Sistem Deteksi Orang Jatuh Berbasis AIoT Menggunakan Convolutional Neural Networks (CNN) Pada Wearable Device

Zahro', Aula Faridatuz (2024) Sistem Deteksi Orang Jatuh Berbasis AIoT Menggunakan Convolutional Neural Networks (CNN) Pada Wearable Device. Diploma thesis, Jurusan Teknologi Informasi.

	Text cover dkk.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 1_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (152kB) | Request a copy
	Text BAB 2_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (430kB) | Request a copy
	Text BAB 3_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (389kB) | Request a copy
	Text BAB 4_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (522kB) | Request a copy
	Text BAB 5_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (657kB) | Request a copy
	Text BAB 6_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (728kB) | Request a copy
	Text BAB 7_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (12kB) | Request a copy
	Text DAFTAR PUSTAKA_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (138kB) | Request a copy
	Text LAMPIRAN_SKRIPSI_AULAFARIDATUZ.pdf Restricted to Registered users only Download (203kB) | Request a copy

Abstract

Peristiwa jatuh merupakan bagian normal dalam siklus perkembangan manusia, namun dapat menyebabkan cedera serius dan berdampak pada individu maupun masyarakat secara luas. Dalam skala global, jatuh menjadi salah satu masalah kesehatan masyarakat yang signifikan, dengan jutaan orang mengalami cedera parah dan bahkan kematian setiap tahunnya. Dalam upaya mengatasi risiko ini, sistem deteksi jatuh yang efektif dan efisien sangat diperlukan. Dalam penelitian ini, kami mengusulkan pengembangan sistem deteksi orang jatuh berbasis AIoT menggunakan Convolutional Neural Networks (CNN) pada perangkat wearable. Pendekatan deep learning melalui CNN dipilih karena kemampuannya dalam mengenali pola dan fitur pada data sensor yang dihasilkan oleh perangkat wearable. Penelitian sebelumnya telah mengusulkan sistem deteksi jatuh dengan menggunakan IoT dan algoritma machine learning. Namun, penelitian kami mengambil langkah lebih lanjut dengan menggabungkan teknologi deep learning melalui CNN untuk meningkatkan akurasi dan keandalan deteksi. Kemudian pada penelitian ini menggabungkan penggunaan bot telegram sebagai antarmuka sistem. Dalam pengujian, kami melakukan evaluasi terhadap tingkat akurasi metode CNN yang diimplementasikan. Hasil klasifikasi menunjukkan tingkat akurasi, recall, precision, dan f1-score untuk setiap kelas, serta tingkat akurasi keseluruhan sebesar 94,33%. Uji validasi juga dilakukan dengan menghitung persentase prediksi yang benar dari total percobaan, dan diperoleh hasil akurasi sebesar 83,33%. Dengan adanya sistem deteksi jatuh berbasis AIoT ini, diharapkan dapat meningkatkan efisiensi dalam mendeteksi kejadian jatuh pada orang yang berisiko, terutama saat mereka berada dalam situasi dimana pengawasan langsung tidak memungkinkan. Sistem ini memiliki potensi untuk mencegah cedera serius, mengurangi biaya perawatan, dan meningkatkan kualitas hidup individu yang rentan terhadap kejadian jatuh.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Sistem deteksi, jatuh, AIoT, deep learning, Convolutional Neural Network, wearable device, bot Telegram
Subjects:	A Computer Science > Information Science A Computer Science > Artificial Intelligence A Computer Science > Internet Of Things
Divisions:	Jurusan Teknologi Informasi > Teknik Informatika
Depositing User:	Aula Faridatuz
Date Deposited:	25 Jan 2024 02:15
Last Modified:	25 Jan 2024 02:15
URI:	http://repota.jti.polinema.ac.id/id/eprint/844

Actions (login required)

View Item