Inovasi Pengenalan Aktivitas Manusia (HAR) Berbasis Sensor: Menjaga Privasi dengan AI di Lingkungan Minim Sumber Daya

Kebutuhan Mendesak akan Pemantauan Kesehatan Jarak Jauh

      Akses terbatas terhadap infrastruktur medis, terutama di daerah pedesaan atau minim sumber daya, sering kali menyebabkan pasien lansia dan rentan kurang mendapatkan perhatian. Situasi ini diperparah dengan kurangnya kepatuhan terhadap program terapi penting seperti yoga atau fisioterapi. Akibatnya, individu-individu ini menghadapi risiko cedera atau komplikasi kesehatan yang tidak terdeteksi, seperti jatuh atau perkembangan penyakit yang tidak terkontrol. Kesenjangan dalam perawatan ini menyoroti kebutuhan akan solusi pemantauan kesehatan yang dapat diakses, otomatis, dan berbiaya rendah di luar lingkungan rumah sakit.

      Pengenalan Aktivitas Manusia (HAR) menawarkan jalan keluar yang menjanjikan untuk mengatasi tantangan ini. Dengan secara otomatis mengidentifikasi dan mengklasifikasikan aktivitas fisik, sistem HAR dapat memberikan pemantauan real-time yang krusial untuk keselamatan dan kesejahteraan pasien. Selain itu, potensi aplikasinya meluas ke berbagai sektor, mulai dari pelatihan olahraga hingga manajemen rumah pintar, menunjukkan fleksibilitas teknologi ini dalam meningkatkan kualitas hidup dan efisiensi operasional.

Tantangan dalam Pemantauan Aktivitas Manusia (HAR)

      Meskipun HAR memiliki potensi besar, implementasinya menghadapi beberapa tantangan. Metode pengenalan aktivitas tradisional sering kali bergantung pada citra atau video, yang menimbulkan masalah privasi signifikan dan kendala operasional. Kamera, misalnya, sangat bergantung pada kondisi pencahayaan dan sudut pandang, serta tidak portabel, membatasi penggunaannya di lingkungan sehari-hari yang dinamis. Aspek privasi menjadi perhatian utama, terutama dalam skenario perawatan kesehatan di mana data sensitif dikumpulkan.

      Lingkungan alami dan dinamis juga memperkenalkan kebisingan dan variabilitas tinggi dalam pola data sensor, membuat pengenalan aktivitas real-time menjadi sangat menantang. Data yang tidak akurat atau tidak lengkap dapat menyebabkan diagnosis yang salah atau respons yang terlambat, sehingga menyoroti kebutuhan akan sistem yang kuat dan akurat. Untuk mengatasi keterbatasan ini, penelitian telah beralih ke pendekatan berbasis sensor yang menawarkan solusi yang lebih praktis, non-intrusif, dan berbiaya efektif untuk aplikasi dunia nyata, sebagaimana dijelaskan dalam penelitian ini.

Solusi Revolusioner: HAR Berbasis Sensor dan Pembelajaran Mesin

      Untuk mengatasi tantangan tersebut, kerangka kerja Pengenalan Aktivitas Manusia (HAR) berbasis sensor telah dikembangkan. Sistem ini menggunakan sensor inersia yang dapat dikenakan, seperti akselerometer dan giroskop, untuk mengumpulkan data aktivitas secara pasif dari individu. Data ini mencakup berbagai gerakan fundamental, mulai dari aktivitas statis seperti berdiri, duduk, dan berbaring, hingga aktivitas dinamis seperti berjalan, menaiki tangga, dan menuruni tangga. Data dikumpulkan menggunakan unit pengukuran inersia (IMU) yang terdiri dari akselerometer, giroskop, dan magnetometer. Sensor-sensor ini terhubung ke mikrokontroler NodeMCU ESP8266, yang kemudian secara nirkabel mengirimkan data ke antarmuka aplikasi seluler untuk analisis lebih lanjut.

      Langkah pertama dalam proses ini adalah pengumpulan data yang cermat, diikuti dengan tahap pra-pemrosesan yang krusial. Pada tahap ini, teknik seperti rata-rata bergerak (moving average) dan filter Kalman diterapkan untuk mengurangi kebisingan dan meningkatkan kejernihan sinyal. Data yang telah bersih ini kemudian menjadi masukan bagi berbagai model pembelajaran mesin klasik. Beberapa model yang dievaluasi dalam penelitian ini meliputi Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan k-Nearest Neighbors (k-NN). Metode-metode ini membentuk dasar untuk membandingkan kinerja algoritma yang lebih canggih.

Keunggulan Support Tensor Machine (STM) dan Pembelajaran Terfederasi (FL)

      Inovasi utama dalam kerangka kerja HAR ini adalah pengembangan dan evaluasi Support Tensor Machine (STM). Berbeda dengan metode klasik yang sering kali mengurai dinamika spasio-temporal data gerakan, STM memanfaatkan representasi tensor. Secara sederhana, tensor adalah array multidimensi yang memungkinkan model untuk menjaga struktur kompleks dan hubungan antar data sensor dari waktu ke waktu. Pendekatan ini secara signifikan meningkatkan kemampuan sistem untuk memahami pola gerakan yang rumit, menghasilkan klasifikasi yang lebih kuat dan akurat di berbagai aktivitas.

