Keywords
Fitness
Pose estimation estimation
YOLOv11
How to Cite
Abstract
Penelitian ini bertujuan untuk mengembangkan sistem deteksi gerakan Fitness secara otomatis menggunakan metode pose estimation estimation dan implementasi YOLOv11. Tujuan utama dari penelitian ini adalah mengidentifikasi dua kelompok gerakan utama dalam aktivitas Fitness yaitu latihan otot kaki dan latihan otot punggung. Pose estimation estimation digunakan untuk mendeteksi titik-titik tubuh dari video gerakan Fitness, sedangkan YOLOv11 digunakan untuk klasifikasi gerakan berdasarkan pola pergerakan tubuh. Dataset terdiri dari 13 jenis latihan yang dibagi menjadi dua kelompok utama: otot kaki (cabble front raise, cabble row, deltoid press, dumble row, lat pulldown, t-bar row) dan otot punggung (hai squat, lunges, leg extension, leg press, squat, standing calf raise, sumo squat). Hasil penelitian menunjukkan bahwa kombinasi metode ini mampu mencapai akurasi klasifikasi rata-rata di 73,3%. Sistem ini dapat dimanfaatkan sebagai alat bantu dalam memonitor dan mengevaluasi gerakan Fitness secara mandiri.
References
[1] dr. Rizal Fadli, “Kebugaran Jasmani: Pengertian, Unsur, Bentuk Latihan, dan Manfaatnya,” 2023. [Online]. Available: https://www.halodoc.com/artikel/kebugaran-jasmani-pengertian-unsur-bentuk-latihan-dan-manfaatnya
[2] STRONGBEE, “Apa Itu Personal Trainer dan Manfaatnya?,” 2023. [Online]. Available: https://strongbee.co.id/blog/apa-itu-personal-trainer
[3] wiley, “Pengenalan Gerakan Manusia Berbasis Computer Vision,” 2021, [Online]. Available: https://onlinelibrary.wiley.com/doi/10.1155/2021/6679746
[4] K. Ragil, K. Dyansyah, S. D. Purwantoro, and M. Ilmi, “Penggunaan Computer Vision untuk Estimasi Pose Squat sebagai Solusi Alternatif Latihan Kebugaran di Gym,” vol. 4, pp. 199–207, 2025.
[5] learnopencv, “Pose YOLOv7 vs MediaPipe dalam Estimasi Pose Manusia,” 2025, [Online]. Available: https://learnopencv.com/yolov7-pose-vs-mediapipe-in-human-pose-estimation/
[6] J. Terven, D. M. Córdova-Esparza, and J. A. Romero-González, “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS,” 2023. doi: 10.3390/make5040083.
[7] Ultralytics., “Ultralytics YOLO11 Documentation.,” 2024, [Online]. Available: https://docs.ultralytics.com/models/yolo11/
[8] A. Fauziah and Y. Saragih, “Sistem Identifikasi Pengukuran Baju Menggunakan Human Body Estimation Dataset Mediapipe Dengan Metode Euclidean Distance,” Aisyah J. Informatics Electr. Eng., vol. 5, no. 2, pp. 127–134, 2023, doi: 10.30604/jti.v5i2.151.
[9] J. S. Mochamad Yuda Trinurais, Ardi Sanjaya, “Validasi Gerakan Sit Up Menggunakan TrigonometriBerbasis OpenCV,” vol. Agustus 20, 2024, [Online]. Available: url: https://proceeding.unpkediri.ac.id/index.php/inotek/
[10] Medium, “Comparative study of SOTA Human pose estimation deep learning models,” 2023, [Online]. Available: https://medium.com/@arumugamg/deep-learning-based-human-pose-estimation-6357c13acfe7
[11] Musclefirst, “Hati-Hati Cedera Punggung Karena Gerakan Squat Yang Salah!,” 2023, [Online]. Available: https://musclefirst.co.id/blog/cedera-punggung-karena-gerakan-squat
[12] I. Husain, P. Purwantoro, and C. Carudin, “Analisis Performa State Management Provider Dan Getx Pada Aplikasi Flutter,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 2, pp. 1417–1422, 2023.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Mealdi Arwintoro, Ardi Sanjaya, Risky Aswi Ramadhani