Jatuh menimbulkan risiko kesehatan yang signifikan, terutama bagi orang dewasa yang berusia lanjut, di mana menurut christiansen et al., satu dari tiga orang berusia di atas 65 tahun mengalami jatuh setiap tahun. Bagi mereka yang berusia di atas 85 tahun, konsekuensi dari jatuh bisa sangat parah, yang menyebabkan cedera yang mengancam jiwa dan penurunan kualitas hidup yang nyata. Untuk mengatasi kebutuhan kritis akan pencegahan jatuh, penelitian ini mengusulkan pendekatan prediksi menggunakan Recurrent Neural Networks (RNN) untuk mengenali pola gerakan manusia yang dapat mengindikasikan akan jatuh. Dengan menggunakan dataset CAUCAFall yang dirancang dengan cermat untuk mendeteksi gerakan jatuh yang tidak normal, penulis mengimplementasikan dan menilai arsitektur RNN yang berbeda, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Hasil penelitian menunjukkan bahwa model GRU memiliki kinerja terbaik, mencapai akurasi 0,716, loss forecast sebesar 0,1655, MPJPAE sebesar 32,921 piksel, MPJVE sebesar 22.457 piksel per frame, dan bersaing dengan RNN dengan akurasi 0,716 dan MPJPAE 41,872 piksel, MPJVE 21,44 piksel per frame, serta secara kualitatif GRU dan RNN bersaing dengan menyesuaikan pose kerangka terhadap gerak jatuh. Hasil yang menjanjikan ini menunjukkan bahwa model RNN, khususnya GRU, dapat berfungsi sebagai model yang baik dalam memprediksi gerak jatuh.