      Hasil eksperimen menunjukkan bahwa STM secara substansial mengungguli model pembelajaran mesin klasik. Sementara SVM mencapai akurasi 93,33%, dan Regresi Logistik, Random Forest, serta k-NN masing-masing mencapai 91,11%, STM mencapai akurasi pengujian sebesar 96,67% dan akurasi validasi silang tertinggi sebesar 98,50%. Selain itu, untuk mengatasi masalah privasi data yang melekat dalam pemantauan kesehatan, sistem ini mengintegrasikan Pembelajaran Terfederasi (Federated Learning/FL). FL memungkinkan banyak perangkat klien—seperti ponsel cerdas atau perangkat wearable—untuk melatih model pembelajaran mesin secara lokal pada perangkat mereka sendiri. Hanya pembaruan model yang telah dilatih (bukan data mentah yang sensitif) yang kemudian dibagikan ke server pusat untuk digabungkan menjadi model global. Ini tidak hanya menjaga privasi pengguna dengan memastikan data sensitif tidak pernah meninggalkan perangkat lokal, tetapi juga secara signifikan mengurangi konsumsi bandwidth dan energi, dengan akurasi model meningkat hingga 98,74% setelah 10 putaran komunikasi.

Penerapan Praktis dan Manfaat Nyata dalam Berbagai Industri

      Sistem HAR berbasis sensor ini menghadirkan beragam aplikasi praktis di berbagai sektor. Dalam perawatan kesehatan jarak jauh, sistem ini dapat memantau aktivitas pasien di rumah, mendeteksi insiden seperti jatuh, dan memverifikasi kepatuhan terhadap program terapi seperti yoga atau fisioterapi. Hal ini sangat bermanfaat untuk bantuan lansia dan pemantauan aktivitas anak-anak, memastikan keamanan dan kesejahteraan mereka tanpa memerlukan pengawasan manusia yang konstan. Dalam konteks rumah pintar, teknologi ini dapat mendukung sistem kesehatan holistik, memantau pola tidur atau tingkat aktivitas untuk gaya hidup yang lebih sehat.

      Selain itu, sistem ini memiliki relevansi tinggi dalam analitik olahraga, membantu pelatih dan atlet menganalisis performa dan mencegah cedera. Kemampuannya untuk menilai kelainan gaya berjalan atau mendeteksi gerakan yang tidak biasa dapat menjadi aset berharga dalam diagnosis medis awal. Dengan mengurangi ketergantungan pada pengawasan di rumah sakit, arsitektur yang diusulkan menawarkan solusi yang skalabel dan hemat biaya untuk lingkungan yang minim sumber daya dan pedesaan. Potensi manfaatnya mencakup peningkatan kualitas hidup, pengurangan biaya operasional, dan data berbasis bukti untuk keputusan yang lebih baik.

ARSA Technology: Membangun Masa Depan Kesehatan dan Keamanan dengan AI & IoT

      ARSA Technology, dengan pengalaman sejak 2018, adalah penyedia solusi AI & IoT yang fokus pada transformasi digital industri. Kami memahami pentingnya Pengenalan Aktivitas Manusia (HAR) yang akurat dan menjaga privasi untuk berbagai kebutuhan. Solusi kami dirancang untuk mengurangi biaya, meningkatkan keamanan, dan menciptakan aliran pendapatan baru bagi perusahaan global.

      Dalam konteks pemantauan kesehatan, misalnya, ARSA menawarkan Self-Check Health Kiosk. Produk ini adalah sistem skrining kesehatan mandiri bertenaga AI & IoT yang menyediakan pengukuran tanda vital otomatis, penilaian kesehatan, dan manajemen data. Kios ini memungkinkan individu untuk melakukan pemeriksaan penting secara mandiri, mengurangi beban staf medis dan waktu tunggu pasien, mirip dengan semangat efisiensi yang ditawarkan oleh HAR berbasis sensor.

      Untuk kebutuhan pemantauan perilaku yang lebih luas, seperti yang dibahas dalam penelitian ini, ARSA AI Video Analytics dapat diimplementasikan untuk memberikan wawasan real-time tentang gerakan dan pola aktivitas, meskipun menggunakan pendekatan visual daripada sensor inersia. Solusi ini dapat disesuaikan untuk berbagai skenario industri. Selain itu, ARSA AI Box Series kami, sebagai perangkat edge computing, memastikan pemrosesan data sensitif di tempat (on-premise), sejalan dengan prinsip privasi-by-design yang ditekankan oleh Pembelajaran Terfederasi. Ini memungkinkan analitik cerdas tanpa ketergantungan pada komputasi awan yang dapat menimbulkan masalah privasi.

      ARSA Technology berkomitmen untuk menyediakan solusi AI & IoT praktis, presisi, dan adaptif yang mengatasi tantangan industri di dunia nyata. Dengan keahlian mendalam dalam AI, IoT, dan Computer Vision, kami siap menjadi mitra Anda dalam mewujudkan transformasi digital yang terukur dan berdampak. Tim kami telah berpengalaman sejak 2018 dalam mengembangkan dan mengimplementasikan solusi canggih untuk berbagai industri.

      Tertarik untuk mengeksplorasi bagaimana solusi AI & IoT dapat meningkatkan efisiensi, keamanan, dan privasi dalam operasional bisnis Anda? Jelajahi berbagai solusi ARSA dan hubungi tim ARSA untuk konsultasi gratis.

      Source: Ramakant Kumar, Harsh Mishra, and Pravin Kumar, "Privacy-Preserving Sensor-Based Human Activity Recognition for Low-Resource Healthcare Using Classical Machine Learning," arXiv preprint arXiv:2601.22265, 2026.