Keywords
K-Nearest Neighbors
Pendeteksian Gerakan
Penglihatan Komputer
Servis
How to Cite
Abstract
Penelitian ini bertujuan mengembangkan sistem untuk mendeteksi gerakan servis dalam olahraga bulutangkis dengan memakai metode penglihatan komputer dan klasifikasi K-Nearest Neighbors (KNN). Pemilihan tema ini didasari oleh signifikansi analisis gerakan dalam meningkatkan kinerja atlet serta mendukung program pelatihan yang efisien. Servis yang tepat adalah aspek penting dalam bulutangkis. Metodologi penelitian mencakup pengumpulan data video, pengambilan fitur titik kunci tubuh dengan menggunakan kerangka kerja computer vision seperti MediaPipe, dan selanjutnya, penerapan metode K-Nearest Neighbors (KNN) untuk mengklasifikasikan fase-fase gerakan servis berdasar data titik kunci yang dihasilkan. Temuan penelitian mengindikasikan bahwa sistem dapat mengenali dan mendeteksi fase-fase utama dalam gerakan servis bulutangkis dengan ketepatan yang baik menggunakan klasifikasi KNN. Data titik kunci yang dihasilkan dalam format CSV memudahkan proses pelatihan dan pengujian model KNN. Melalui sistem ini, pelatih dan atlet dapat mendapatkan umpan balik yang terukur dan objektif tentang teknik servis, sehingga dapat meningkatkan latihan dan mencapai kemajuan kinerja yang signifikan dalam olahraga bulutangkis.
References
[1] B. He, “RETRACTED ARTICLE: Video teaching of piano playing and singing based on computer artificial intelligence system and virtual image processing,” J. Ambient Intell. Humaniz. Comput., vol. 13, no. s1, p. 155, 2022, doi: 10.1007/s12652-021-03099-8.
[2] Y. Guo, J. Guo, C. Liu, H. Xiong, L. Chai, and D. He, “Precision landing test and simulation of the agricultural UAV on apron,” Sensors (Switzerland), vol. 20, no. 12, pp. 1–14, 2020, doi: 10.3390/s20123369.
[3] Z. Ding, Z. Feng, H. Li, D. Meng, Y. Zhang, and D. Li, “Experimental Study of Deep Submersible Structure Defect Monitoring Based on Flexible Interdigital Transducer Surface Acoustic Wave Technology,” Sensors, vol. 23, no. 3, 2023, doi: 10.3390/s23031184.
[4] H. Yu, Y. H. Son, H. J. Kim, K. Kim, P. S. Chang, and H. S. Jung, “Amperometric detection of conformational change of proteins using immobilized-liposome sensor system,” Sensors (Switzerland), vol. 18, no. 1, 2018, doi: 10.3390/s18010136.
[5] H. B. Zhang et al., “A comprehensive survey of vision-based human action recognition methods,” Sensors (Switzerland), vol. 19, no. 5, pp. 1–20, 2019, doi: 10.3390/s19051005.
[6] L. de Oliveira Carpes, L. B. Domingues, S. C. Fuchs, and R. Ferrari, “Rate of Responders for Post-Exercise Hypotension after Beach Tennis, Aerobic, Resistance and Combined Exercise Sessions in Adults with Hypertension,” Sports, vol. 11, no. 3, 2023, doi: 10.3390/sports11030058.
[7] Z. Wang, M. Guo, and C. Zhao, “Badminton Stroke Recognition Based on Body Sensor Networks,” IEEE Trans. Human-Machine Syst., vol. 46, no. 5, pp. 769–775, 2016, doi: 10.1109/THMS.2016.2571265.
[8] M. Vrigkas, C. Nikou, and I. A. Kakadiaris, “A review of human activity recognition methods,” Front. Robot. AI, vol. 2, no. NOV, pp. 1–28, 2015, doi: 10.3389/frobt.2015.00028.
[9] P. Ramya, R. S. Valarmathi, and C. Poongodi, “Retraction Note to: Antenna selection with improved group based particle swarm optimization (IGPSO) and joint adaptive beam forming for wideband millimeter wave communication (Journal of Ambient Intelligence and Humanized Computing, (2021), 12, 3, (4291-4,” J. Ambient Intell. Humaniz. Comput., vol. 14, no. s1, p. 1, 2023, doi: 10.1007/s12652-022-03912-y.
[10] G. L. Goh, G. D. Goh, J. W. Pan, P. Soek, P. Teng, and P. W. Kong, “Automated Service Height Fault Detection Using Computer,” 2023.
[11] A. B. Rizki and E. Zuliarso, “Klasifikasi Teknik Bulutangkis Berdasarkan Pose Dengan Convulutional Neural Network,” J. Ilm. Inform., vol. 10, no. 02, pp. 96–101, 2022, doi: 10.33884/jif.v10i02.5559.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Legaspie Aura Sindhikara, Ardi Sanjaya, Ahmad Bagus Setiawan