Teknologi Pose Estimation Untuk Model Klasifikasi Gerakan Hammer-Curl

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem kecerdasan buatan berbasis perkiraan pose yang mampu mendeteksi dan mengevaluasi gerakan hammer-curl secara akurat. Sistem ini menganalisis pola gerakan tubuh dari video dengan memanfaatkan koordinat titik-titik tubuh (landmark), seperti bahu, siku, dan pergelangan tangan. Data landmark disusun dalam bentuk urutan berdimensi tetap sebanyak 30 frame untuk merepresentasikan satu unit gerakan, kemudian digunakan sebagai input untuk melatih model Long Short-Term Memory (LSTM). Model ini dikembangkan untuk mengklasifikasikan kualitas gerakan menjadi tiga kategori, yaitu gerakan sempurna, benar, dan salah. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 94% dari total 1579 data, dengan nilai macro average dan weighted average yang tinggi. Performa klasifikasi pada masing-masing kelas juga menunjukkan hasil yang baik, dengan nilai f1-score sebesar 90% untuk gerakan sempurna, 96% untuk gerakan benar, dan 95% untuk gerakan salah. Temuan ini menunjukkan bahwa sistem yang dibangun efektif dalam mengevaluasi kualitas gerakan hammer-curl dan berpotensi untuk diterapkan dalam pelatihan kebugaran secara otomatis dan real-time.