KLASIFIKASI JATUH UNTUK LANJUT USIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Secara global, jatuh merupakan penyebab utama kedua untuk kematian akibat cedera yang tidak disengaja. Setiap tahun diperkirakan sebanyak 684.000 individu meninggal karena jatuh, dimana lebih dari 80% berada di negara berpenghasilan rendah dan menengah. Penelitian tentang metode untuk mendeteksi jatuh sangat aktif dalam beberapa dekade terakhir. Rata-rata cukup sulit untuk membedakan jatuh, hal tersebut karena kesamaan antara bentuk percepatan dari berbagai jenis jatuh. Percobaan dilakukan secara objektif menggunakan dataset publik kemudian menggunakan dimentionality reduction untuk mengetahui keefektifan dalam mengekstraksi fitur yang berguna untuk jenis jatuh dan Activities of Daily Living (ADL), serta mengetahui pengaruhnya terhadap kinerja model menggunakan algoritma Convolutional Neural Network. Jumlah data yang digunakan terbagi menjadi dua yaitu 90% data untuk traning dan 10% data untuk validasi, atau untuk UniMib SHAR dataset terdapat sebanyak 10593 data training dan 1177 data validasi, kemudian untuk UMAFall dataset terdapat sebanyak 2389 data training dan 265 data validasi. Hasil yang diperoleh dievaluasi dengan leave-one-out cross-validation (LOOCV), pada UniMib SHAR dataset diperoleh rata-rata akurasi yang optimal dengan menggunakan Raw Data sebesar 76%, kemudian untuk UMAFall dataset diperoleh rata-rata akurasi yang optimal dengan menggunakan Raw Data yang digabungkan dengan PCA sebesar 65% dan Raw Data yang digabungkan dengan SVD sebesar 65% .