Keywords
klasifikasi gerakan
CNN
LSTM
deteksi gerakan
How to Cite
Abstract
Kesalahan dalam teknik angkat beban dapat meningkatkan risiko cedera dan mengurangi efektivitas latihan. Oleh karena itu, diperlukan sistem otomatis yang mampu mengidentifikasi kualitas gerakan secara akurat. Penelitian ini bertujuan untuk membangun dataset terlabeli dua kelas, yaitu "Benar" dan "Salah", serta mengimplementasikan model deep learning berbasis Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) untuk klasifikasi gerakan angkat beban. Data diperoleh dari video latihan, kemudian diekstrak menjadi frame dan dilabeli berdasarkan kategori folder. CNN digunakan untuk mengekstraksi fitur spasial dari setiap frame, sedangkan LSTM mempelajari pola temporal antar frame. Hasil pelatihan menunjukkan bahwa model mampu mencapai akurasi sebesar 80% dalam membedakan gerakan yang dilakukan dengan benar dan salah. Temuan ini menunjukkan bahwa pelabelan dua kelas yang sistematis dan pemanfaatan arsitektur CNN-LSTM dapat digunakan secara efektif untuk mendeteksi kualitas gerakan dalam aktivitas angkat beban. Sistem ini berpotensi diterapkan sebagai alat bantu pelatihan yang cerdas dan adaptif di bidang kebugaran.
References
[1] D. N. Afgenesya, I. Hariadi, and N. R. Fadhli, “Pengaruh Latihan Beban Terhadap Penurunan Berat Badan Dan Persentase Lemak,” J. Master Penjas Olahraga, vol. 5, no. 1, pp. 385–394, 2024, doi: 10.37742/jmpo.v5i1.100.
[2] M. Al Hafiz Sy and Edwarsyah, “Pengaruh Latihan Barbell Curl dan Dumbbell Crul terhadap Pembentukan Otot Lengan Bagian Depan (Biceps),” J. Pendidik. dan Olahraga, vol. 2, no. 3, pp. 9–11, 2019 http://jpdo.ppj.unp.ac.id/index.php/jpdo/search.
[3] M. F. Akbar, D. Syauqy, and R. R. M. Putri, “Sistem Bantu Wearable Pada Training Angkat Beban Untuk Biceps Dengan Algoritma Jaringan Saraf Tiruan,” J. Pengemb. Teknol. Inf. dan Ilmu Komputer, vol. 1, no. 1, 2024, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/13619/6055
[4] M. M. Gharasuie, N. Jennings, and S. Jain, “Performance Monitoring for Exercise Movements using Mobile Cameras,” BodySys 2021 - Proc. 2021 ACM Work. Body Centric Comput. Syst., pp. 1–6, 2021, doi: 10.1145/3469260.3469665.
[5] J. C. Núñez, R. Cabido, J. J. Pantrigo, A. S. Montemayor, and J. F. Vélezÿ, “Pengenalan Pola Jaringan Syaraf Konvolusional dan Memori Jangka Pendek Panjang,” vol. 76, pp. 2017–2019, 2018 https://doi.org/10.1016/j.patcog.2017.10.033.
[6] V. M. Putra Salawazo, D. P. Jaya Gea, R. F. Gea, and F. Azmi, “Implementasi Metode Convutional Neural Netowork (CNN) Pada Pengenalan Objek Video CCTV,” Indones. Jalan Sekip Sikambing, vol. 3, no. 1, pp. 74–79, 2019.
[7] S. Mohsen, A. Elkaseer, and S. G. Scholz, Human Activity Recognition Using K-Nearest Neighbor Machine Learning Algorithm, vol. 262 SIST, no. November. Springer Singapore, 2022. doi: 10.1007/978-981-16-6128-0_29.
[8] E. M. SARTIKA, A. DARMAWAN, W. E. JAYA, and E. WIANTO, “Deteksi Gerakan Tangan menggunakan Support Vector Machine pada Dumbbell Berbasis Raspberry Pi Zero,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 1, p. 105, 2022, doi: 10.26760/elkomika.v10i1.105.
[9] K. Y. Chen, J. Shin, M. A. M. Hasan, J. J. Liaw, O. Yuichi, and Y. Tomioka, “Fitness Movement Types and Completeness Detection Using a Transfer-Learning-Based Deep Neural Network,” Sensors, vol. 22, no. 15, 2022, doi: 10.3390/s22155700.
[10] R. Dwi, W. Santosa, M. Arif Bijaksana, and A. Romadhony, “Implementasi Algoritma Long Short-Term Memory (LSTM) untuk Mendeteksi Penggunaan Kalimat Abusive Pada Teks Bahasa Indonesia,” J. Tugas Akhir Fak. Inform., vol. 12, no. 2020, p. 621, 2020, doi :https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/14318.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Gea Vista Yulia Candra, Danar Putra Pamungkas, Patmi Kasih