SAMUDRO, MOH ALMA (2024) RANCANG BANGUN SISTEM MONITORING DETEKSI PERGERAKAN PASIEN DENGAN METODE k-NEAREST NEIGHBORS (k-NN) SECARA REAL TIME MENGGUNAKAN KOMUNIKASI (LONG RANGE) LORA-WAN. S1 thesis, Universitas Mercu Buana Jakarta.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (HAL COVER)
01 Cover.pdf Download (493kB) |
|
Text (ABSTRAK)
02 Abstrak.pdf Download (173kB) |
|
Text (BAB I)
03 Bab 1.pdf Restricted to Registered users only Download (168kB) |
|
Text (BAB II)
04 Bab 2.pdf Restricted to Registered users only Download (591kB) |
|
Text (BAB III)
05 Bab 3.pdf Restricted to Registered users only Download (826kB) |
|
Text (BAB IV)
06 Bab 4.pdf Restricted to Registered users only Download (827kB) |
|
Text (BAB V)
07 Bab 5.pdf Restricted to Registered users only Download (153kB) |
|
Text (DAFTAR PUSTAKA)
08 Daftar Pustaka.pdf Restricted to Registered users only Download (172kB) |
|
Text (LAMPIRAN)
09 Lampairan.pdf Restricted to Registered users only Download (576kB) |
Abstract
Insidents of falls are a recurring issue in our surroundings. Although they commonly occur in the elderly, there is no age restriction that exempts someone from the risk of falling. Some individuals may underestimate this occurrence, considering it as something trivial. However, in reality, fall incidents have serious consequences, especially for the elderly and individuals with a history of stroke. This issue should not be taken lightly and requires serious attention, particularly for those experiencing health disorders. This research aims to develop the design of a patient movement detection system during a fall. The system utilizes sensor fusion with the Kalman filter method to detect the patient's fall position. To enhance accuracy, the system incorporates the k-Nearest Neighbors (k-NN) algorithm to reduce false fall detections. This method is employed for fall motion detection, wherein two sensors, accelerometer and gyroscope, are combined using the Kalman filter to generate pitch and roll angle output values. These values are utilized as training and testing data for the application of k-Nearest Neighbors (k-NN). Fall movements are categorized into four types: falling backward, falling forward, falling to the left, and falling to the right. If the system detects any of these fall categories, it transmits the fall position data using LoRaWAN communication, which is displayed on a website and Telegram. The results of this system design show a measured current of 0.3608 amperes during the transmit (data sending) condition and 0.2416 amperes during the idle (normal) condition. The GPS lock response time testing averages 250 seconds with a 100% success rate in clear weather conditions. MPU6050 testing includes calibration to minimize sensor drift and noise. Euler testing demonstrates gyroscope responsiveness to angle changes, with values aligning with the expected results. Kalman filter implementation successfully reduces noise in sensor readings. K-NN algorithm testing involves parameters such as K value, weighting method, and the number of training data, resulting in the optimal values for the system being K = 3, no weighting method, and 300 data training. The fall detection accuracy is 89.30%. LoRa communication testing yields an average signal strength (RSSI) of 112 dBm, an average Time On Air of 2-3 seconds, and a packet delivery rate of 95%. Keywords: Fall detection, IMU Sensor, MPU6050, Neo 6M GPS, Sensor Fusion, Kalman Filter, k-Nearest Neighbors (k-NN), LoRaWAN. Insiden jatuh merupakan permasalahan yang sering muncul di sekitar kita. Meskipun umumnya terjadi pada kelompok usia lanjut, namun tidak ada batasan usia yang menghindarkan seseorang dari risiko jatuh. Beberapa individu mungkin meremehkan kejadian ini dan menganggapnya sebagai sesuatu yang lumrah, tetapi sebenarnya, insiden jatuh memiliki konsekuensi serius terutama bagi orang tua dan individu dengan riwayat stroke. Kejadian ini tidak boleh dianggap enteng, dan perlu mendapat perhatian serius, terutama bagi mereka yang sedang mengalami gangguan kesehatan. Pada penelitian ini bertujuan mengembangkan rancang bangun deteksi pergerakan pasien ketika jatuh. Sistem ini akan bekerja dengan menggunakan sensor fusion metode kalman filter untuk mendeteksi posisi pasien jatuh, serta peningkatan akurasi dengan menggunakan alogaritama k-Nearest Neighbors (k-NN) agar mengurangi deteksi jatuh palsu. Metode ini digunakan sebagai pendeteksian gerakan jatuh, dimana dua sensor akselerometer dan giroskop digabungkan menggunakan kalman filter sehingga menghasilkan nilai output angle pitch dan angle roll. Nilai tersebut digunakan sebagai data train dan data test pada pengaplikasian k-Nearest Neighbors (k-NN). Gerakan jatuh dibagi menjadi 4 kategori antara lain: jatuh terlentang, jatuh tengkurap, jatuh miring kiri, dan jatuh miring kanan. Apabila sisitem mendeteksi salah satu kategori jatuh maka sistem akan mengirimkan data posisi jatuh, kemudian lokasi pasien menggunakan komunikasi LoRaWAN yang akan ditampilkan pada website dan telegram. Hasil perancangan sistem ini menunjukan arus yang terukur pada sistem saat kondisi transmit (mengirim data) sebesar 0.3608 ampere sedangkan saat kondisi idle (normal) sebesar 0.2416 ampere, sedangkan untuk pengujian waktu respon lock GPS adalah rata rata waktu 250 detik dengan presentase keberhasilan 100% ketika cuaca cerah . Pengujian MPU6050 dilakukan beberapa tahapan seperti kalibrasi bertujuan agar data sensor tidak mengalami banyak drift dan noise hasil dari pengkalibrasian alat diperoleh ketika diam nilai pembacaan sensor mendekati 0. Pengujian euler, dimana hasil untuk gyroscope menunjukan nilai pada responsivitas sensor terhadap perubahan sudut responsivitas setiap sudut baik itu pitch, roll dan yaw memiliki nilai sesuai dengan pengujian. Hasil pengujian noise pada penerapan Kalman filter berhasil dilakukan dengan mereduksi data noise dari pembacaan. Sedangkan Pengujian alograitma K-NN dilakukan dalam beberapa parameter seperti nilai K, metode pembobotan, jumlah data train dihasilkan nilai pengujian terbaik untuk sistem yang akan di bangun adalah k = 3, metode = tanpa pembobotan, dan jumlah data train = 300. Dengan nilai akurasi pendeteksian jatuh 89,30%. Hasil pengujian komunikasi LoRA adalah kuat sinyal / RSSI rata rata adalah 112 dBm sedangkan Time On Air rata-rata adalah 2-3 detik, dengan rata packet delivery rate sebesar 95%. Kata Kunci : Fall detection, Sensor IMU, MPU6050, GPS Neo 6M, Sensor Fusion, Kalman Filter, k-Nearest Neighbors (k-NN), LoRaWAN.
Actions (login required)
 |
View Item |
