IMPLEMENTASI SISTEM MONITORING POSISI PASIEN STROKE PADA SMART BED BERBASIS COMPUTER VISION DAN YOLOv8 UNTUK PENCEGAHAN RISIKO JATUH.

MUHAMMAD FAWWAZ FAHREZI, . (2026) IMPLEMENTASI SISTEM MONITORING POSISI PASIEN STROKE PADA SMART BED BERBASIS COMPUTER VISION DAN YOLOv8 UNTUK PENCEGAHAN RISIKO JATUH. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text Cover.pdf Download (1MB)
	Text BAB I.pdf Download (67kB)
	Text BAB II.pdf Restricted to Registered users only Download (162kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (334kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (53kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (115kB)
	Text LAMPIRAN DAN DAFTAR RIWAYAT HIDUP.pdf Restricted to Registered users only Download (989kB) | Request a copy

Abstract

Pasien stroke memiliki risiko tinggi mengalami perubahan posisi tubuh yang dapat meningkatkan kemungkinan terjadinya insiden jatuh. Oleh karena itu, diperlukan sistem monitoring yang mampu memantau posisi pasien secara real-time sehingga tenaga medis dapat segera melakukan tindakan apabila terdeteksi kondisi yang berpotensi membahayakan. Penelitian ini bertujuan untuk mengimplementasikan sistem monitoring posisi pasien stroke pada smart bed berbasis Computer Vision menggunakan metode YOLOv8. Sistem dikembangkan menggunakan Python, OpenCV, Flask, dan ByteTrack, sedangkan proses anotasi dataset dilakukan menggunakan Roboflow. Model YOLOv8 dilatih untuk mengenali lima posisi pasien, yaitu telentang, miring kanan, miring kiri, tengkurap, dan jatuh. Hasil deteksi ditampilkan melalui dashboard berbasis web serta dilengkapi dengan pengiriman notifikasi melalui WhatsApp dan email ketika sistem mendeteksi kondisi darurat. Berdasarkan hasil pengujian, model memperoleh nilai akurasi sebesar 98,96%, dengan precision 97,78%, recall 98,00%, dan F1-score 97,77%. Hasil tersebut menunjukkan bahwa sistem mampu mendeteksi posisi pasien secara real-time dengan tingkat akurasi yang tinggi sehingga dapat membantu proses pemantauan pasien stroke serta mendukung upaya pencegahan risiko jatuh. ***** Stroke patients are at high risk of experiencing body position changes that may lead to falls. Therefore, a real-time monitoring system is needed to assist healthcare professionals in identifying dangerous conditions at an early stage. This study aims to implement a smart bed-based stroke patient monitoring system using Computer Vision and the YOLOv8 algorithm. The system was developed using Python, OpenCV, Flask, and ByteTrack, while Roboflow was used for dataset annotation. The YOLOv8 model was trained to classify five patient positions: supine, right lateral, left lateral, prone, and fall. Detection results are displayed on a web-based dashboard and emergency notifications are automatically sent via WhatsApp and email. The experimental results achieved an accuracy of 98.96%, with 97.78% precision, 98.00% recall, and a 97.77% F1-score. These results indicate that the proposed system is capable of monitoring patient positions in real time with high accuracy and can support fall prevention for stroke patients.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Taryudi, Ph.D. ; 2). Churnia Sari, ST., MT. ;
Subjects:	Ilmu Kedokteran > Ilmu Kedokteran, Ilmu Pengobatan dan Ilmu Kesehatan Ilmu Kedokteran > Patologi Ilmu Kedokteran > Cedera dan Luka-luka Ilmu Kedokteran > Terapi Teknologi dan Ilmu Terapan > Teknik Elektronika Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > D IV Teknologi Rekayasa Otomasi
Depositing User:	Muhammad Fawwaz Fahrezi .
Date Deposited:	12 Aug 2026 03:57
Last Modified:	12 Aug 2026 03:57
URI:	http://repository.unj.ac.id/id/eprint/69978

Actions (login required)

View Item