Klasifikasi Postur Berbasis AI untuk Keamanan Lansia: Studi tentang Pencegahan Jatuh dengan Walker Cerdas

Pendahuluan: Tantangan Penuaan Global dan Pencegahan Jatuh

      Populasi global mengalami penuaan dengan laju yang belum pernah terjadi sebelumnya. Proyeksi menunjukkan bahwa jumlah individu berusia 65 tahun ke atas akan meningkat signifikan, membawa serta berbagai tantangan kesehatan. Penurunan penglihatan, keseimbangan, massa otot, mobilitas, dan fungsi kognitif seringkali meningkatkan risiko insiden jatuh, yang menjadi masalah kesehatan masyarakat yang serius. Insiden jatuh pada lansia dapat menyebabkan cedera parah, kehilangan kemandirian, dan peningkatan biaya perawatan kesehatan.

      Alat bantu seperti walker dan tongkat telah lama digunakan untuk memberikan dukungan dan meningkatkan keseimbangan. Namun, penggunaan yang tidak tepat justru dapat memperparah risiko jatuh. Postur yang salah saat menggunakan walker dapat menyebabkan kehilangan keseimbangan, sehingga memicu insiden yang tidak diinginkan. Oleh karena itu, memastikan postur yang benar bagi lansia saat menggunakan alat bantu menjadi krusial untuk keselamatan mereka.

Inovasi Teknologi: Walker Cerdas dan Pelacakan Gerakan Tanpa Marker

      Kemajuan dalam robotika dan teknologi pelacakan gerakan tanpa marker (marker-less motion tracking) menawarkan solusi menjanjikan untuk mengatasi tantangan ini. Berbeda dengan sistem penangkapan gerakan tradisional yang memerlukan marker fisik pada tubuh, teknologi tanpa marker memungkinkan pemantauan gerakan yang mulus tanpa gangguan fisik. Ini termasuk unit pengukuran inersia (IMU), insole cerdas, jam tangan pintar, dan sistem berbasis kamera. Meskipun efektif, adopsi teknologi ini di kalangan lansia masih terbatas karena biaya tinggi, kompleksitas penggunaan, dan kecenderungan lansia untuk lupa atau salah menggunakan perangkat yang dapat dikenakan.

      Untuk mengatasi hambatan ini, klasifikasi postur menggunakan kamera terpasang pada alat bantu seperti walker beroda empat menjadi alternatif yang menjanjikan. Sistem semacam itu dapat memantau postur pengguna secara terus-menerus tanpa mengharuskan individu memakai perangkat tambahan. Sebuah studi baru-baru ini menyoroti potensi besar dari pendekatan ini. Dalam makalah akademis oleh Sierra M. et al. (2026), berbagai model dievaluasi untuk klasifikasi penggunaan walker, posisi berdiri vs. duduk, dan postur, yang bertujuan untuk mempromosikan cara berjalan yang lebih aman.

Metodologi Klasifikasi Postur Berbasis AI

      Studi tersebut membandingkan beberapa teknik untuk klasifikasi postur, menggunakan pembelajaran terawasi dan pendekatan tradisional. Data postur tubuh lengkap dan tubuh bagian atas diambil dari kamera yang terpasang pada walker dan kamera eksternal. Untuk deteksi titik penting postur (pose landmark detection), digunakan kerangka kerja Google MediaPipe Pose Detection. Sistem ini menggunakan model deteksi pose untuk mengidentifikasi tubuh manusia, diikuti oleh model landmarker pose yang memetakan 33 titik penting tiga dimensi pada kerangka tubuh.

      Pendekatan ini sangat efisien karena hanya menggunakan koordinat titik penting postur daripada gambar mentah, mengurangi kebutuhan akan kumpulan data yang besar dan beragam. Eksekusi lokal dengan MediaPipe Pose Landmarker (lite) pada perangkat edge seperti Raspberry Pi 4 juga memastikan pemrosesan yang efisien dan aman. Sebelum melatih model, data mentah diproses menjadi fitur yang lebih informatif, seperti jarak dan sudut antar sendi, menghasilkan 48 fitur unik. Empat jenis model kemudian dilatih untuk memprediksi tiga keluaran berbeda: pilihan walker (klasifikasi biner), posisi awal (duduk atau berdiri, klasifikasi biner), dan klasifikasi postur (klasifikasi multi-kelas untuk 17 postur).

