteksi jatuh sebesar 80%.
Pada percobaan menggunakan intensitas cahaya 310
lux, perubahan jarak antara kamera dengan objek juga
memiliki pengaruh dalam deteksi jatuh. Hal tersebut
dapat diketahui dengan sulitnya deteksi yang dilakukan
sistem pada pengujian dengan jarak 400 cm yaitu 40%.
Selain itu, pada pengujian selanjutnya yang dilakukan
terdapat 60% pada percobaan pada jarak 350 cm.
Sehingga sistem hanya dapat melakukan deteksi dengan
baik pada jarak 300 cm yaitu 80%. Hal tersebut dapat
menghasilkan kesimpulan bahwa jarak antara kamera
dengan objek pengujian mempengaruhi hasil deteksi
objek yang dilakukan oleh sistem.
Kemudian dengan intensitas cahaya 959 lux terdapat
nilai rata – rata deteksi yang tinggi yaitu 100% pada
jarak kamera 300 cm. Dikarenakan jarak kamera tidak
terlalu jauh pada objek serta di dukung oleh keadaan
lingkungan dengan menggunakan cahaya alami dengan
intensitas cahaya yang diterima oleh sistem sebesar 959
lux.
Dari data yang telah di dapatkan dari pengujian
dengan lux 310 ataupun 959, perubahan ketinggian
kamera yang dilakukan tidak memberikan dampak yang
berpengaruh dalam mendeteksi jatuh, atau bisa di
simpulkan bahwa ketinggian kamera dengan 70 cm, 100
cm dan 140 cm tidak memberikan pengaruh pada nilai
keyakinan deteksi objek.
2. Analisa Pengujian Data Jatuh dan Tidak Jatuh
Kemudian dilakukan pengujian untuk menghitung
accuracy, sensitivity dan error pada sistem deteksi
jatuh. Pengujian dilakukan dengan cara mengambil
banyak data dengan kondisi berbeda yaitu jatuh dan
tidak jatuh. Data yang digunakan yaitu dengan tinggi
kamera 100cm, jarak kamera dengan objek 300cm dan
intensitas cahaya 959lux.
Persamaan confusion matrix yang diindikasikan
terhadap sistem deteksi jatuh yang dipakai dalam
penelitian ini dapat dilihat pada rumus accuracy (2),
sensitivity (3), dan error (4) [11].
Tabel 1
Tabel Hasil Perhitungan
Hasil dari tabel 1, terdapat gerakan jatuh yang
terdeteksi jatuh oleh sistem sebanyak 16 data True
Positive, gerakan jatuh namun tidak terdeteksi oleh
sistem berjumlah 4 data False Negative, lalu gerakan
tidak jatuh yang terdeteksi oleh sistem bahwa jatuh
terdeteksi berjumlah 3 data False Positive, dan gerakan
tidak jatuh yang terdeteksi tidak jatuh oleh sistem
sebanyak 17 data True Negative.
Pengujian yang disajikan dalam bentuk tabel
menunjukkan data real. Dimana dalam sistem fall
detection hasil dari pengujian dengan 40 Data
menunjukan bahwa Accuracy sistem adalah sebesar
82,5%, sensitivity 80% dan Eror 17,5%.
5
Journal of Telecommunication, Electronic and Computer Engineering (JTEC)
VI. KESIMPULAN dan SARAN
A. Kesimpulan
Dari hasil pembuatan dan percobaan sistem pada
penelitian ini dapat diambil beberapa kesimpulan
sebagai berikut :
1. Hasil kinerja fall detection menggunakan
Raspberry Pi 3 menunjukkan hasil maksimal
deteksi pada jarak 300cm dengan nilai 100% serta
keadaan lingkungan menggunakan sumber cahaya
alami dengan intensitas cahaya 959lux
2. Hasil kinerja fall detection menggunakan
raspberry pi 3 menunjukkan hasil maksimal
deteksi pada jarak 300cm dengan nilai 80% serta
keadaan lingkungan menggunakan sumber cahaya
alami dengan intensitas cahaya 310lux
3. Intensitas cahaya sangat berpengaruh dalam
mendeteksi objek jatuh
4. Pengujian dengan perubahan ketinggian kamera
yang dilakukan pada 70cm, 100cm dan 140cm
tidak memberikan dampak yang berpengaruh
dalam mendeteksi jatuh
5. Pada penelitian dall detection ini memiliki
accuracy sebesar 82.5%, sensitivity 80%, dan error
17.5% dengan menggunakan percobaan data jatuh
dan tidak jatuh.
B. Saran
Pada penelitian penelitian ini, agar menjadi lebih
maksimal maka diberikan saran sebagai berikut :
1. Sistem yang digunakan masih memiliki akurasi
yang rendah terhadap pergerakan tidak jatuh
maupun pergerakan jatuh. Sebaiknya penelitian
selanjutnya dapat memperbaiki sistem yang
memiliki akurasi yang lebih baik dari penelitian
ini.
2. Perlu dilakukan peningkatan kemampuan
perangkat keras untuk dapat melakukan proses
pendeteksian orang jatuh dengan akurat dan lebih
cepat.
3. Harapanya agar dapat memberikan peringatan dini
jika penghuni rumah tersebut sedang jatuh,
sehingga penghuni rumah bisa mendapatkan
pertolongan secepatnya menggunakan aplikasi
home care system berbasis email.
DAFTAR PUSTAKA
[1] BPS, “Statistik Penduduk Lanjut Usia,” 2018.
[2] R. Istifada, “PADA PERAWAT DI
LAYANAN HOMECARE sangat luas ,
sehingga akses antara satu belum diaplikasikan
pada layanan,” vol. 5, no. 1, pp. 51–61, 2017.
[3] S. Norhabibah, W. A. K, and D. Risqiwati,
“Rancang Bangun Sistem Monitoring Deteksi
Jatuh untuk Manula dengan Menggunakan
Accelerometer,” JOINCS (Journal Informatics,
Network, Comput. Sci., vol. 1, no. 1, pp. 43–52,
2017.
[4] Rakhman, “Fall Detection System Using
Accelerometer and Gyroscope Based on
Smartphone,” pp. 99–104, 2014.
[5] S. Ishikawa, “Motion history image : Its
variants and applications,” no. June 2014, 2010.
[6] Mohd Brado frasetyo, “Comparison of Motion
History Image and Approximated Ellipse
Method in Human Fall Detection System,”
2019. [Online]. Available:
https://id.wikipedia.org/wiki/Ponsel_cerdas.
[7] A. F. Bobick and I. C. Society, “The
Recognition of Human Movement Using
Temporal Templates,” vol. 23, no. 3, pp. 257–
267, 2001.
[8] M. B. Frasetyo, J. T. Elektro, F. T. Industri, and
U. I. Indonesia, “Sistem pendeteksi jatuh pada
manusia berbasis pengolahan citra,” 2018.
[9] IPB, “CONFUSION MATRIX,” pp. 2–5, 2011.
[10] E. S. Wahyuni, M. B. Frasetyo, and H.
Setiawan, “Combination of motion history
image and approximated ellipse method for
human fall detection system,” Int. J. Simul.
Syst. Sci. Technol., vol. 19, no. 3, p. 13.1-13.6,
2018.
[11] X. Kong and L. Meng, “Fall Detection for
Elderly Persons Using a Depth Camera,” vol.
13, pp. 269–273, 2017.