Insiden jatuh pada lansia, terutama di lingkungan kamar mandi, merupakan peristiwa yang kritis dan sering kali tidak terdeteksi secara real-time. Upaya mitigasi melalui teknologi wearable berbasis sensor inersia (IMU) menjadi alternatif potensial, namun masih menghadapi tantangan dalam hal akurasi deteksi, efisiensi komputasi, serta keterbatasan integrasi dengan perangkat embedded. Penelitian ini bertujuan untuk merancang sistem deteksi jatuh berbasis machine learning yang tidak hanya akurat tetapi juga layak untuk diimplementasikan.
Metode yang digunakan meliputi akuisisi data IMU dengan frekuensi 100 Hz, pemrosesan data melalui teknik Sliding window berdurasi 3 detik dengan overlap 50%, serta ekstraksi fitur statistik dan hjorth parameter dari enam kanal akselerometer dan giroskop. Proses labeling dilakukan secara otomatis menggunakan threshold berbasis mobilitas. Data hasil ekstraksi kemudian diseimbangkan dan dinormalisasi sebelum dilakukan pelatihan model machine learning. Model Stacking ensemble diterapkan dengan random forest dan Gradient boosting sebagai base learner, serta Logistic regression sebagai meta learner. Hasil pelatihan dikonversi ke dalam bentuk struktur C untuk diimplementasikan ke dalam wearable device.
Hasil evaluasi menunjukkan bahwa model stacking mampu mencapai f1-score 0,92, mengungguli model-model base learner secara individual. Implementasi pada perangkat embedded berhasil dijalankan secara langsung dan mampu menampilkan "JATUH" pada serial monitor. Hal ini membuktikan bahwa rancangan sistem deteksi jatuh ini tidak hanya efektif secara teoritis, tetapi juga praktis untuk deployment pada perangkat wearable.
Kata Kunci: Deteksi jatuh, embedded system, hjorth descriptor, IMU, machine learning, Stacking ensemble.