Performa Model AI dan Implikasinya

      Hasil studi menunjukkan bahwa pendekatan Geometris dan XGBoost adalah yang berkinerja terbaik. XGBoost mencapai akurasi pelatihan yang mendekati sempurna dalam tugas klasifikasi biner, dengan 99,84% untuk pilihan walker dan 99,69% untuk berdiri vs. duduk. Untuk klasifikasi postur, pendekatan Geometris mencapai akurasi 89,9% untuk 8 postur, dan XGBoost mencapai 99,24% selama pelatihan untuk 17 postur. Model deep learning seperti CNN 4 lapis dan CNN Encoder-Decoder juga menunjukkan kinerja yang kuat dalam klasifikasi biner, dengan akurasi di atas 98%.

      Temuan ini menggarisbawahi potensi besar pembelajaran mesin untuk meningkatkan interaksi manusia-robot pada walker cerdas, khususnya dalam pencegahan jatuh. Akurasi tinggi yang dicapai oleh model-model ini berarti sistem dapat mendeteksi postur yang tidak benar secara real-time dan memberikan peringatan dini. Ini adalah terobosan signifikan yang dapat secara langsung mengurangi risiko insiden jatuh, sebuah hasil yang berdampak langsung pada kualitas hidup lansia dan mengurangi beban biaya kesehatan.

Penerapan Praktis untuk Keamanan Lansia

      Penerapan teknologi klasifikasi postur berbasis AI ini memiliki implikasi luas untuk keamanan dan kemandirian lansia. Dengan kemampuan untuk memantau postur secara non-intrusif dan memberikan umpan balik tepat waktu, walker cerdas dapat secara proaktif mencegah insiden jatuh. Bayangkan sebuah walker yang tidak hanya memberikan dukungan fisik, tetapi juga bertindak sebagai "penjaga" cerdas yang selalu memastikan penggunanya memiliki postur yang aman.

      Sistem seperti ini sangat cocok untuk berbagai lingkungan, mulai dari panti jompo hingga kediaman pribadi. Di panti jompo, teknologi ini dapat meringankan beban staf perawat dengan otomatisasi pemantauan postur, memungkinkan mereka fokus pada perawatan yang lebih kompleks. Untuk lansia yang tinggal sendiri, walker cerdas dapat memberikan rasa aman dan kemandirian yang lebih besar, dengan keyakinan bahwa mereka memiliki sistem pendukung yang selalu memantau keselamatan mereka. Solusi ini juga dapat diimplementasikan menggunakan sistem AI Box Series dari ARSA Technology yang menawarkan pemrosesan AI di perangkat (edge), memastikan privasi data dan latensi rendah.

Masa Depan Interaksi Manusia-Robot dalam Perawatan Lansia

      Studi ini secara jelas menunjukkan bahwa klasifikasi postur berbasis kerangka tubuh adalah langkah maju yang signifikan dalam pengembangan walker cerdas. Dengan akurasi yang tinggi dan kemampuan untuk beroperasi di perangkat edge, teknologi ini menawarkan solusi yang praktis dan efisien untuk masalah pencegahan jatuh pada lansia. Keuntungan lainnya termasuk peningkatan privasi (karena hanya data titik penting yang diproses, bukan citra mentah), kemudahan penggunaan (tidak ada perangkat tambahan yang perlu dikenakan), dan potensi untuk secara signifikan meningkatkan mobilitas dan kualitas hidup lansia.

      ARSA Technology, sebagai penyedia solusi AI & IoT, memahami pentingnya teknologi yang dapat memberikan dampak nyata pada kehidupan manusia. Kami telah berpengalaman sejak 2018 dalam mengembangkan sistem AI yang tangguh dan dapat diterapkan di dunia nyata, termasuk solusi Self-Check Health Kiosk yang berfokus pada pemantauan kesehatan mandiri. Pendekatan seperti klasifikasi postur berbasis AI ini selaras dengan visi kami untuk membangun masa depan dengan AI & IoT, di mana teknologi berfungsi sebagai mitra yang andal untuk meningkatkan keselamatan dan efisiensi di berbagai industri, termasuk perawatan kesehatan dan dukungan lansia.

      Untuk mendalami lebih lanjut bagaimana solusi AI yang praktis dan terbukti dapat mendukung kebutuhan spesifik organisasi Anda, kami mengundang Anda untuk menjelajahi berbagai penawaran ARSA Technology dan menghubungi tim ARSA untuk konsultasi gratis.

Sumber:

      Sierra M., S. D., Sinha, M., M´unera, M., & Cifuentes, C. A. (2026). Skeleton-Based Posture Classification to Promote Safer Walker-Assisted Gait in Older Adults. arXiv preprint arXiv:2605.00890. Available at: https://arxiv.org/abs/2605.00890