SIGMA (Smart Integrated Guardian for Monitoring and Assistance) lahir dari keprihatinan mendalam kami terhadap tingginya risiko kecelakaan sehari-hari yang dialami oleh penyandang tunanetra dan lansia. Bagi orang awam, sebuah tongkat mungkin hanya dipandang sebagai alat penopang atau peraba jalan biasa. Namun, realita di lapangan menunjukkan bahwa keterbatasan alat bantu konvensional yang pasif ini membuat bantuan sering kali terlambat datang saat pengguna tersandung, jatuh, terbentur rintangan, atau bahkan tersesat. Untuk menjawab masalah sosial ini, kami merancang sebuah ekosistem Internet of Things (IoT) aktif yang secara spesifik memiliki tiga fungsionalitas utama. Pertama, Fall Detection (Deteksi Jatuh) otomatis menggunakan sensor MPU6050 yang ditangani oleh model kecerdasan buatan, sehingga tongkat bisa "menyadari dengan sendirinya" secara presisi kapan penggunanya terjatuh. Kedua, Obstacle Detection/Avoidance (Deteksi Rintangan) menggunakan sensor ultrasonik JSN-SR04T yang akan memberikan haptic feedback (getaran motor) atau bunyi buzzer untuk memperingatkan pengguna jika ada halangan di depan mereka. Ketiga, pelacakan lokasi secara real-time menggunakan modul satelit GPS Ublox, dan juga sebagai fitur pendukung, kami menyediakan opsi tombol Panic Button (SOS) yang bisa ditekan secara manual di saat pengguna tongkat berada di dalam kondisi darurat. Seluruh data krusial dari pemrosesan ESP32 DevKit ini dikirimkan via konektivitas seluler GSM SIM800L menuju server MQTT, untuk kemudian diteruskan seketika sebagai notifikasi darurat dan titik koordinat ke aplikasi mobile keluarga/perawat(pengawas) melalui Firebase Cloud Messaging (FCM). Bagi kami, proyek ini bukan sekadar tugas kuliah, melainkan upaya kolektif untuk menghadirkan teknologi yang benar-benar melindungi nyawa manusia di waktu serta titik-titik paling krusial bagi hidup atau diri mereka sendiri.
Dalam merealisasikan visi ini, kami menyadari bahwa kolaborasi adalah kunci utama, sehingga kami menerapkan pembagian peran yang sangat spesifik sejak fase inisiasi. Saya Ziyadatul Khoir , bertanggung jawab sebagai Leader sekaligus AI / Machine Learning Engineer, didampingi oleh Muhammad Hasan Firdaus (System Architect & IoT Engineer), Hasna Fadhilah Ramadhan (Cloud & Mobile Developer), Nanda Prasetyani (Hardware Engineer), Rivana Alwarid (Business Analyst), dan Muhammad Maulana Yusuf (UI/UX & Product Design Engineer). Kami memandang setiap hambatan sebagai masalah bersama yang harus dipecahkan melalui dokumen Work Breakdown Structure (WBS) dan Gantt Chart yang kami susun secara teliti. Perencanaan ini sangat vital bagi kami, karena mengintegrasikan berbagai domain teknologi (dari listrik arus lemah hingga ke cloud server) dalam satu semester adalah tantangan besar yang menuntut berbagai hal seperti sinkronisasi jadwal, pengadaan komponen fisik, dan pengerjaan firmware agar tidak terjadi bottleneck (penumpukan tugas) dalam tim.
