Sistem Notifikasi Deteksi Jatuh Menggunakan Smartwatch dan Smartphone

Menurut World Health Organization (WHO) antara 28% dan 35% orang yang berusia lebih dari 65 tahun jatuh setidaknya setahun sekali dan kecelakaan ini bertanggung jawab atas sekitar 40% dari total cedera yang tercatat (United Nations Department Of Economic and Social Affairs, 2007). Jatuh adalah risiko kesehatan utama untuk orang tua (K. C. Liu, Hsieh, Hsu, & Chan, 2018). Jatuh adalah salah satu insiden yang paling sering terjadi pada lansia. Sekitar 33% lansia telah mengalami setidaknya satu kali jatuh atau lebih setiap tahun. Ini terjadi karena beberapa faktor seperti cedera fisik dan faktor emosional yang tidak stabil (Nari, Suprapto, Kusumah, & Adiprawita, 2017). Di sisi lain, waktu tunggu yang lama sebelum bantuan datang dapat meningkatkan kemungkinan rawat inap dan kematian (Vilarinho et al., 2015).

Kejadian jatuh pada lansia tidak semuanya menyebabkan dan berakibat kematian. Namun kejadian jatuh pada lansia bisa berisiko menyebabkan kematian. Terutama untuk orang tua yang tinggal sendirian (Min, Yao, Lin, & Liu, 2018). Misalnya, jatuh sangat keras dan mengalami benturan di kepala, jatuh pingsan atau tidak bisa bangun dan tidak segera mendapatkan pertolongan, ini juga berisiko menyebabkan kematian. Sehingga kecepatan datangnya pertolongan terhadap peristiwa jatuh mempengaruhi risiko yang disebabkan setelah jatuh. Dalam situasi saat ini, banyak orang tua tinggal sendirian di rumah, ditinggalkan oleh anak-anak atau keluarga mereka untuk bekerja atau untuk acara-acara tertentu. Jika tidak ada perawat yang menjaga dan selalu mengawasi, ada kemungkinan orang tua itu akan jatuh tanpa ada yang mengetahui. Upaya bantuan cepat diperlukan untuk mencegah dampak dan risiko jatuh. Ada kebutuhan mendesak untuk mengembangkan sistem pengawasan cerdas untuk orang tua, yang dapat secara otomatis dan segera mendeteksi kejadian jatuh dan memberitahu pengasuh atau keluarga (N. Lu, Wu, Feng, & Song, 2018).

Selama dekade terakhir, banyak solusi telah diusulkan untuk deteksi jatuh lansia (Pierleoni et al., 2015). Upaya yang dilakukan oleh para peneliti untuk meminimalkan risiko jatuh pada lansia yang sendirian dan tidak segera mendapatkan bantuan adalah dengan memanfaatkan teknologi sistem deteksi insiden. Deteksi jatuh adalah masalah ilmiah yang menarik dan dapat diselesaikan melalui berbagai metode (Z. Liu, Cao, Cui, Song, & Zhao, 2018). Salah satu faktor kunci dari kesuksesan komersial dari sistem telecare adalah tanpa membebani pengguna. Artinya, pengguna biasanya tidak ingin memakai beberapa perangkat yang dapat mengganggu aktivitas sehari-hari mereka. Smartwatch adalah perangkat yang dapat dipakai dengan mudah dan menyebabkan obtrusivitas minimal (Gjoreski, Bizjak, & Gams, 2016), juga tidak memicu stigmatisasi negatif. Smartwatch adalah perangkat yang dapat dikenakan dengan nyaman untuk orang dewasa yang lebih tua, karena mereka sering menderita pelupa (K.-L. Lu & Chu, 2018). Dalam penelitian ini kami mengusulkan menggunakan smartwach dengan sensor accelerometer dan gyroscope untuk sistem deteksi jatuh. Smartwatch umumnya sudah dilengkapi dengan sensor accelerometer dan gyroscope (Casilari & Oviedo-Jiménez, 2015). Kemajuan teknologi sensor dan pemrosesan sinyal telah membuka jalan bagi pemantauan aktivitas otonom canggih dan sistem deteksi jatuh. Data sensor dikumpulkan dan kemudian diproses oleh unit pemrosesan sinyal untuk menyimpulkan informasi tentang kondisi pengguna (Tsinganos & Skodras, 2018).

Seiring dengan pengembangan sistem deteksi jatuh, berbagai tantangan untuk meningkatkan akurasi deteksi jatuh, memberikan peluang untuk mengembangkan sistem yang lebih akurat dan lebih baik. Perangkat yang dapat dipakai adalah konfigurasi komponen elektronik mini termasuk sensor dan unit pemrosesan yang dapat dikenakan oleh pengguna di bawah, dengan atau di atas pakaian. Kelebihan dari smartwatch adalah dukungan sensor yang digunakan seperti accelerometer, gyroscope, heart rate, Global Positioning System (GPS), dan bahkan jam tangan pintar dapat mengakses internet secara langsung. Berdasarkan studi literatur dari penelitian sebelumnya, penelitian ini memanfaatkan smartwatch sebagai perangkat yang digunakan untuk mendeteksi kejadian jatuh dan smartphone sebagai perangkat yang akan menerima notifikasi kejadian jatuh yang dikirimkan dari smartwatch. Sensor yang digunakan adalah accelerometer, gyroscope, heart rate, GPS.

Berdasarkan penelitian (Z. Liu et al., 2018), (Zerrouki, Harrou, Houacine, & Sun, 2017), (Ngu, Tseng, Paliwal, Carpenter, & Stipe, 2018), (Anne Ngu, Yeahuay Wu, Habil Zare, Andrew Polican, Brock Yarbrough, 2017), algoritma pembelajaran mesin tranditional yang memiliki akurasi yang baik adalah Support Vector Machine (SVM). Cara yang umum untuk mempelajari kejadian jatuh adalah dengan mengembangkan dataset orang jatuh dan ditambah sesi tambahan dari ADL yang berbeda (Khojasteh, Villar, Chira, González, & de la Cal, 2018). Kinerja algoritma klasifikasi secara inheren tergantung pada fitur (Zerrouki et al., 2017). Tingkat akurasi menggunakan algoritma pembelajaran mesin tradisional masih merupakan peluang untuk ditingkatkan. Untuk membuat perbaikan dari penelitian yang digunakan sebagai studi literatur, penelitian ini menggunakan pembelajaran jatuh non-tradisional. Pembelajaran mendalam memungkinkan untuk membuat model komputasi yang terdiri dari beberapa lapisan pemrosesan dan mempelajari representasi data dengan berbagai tingkat abstraksi (Nait Aicha, Englebienne, van Schooten, Pijnappels, & Kröse, 2018). Long Short Term Memory (LSTM) adalah salah satu dari banyak variasi arsitektur Recurrent Neural Network (RNN) (Bao, Yue, & Rao, 2017). Model LSTM dengan parameter yang jauh lebih sedikit dapat dilatih pada dataset yang relative kecil untuk meningkatkan kecepatan pelatihan. Kontribusi utama dari penelitian ini adalah sebuah studi mendalam dari kedua algoritma pembelajaran mesin Support Vector Machine (SVM) dan deeplearning LSTM untuk deteksi jatuh menggunakan data dari sensor accelerometer dan gyroscope yang diimplementasikan pada perangkat wearable yaitu smartwach.

Peneliti: Eko Setyawan dan I Gede Putra Kusuma Negara