Abstrak Sekarang ini telah banyak yang mengembangkan sistem deteksi jatuh, deteksi jatuh berupa wearable sensor yang digunakan untuk membantu elderly sehingga aman untuk melakukan aktivitas sehari-hari. Sistem deteksi jatuh berbasis accelerometer dan gyroscope menggunakan metode Wavelet dan HFD untuk ekstaksi fiturnya dan algoritma K-Nearest Neighbour (KNN) untuk klasifikasi. Tugas akhir ini bermaksud untuk mencari tingkat akurasi yang terbaik dari elderly dengan pembanding dewasa sehat. Tingkat akurasi didapat dengan membandingkan metode pada ekstraksi fitur dengan menggunakan metode Wavelet dan HFD. Alat yang terdiri dari mikrokontroler ESP32 berbasis sensor MPU-6050 (sensor accelerometer dan gyroscope) akan menguji 3 aktivitas dari Activity Daily Life (ADL) yaitu berjalan, duduk berdiri dan berdiri duduk. Data yang didapat dari alat kemudian akan diklasifikasikan untuk mengenali ADL yang dilakukan. Hasil yang didapatkan adalah kedua metode ekstraksi fitur mampu mengeluarkan nilai akurasi dengan algoritrma klasifikasi KNN dengan nilai 80% untuk metode HFD dan 71% untuk Wavelet. HFD menjadi metode yang terbaik untuk klasifikasi aktivitas ADL.
Kata kunci : ADL, Fitur ekstraksi, KNN.