Kami memilih metodologi Agile Software Development Life Cycle (SDLC) untuk menghadapi ketidakpastian teknis yang sangat tinggi, terutama karena ini adalah pengalaman pertama kami berurusan dengan integrasi perangkat keras IoT yang sekompleks ini. Bagi orang awam, Agile dapat dipahami sebagai metode kerja yang sangat fleksibel; alih-alih merancang keseluruhan sistem dari awal lalu baru mengujinya di tahap akhir, kami mengembangkan sistem ini sepotong demi sepotong dan langsung rutin mengujinya di lapangan. Melalui siklus iterasi Plan-Design-Develop-Test ini, kami belajar berbagai hal dari kegagalan logika deteksi jatuh berbasis ambang batas statis (threshold) yang sering kali salah mendeteksi gerakan mengayun tongkat secara biasa sebagai sebuah insiden jatuh yang fatal. Temuan ini mendorong pola pikir kami untuk berkembang dan beralih ke teknologi yang jauh lebih canggih, yaitu TinyML. Keputusan kolektif untuk mengimplementasikan algoritma klasifikasi Random Forest langsung pada edge computing / edge device (mikrokontroler ESP32) memastikan bahwa tongkat pintar kami tidak hanya mentransmisikan data mentah, tetapi mampu "berpikir" dan menganalisis pola gerakan penggunanya secara mandiri sebelum mengambil keputusan untuk mengirim notifikasi insiden jatuh kepada pengguna aplikasi mobile. Pendekatan edge computing ini sengaja kami terapkan agar mikrokontroler tidak perlu setiap detik mengirim data pergerakan ke backend atau FCM, yang mana sangat berisiko menyebabkan pengambilan keputusan menjadi lelet (latensi tinggi) terutama saat sinyal buruk, sekaligus menghabiskan terlalu banyak daya baterai untuk transmisi radio internet.
Tantangan terbesar yang menguji mental tim kami muncul saat harus membangun model AI Fall Detection dari nol, karena kami mendapati tidak ada referensi AI serupa di internet yang secara khusus diterapkan pada tongkat pintar untuk mendeteksi jatuh manusia berdasarkan pola tongkat, yang dimana penerapan deteksi jatuh biasanya dideteksi berdasarkan komponen fisik lain seperti gelang pintar, ikat pinggang pintar, atau juga berupa deteksi berdasarkan rekaman kamera. Ini memaksa kami untuk melakukan riset mendalam, mengalkulasi, bahkan mengumpulkan dataset mandiri dengan melakukan simulasi jatuh berulang kali. Kami menetapkan tiga parameter utama sebagai basis penilaian AI kami: G-force acceleration (besaran percepatan gravitasi saat benturan), Delta Angle (perubahan sudut awal ke akhir saat terjatuh), dan Angular Velocity (kecepatan perubahan sudut). Di sisi perangkat keras, kami juga menghadapi rintangan ergonomi. Kami harus menyeleksi komponen secara ketat karena tongkat ini tidak boleh terlalu berat (heavy); bobot komponen IoT yang berlebihan justru akan membebani pengguna terutama lansia dan mengganggu kebebasan pergerakan pengguna. Selain memikirkan masalah berat fisik, kami juga dituntut merancang skema konsumsi energi agar tongkat ini hemat daya, bisa digunakan secara lama untuk aktivitas harian, dan tidak cepat kehabisan baterai. Semua pertimbangan efisiensi tersebut semakin menguras tenaga ketika modul SIM800L yang kami gunakan ternyata sering menyebabkan ESP32 mengalami brownout reset akibat tarikan arus radio yang melonjak hingga 2 Ampere. Sebagai pemula di bidang ini, kami harus berjuang ekstra keras mengalkulasi kebutuhan kapasitor misalnya (kapasitor elektrolit 1000μF) dan menggunakan buck converter LM2596 untuk mengisolasi daya agar sistem kelistrikan tetap stabil. Pengalaman "berdarah-darah" ini justru memperkaya pemahaman teknis kami tentang mekanika fisik dan manajemen daya yang sebelumnya baru-baru ini hanya kami ketahui secara teori.
artikel ini telah terbit di linkedin mahasiswa kami, silahkan baca lebih lanjut untuk mengetahui lebih dalam, (27) Inovasi Smart Cane Berbasis IoT: Perjalanan Tim SIGMA Menaklukkan AI Edge Computing dan Optimasi Daya | LinkedIn
