Implementasi Algoritma YOLOv8 untuk Deteksi Orang Jatuh dalam Aktivitas Sehari-hari

Khorasani, Fernando (2024) Implementasi Algoritma YOLOv8 untuk Deteksi Orang Jatuh dalam Aktivitas Sehari-hari. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (654kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Download (210kB)
	PDF DAFTAR_PUSTAKA.pdf Download (220kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (254kB)

Abstract

Jatuh adalah penyebab utama cedera dan kematian di seluruh dunia, terutama pada populasi lanjut usia. Teknologi pendeteksi jatuh menjadi semakin penting untuk mengurangi risiko cedera akibat jatuh. CNN menggunakan layer konvolusi dengan kernel yang dapat dipelajari untuk menghasilkan peta aktivasi 2D. Salah satu pendekatan yang digunakan adalah teknologi pengenalan objek dengan algoritma YOLO (You Only Look Once). Penelitian ini bertujuan untuk mengembangkan sistem deteksi jatuh berbasis YOLOv8 dan membandingkan akurasi deteksi antara penggunaan dataset pelatihan orang jatuh dan pengukuran perubahan tinggi badan saat jatuh. Pada perbandingan metode dengan menggunakan model orang jatuh, setiap model memiliki nilai mAP di atas 0,9 dengan model dengan nilai mAP paling tinggi milik hasil pelatihan epoch 300 dengan model orang sebesar 0,94717. Model-model dan kedua metode diuji menggunakan lima video yang menampilkan orang jatuh, satu video amatir, serta lima video tanpa kejadian orang jatuh. Hasil pengujian menunjukkan bahwa setiap model berhasil mendeteksi semua video jatuh dengan benar, dengan akurasi deteksi jatuh sebesar 100%. Namun, model mengalami kesalahan pada depth video. Kesalahan ini disebabkan oleh kurangnya dataset yang memadai untuk depth video dan hasilnya lebih dipengaruhi oleh konfigurasi video daripada kamera langsung, sehingga tidak perlu dipedulikan dalam konteks ini. Metode deteksi perubahan tinggi badan memiliki akurasi deteksi jatuh hanya 63,64%. Hal ini menunjukkan bahwa metode berbasis model orang jatuh menggunakan YOLOv8 memberikan hasil yang lebih konsisten dan akurat dibandingkan metode pengukuran tinggi badan. Penelitian ini menyarankan peningkatan algoritma deteksi dan penyesuaian parameter untuk meningkatkan keandalan dalam situasi yang lebih kompleks serta pengumpulan dataset yang lebih representatif.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deteksi Jatuh, Keselamatan Diri, Machine Learning, Teknologi Kesehatan, YOLOv8
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	09 Nov 2024 11:52
Last Modified:	09 Nov 2024 11:52
URI:	https://kc.umn.ac.id/id/eprint/33919

Actions (login required)

View Item