Pengembangan Sistem Deteksi Toileting Untuk Anak Disabilitas Cerebral Palsy (CP) Menggunakan Gestur Tubuh Berbasis Deep Learning

Musthofa, Muhammad Asyarie Fauzie (2024) Pengembangan Sistem Deteksi Toileting Untuk Anak Disabilitas Cerebral Palsy (CP) Menggunakan Gestur Tubuh Berbasis Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5023201049-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Anak disabilitas sering mengalami kesulitan untuk mengekspresikan keinginannya untuk pergi ke toilet. Hal ini dapat menyebabkan masalah kesehatan dan masalah lainnya seperti buang air tidak pada tempatnya. Untuk mencegah hal tersebut, maka dirancang sebuah sistem deteksi toileting untuk anak disabilitas berdasarkan gestur tubuh dengan bantuan deep learning menggunakan kamera sebagai input untuk menangkap video pergerakan gestur dari anak disabilitas. Kamera tersebut akan dipasang di depan subjek selama kegiatan bersekolah. Setelah didapatkan video pergerakan gestur dari subjek, data tersebut akan di landmark setiap frame nya dan kemudian akan dilakukan ekstraksi fitur seperti contoh jarak antar siku. Selain melibatkan subjek anak disabilitas, penelitian ini juga melibatkan subjek normal sebagai pendekatan untuk mempelajari gestur dari anak disabilitas. Pada penelitian ini, proses klasifikasi gestur toileting akan menggunakan dua machine learning yang berbeda, yaitu CNN dan logistic regression. Model CNN yang digunakan adalah Model VGG 16 yang menunjukkan performa terbaik dengan hasil akurasi validasi 96.3% dan akurasi pelatihan 92.3% dengan input berupa citra dari titik landmark yang membentuk sebuah gestur. Sedangkan model logistic regression yang digunakan menghasilkan akurasi sebesar 86% dan loss sebesar 0.341 dengan input berupa hasil ekstraksi fiturnya. Didapatkan hasil bahwa model CNN memiliki nilai akurasi lebih tinggi dibandingkan dengan model logistic regression. Selain itu, terjadi perbedaan hasil klasifikasi antara CNN dan logistic regression pada data yang sama dikarenakan cara pengolahan data yang berbeda. Sistem deteksi toileting berdasarkan gestur tubuh dengan deep learning memiliki beberapa kendala utama yaitu pada pengambilan data subjek yang membutuhkan banyak pengondisian dan pengawasan agar mendapatkan data yang optimal. Rencana pengembangan selanjutnya adalah mempelajari lebih detail mengenai kebiasaan subjek dan disabilitas yang dimilikinya, menambah subjek disabilitasnya, dan melakukan pengembangan sistem menjadi secara real time.
=================================================================================================================================
Children with disabilities often have difficulty expressing their desire to go to the toilet. This can lead to health problems and other problems such as defecating out of place. In the research conducted, a toileting prediction system for children with disabilities was designed based on body gestures using deep learning. This research uses a camera to capture videos of children with disabilities. The camera will be installed in front of the subject during school activities. The data taken from the subject is data in the form of images of landmark points that form a gesture and the results of feature extraction. Each will be processed with different machine learning. The CNN model used is the VGG 16 Model which shows the best performance with 96.3% validation accuracy and 92.3% training accuracy. While the logistic regression model used is a model with a dataset division of 281 training data and 121 testing data with an accuracy of 0.86 and a loss of 0.341. Both machine learning models are able to classify different gestures with different classes. However, there are differences in classification results between CNN and logistic regression on the same data because of the different ways of processing data. CNN recognizes visual patterns in images, whereas logistic regression uses a linear combination of features that may not be as complex as the non-linear approach used by CNN. The toileting detection system based on body gestures with deep learning still has some room for development. One area that can be developed is to find other parameters that can describe signs of wanting to go to the toilet. In addition, it is also to increase the accuracy of the system. Future development plans are to learn more about the subject's habits and disabilities, add more subjects with disabilities, and develop the system into real time.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Toileting Anak Disabilitas, Gestur Disabilitas, Klasifikasi Gestur, landmark tubuh, Computer Vision, Disabled Child Toileting, Disabilities Gesture, Deep Learning, Gesture Classification, body landmark
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning T Technology > T Technology (General) > T59.7 Human-machine systems.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Muhammad Asyarie Fauzie
Date Deposited:	27 Aug 2024 02:36
Last Modified:	27 Aug 2024 02:36
URI:	http://repository.its.ac.id/id/eprint/113477

Actions (login required)

View Item