Electronic Theses and Dissertation

Jatuh merupakan salah satu penyebab utama cedera serius dan kematian tidak disengaja, terutama pada kelompok lanjut usia. Berdasarkan laporan World Health Organization (WHO), sekitar 28-35% individu berusia di atas 65 tahun mengalami kejadian jatuh setiap tahun, dan meningkat menjadi 32-42% pada usia di atas 70 tahun. Penelitian ini bertujuan mengembangkan dan mengevaluasi sistem deteksi jatuh berbasis deep learning yang mampu membedakan kejadian jatuh dan aktivitas normal secara akurat dan efisien. Metode penelitian mengintegrasikan BlazePose sebagai model pose estimation untuk mengekstraksi 33 keypoints tubuh manusia dari citra RGB dan BiLSTM untuk memodelkan pola pergerakan tubuh secara temporal. Dataset yang digunakan adalah Fall Detection Dataset yang terdiri dari 15.416 citra yang diproses menjadi data sekuens dan dibagi ke dalam data pelatihan, validasi, dan pengujian. Hasil pengujian menunjukkan bahwa konfigurasi terbaik menggunakan learning rate 0,001 dengan early stopping, menghasilkan akurasi sebesar 98,75% dengan nilai precision, recall, dan F1-score yang tinggi. Model juga menunjukkan kinerja komputasi baik dengan waktu inferensi rata-rata 0,83 ms per sekuens dan estimasi kecepatan pemrosesan sekitar 35.940 FPS.
Kata kunci: Deteksi jatuh, Deep Learning, Pose Estimation, BlazePose, BiLSTM

Falls are among the leading causes of serious injury and unintentional death, particularly in the elderly population. According to the World Health Organization (WHO), approximately 28-35% of individuals aged over 65 experience falls annually, increasing to 32-42% among those over 70 years old. This study presents the development and evaluation of a deep learning based fall detection system capable of accurately and efficiently distinguishing fall events from normal activities. The proposed framework integrates BlazePose as a pose estimation model to extract 33 human body keypoints from RGB images, while a BiLSTM network is employed to model temporal motion patterns. The Fall Detection Dataset, consisting of 15,416 images, is processed into sequential data and divided into training, validation, and testing sets. Experimental results demonstrate that the optimal configuration, using a learning rate of 0.001 with early stopping, achieves an accuracy of 98.75%, along with high precision, recall, and F1-score values. Furthermore, the model exhibits excellent computational performance, with an average inference time of 0.83 ms per sequence and an estimated processing speed of approximately 35,940 FPS. Keywords: Fall Detection, Deep Learning, Pose Estimation, BlazePose, BiLSTM