Analisis Performa Metode CNN Dan LSTM Untuk Deteksi Gerakan Angkat Beban
DOI:
https://doi.org/10.29407/afant059Abstract
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.
Keywords:
angkat beban, klasifikasi gerakan, CNN, LSTM, deteksi gerakan##plugins.themes.default.displayStats.downloads##
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Gea Vista Yulia Candra, Danar Putra Pamungkas, Patmi Kasih
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
