Pengenalan Gerakan Olahraga Berbasis (Long Short- Term Memory) Menggunakan Mediapipe

Authors

  • Filbert Daniel Tanugraha Teknik Komputer, Universitas Dinamika
  • Heri Pratikno Teknik Komputer, Universitas Dinamika
  • Musayyanah Teknik Komputer, Universitas Dinamika
  • Weny Indah Kusumawati Teknik Komputer, Universitas Dinamika

DOI:

https://doi.org/10.52435/jaiit.v4i1.182

Keywords:

Long Short – Term Memory, Human Activity Recognition, Machine Learning, MediaPipe

Abstract

Olahraga Yoga menjadi gaya hidup yang sangat trend di kalangan masyarakat. Untuk memastikan gerakan Yoga yang dilakukan benar atau tidak, maka perlu adanya sistem deteksi/pengenalan dan klasifikas yang terkenal dengan istilah HAR (Human Activity Recognition). Sistem pengenalan gerakan olahraga aktivitas manusia, seperti Olahraga Yoga yang dikenal dengan Tree Pose, T-Pose, Warrior II Pose. Gerakan ini dapat dideteksi secara real time menggunakan MediaPipe agar gerakan tersebut dapat dikenali oleh komputer dengan akurat. Sedangkan untuk klasifikasi olahraganya manusia menggunakan Long Short-Term Memory (LSTM) dengan memanfaatkan keypoints dari urutan video tersebut. Pengujian klasifikasi dan deteksi gerakan dilakukan oleh beberapa sampel dengan lokasi yang berbeda menggunakan kamera handphone dalam pengambilan video menggunakan aplikasi DroidCam dalam pendeteksian keypoint. Pada penelitian ini, hasil training didapatkan akurasi sebesar 91% dan loss sebesar 29%. Pengenalan gerakan T-Pose, Warrior II Pose, dan Tree Pose berturut-turut adalah 100%, 85% dan 80%.

References

Azmi, N. (2020). 5 Gerakan Olahraga di Rumah yang Cocok Untuk Pandemi Bagi Wanita. Retrieved December 21, 2020, from https://hellosehat.com/kebugaran/kekuatan/gerakan-olahraga-di-rumah-bagi-wanita/

Fimela. (2019, June 22). Macam-Macam Yoga. Retrieved from Fimela: https://www.fimela.com/beauty/read/3844095/cara-mengecilkan-betis-dengan-tree-Pose-dalam-yoga

Geoffrey. (2019, March 29). Should We Abandon LSTM for CNN? Retrieved from AI/ML At

Jalil. (2020). Penentuan Epoch dan Batch size pada klasifikasi CNN. Retrieved from kotakode.com: https://kotakode.com/pertanyaan/2416/Penentuan-Epoch-dan-Batch-size-pada-klasifikasi-CNN

Jian Sun, Y. F. (2018). Sequential Human Activity Recognition Based on Deep Convolutional Network and Extreme Learning Machine Using Wearable Sensors. Hindawi , 2018 , 1. Retrieved September 27, 2018, from https://www.hindawi.com/journals/js/2018/8580959/

Karthik Ramasubramanian, J. M. (2019). Applied Supervised Learning with R. In J. M. Karthik Ramasubramanian, Applied Supervised Learning with R (p. 502). Packt.

MediaPipe. (2020). MediaPipe Pose. Retrieved from google.github.io: https://google.github.io/mediapipe/solutions/Pose

Michalis Vringkas, C. N. (2015). Frontiersin Robot Machine Vision and AI Deep Learning. Frontiers in Robotics and AI , 2, 1. Retrieved November 16, 2015, from https://www.frontiersin.org/articles/10.3389/frobt.2015.00028/full#B158

RAHMADZANI, R. F. (2021). Cara Kerja Long Short-Term Memory (LSTM) | Catatan Penelitian . Retrieved February 21, 2021, from https://rifqifai.com/cara-kerja-long-short-term-memory-lstm/

Science. (2020). Dataset dalam Machine Learning. Retrieved October 25, 2020, from https://www.dqlab.id/pelajari-3-data-set-machine-learning-bersama-dqlab

Downloads

Published

2022-05-31

How to Cite

Daniel Tanugraha, F., Pratikno, H., Musayyanah, & Indah Kusumawati, W. (2022). Pengenalan Gerakan Olahraga Berbasis (Long Short- Term Memory) Menggunakan Mediapipe. Journal of Advances in Information and Industrial Technology, 4(1), 37–45. https://doi.org/10.52435/jaiit.v4i1.182

Issue

Section

Research Article