Analisis Akurasi dan Efisiensi Komputasi Arsitektur Deep Learning untuk Deteksi Jatuh Berbasis Pose Estimation: Accuracy and Computational Efficiency Analysis of Deep Learning Architectures for Pose Estimation-Based Fall Detection

Kejadian jatuh pada lansia menyebabkan lebih dari 684.000 kematian setiap tahun, sehingga diperlukan sistem deteksi otomatis yang menyeimbangkan akurasi dan efisiensi komputasi. Penelitian ini mengevaluasi kinerja tiga arsitektur deep learning berbasis sekuens untuk deteksi jatuh berbasis estimasi pose, yaitu Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), dan Spatio-Temporal Graph Convolutional Network (ST-GCN). Kebaruan penelitian terletak pada pemisahan pengaruh kualitas backbone estimasi pose, stabilisasi post-processing, serta identifikasi ekstraksi pose sebagai bottleneck latensi real-time. Estimasi pose menggunakan YOLOv11-pose pada dataset Le2i yang terdiri atas 190 video dari empat skenario ruangan. Eksperimen menerapkan sliding window 25 frame, evaluasi lintas lingkungan, tuning hyperparameter melalui grid search, serta stabilisasi prediksi. Hasil menunjukkan TCN memperoleh F1-Score 1,000 pada Lecture_room serta Recall 0,824 dan F1-Score 0,875 pada Office, dengan waktu 2,97 detik per epoch. ST-GCN menyamai TCN pada Office, tetapi menghasilkan F1-Score 0,923 pada Lecture_room dengan biaya komputasi 1,6 kali lebih tinggi. LSTM menawarkan inferensi 0,276 milidetik per sekuens dan 17,9 FPS, tetapi Recall Office lebih rendah, yaitu 0,706. Ekstraksi pose menyumbang sekitar 90% latensi pipeline. Dengan demikian, TCN direkomendasikan untuk deteksi jatuh real-time, sedangkan LSTM lebih sesuai untuk perangkat dengan sumber daya terbatas.