Klasifikasi Gerakan Jatuh Berbasis Accelerometer dan Gyroscope Menggunakan K-Nearest Neighbors

  • Adlian Jefiza Politeknik Negeri Batam
  • Indra Daulay Politeknik Negeri Batam
  • Jhon Hericson Purba Politeknik Negeri Batam

Abstract

Permasalahan utama pada penelitian ini merujuk kepada semakin menurunnya daya tahan tubuh lanjut usia (lansia). Hal ini membutuhkan sistem monitoring aktivitas lansia secara real time. Untuk mendeteksi kegiatan para lansia, dirancang sebuah perangkat monitoring dengan accelerometer 3-sumbu dan gyroscope 3-sumbu. Data sensor diperoleh dari lima partisipan. Setiap partisipan melakukan lima gerakan yaitu terjatuh, duduk, tidur, rukuk dan sujud. Gerakan yang dipilih adalah gerakan yang menyerupai gerakan jatuh. Total data yang diperoleh dari partisipan adalah 75 data yang terbagi menjadi training data dan testing data. Penelitian ini menggunakan metode transformasi Wavelet untuk mengenali fitur dari gerakan. Untuk pengklasifikasian setiap gerakan, digunakan metode K-nearest neighbors (KNN). Hasil klasifikasi gerakan menggunakan lima kelas menghasilkan nilai root mean square sebesar 0.0074 dengan akurasi 100%.

Downloads

Download data is not yet available.

References

Pusat Data dan Informasi - Kementerian Kesehatan Republik Indonesia, “Analisis Lansia di Indonesia 2017.” [Online]. Available: https://pusdatin.kemkes.go.id/article/view/18012600001/analisis-lansia-di-indonesia-2017.html. [Accessed: 03-Nov-2020].

A. Z. Rakhman, L. E. Nugroho, Widyawan, and Kurnianingsih, “Fall detection system using accelerometer and gyroscope based on smartphone,” in 2014 1st International Conference on Information Technology, Computer, and Electrical Engineering: Green Technology and Its Applications for a Better Future, ICITACEE 2014 - Proceedings, 2015, pp. 99–104.

S. D. Tsani and I. H. Mulyadi, “Sistem Pendeteksi Jatuh Wearable untuk Lanjut Usia Menggunakan Accelerometer dan Gyroscope,” J. Appl. Electr. Eng., vol. 3, no. 2, pp. 44–48, 2019.

R. Espinosa, H. Ponce, S. Gutiérrez, L. Martínez-Villaseñor, J. Brieva, and E. Moya-Albor, “A vision-based approach for fall detection using multiple cameras and convolutional neural networks: A case study using the UP-Fall detection dataset,” Comput. Biol. Med., vol. 115, p. 103520, Dec. 2019.

D. Sripathi, “Efficient Implementations of Discrete Wavelet Transforms Using FPGAs,” 2003.

O. Kramer, “K-Nearest Neighbors,” Springer, Berlin, Heidelberg, 2013, pp. 13–23.

Published
2020-12-31
How to Cite
Jefiza, A., Daulay, I., & Purba, J. (2020). Klasifikasi Gerakan Jatuh Berbasis Accelerometer dan Gyroscope Menggunakan K-Nearest Neighbors. Journal of Applied Electrical Engineering, 4(2), 24-29. https://doi.org/10.30871/jaee.v4i2.1300

Most read articles by the same author(s)