Pengenalan Gerakan Olahraga Berbasis (Long Short- Term Memory) Menggunakan Mediapipe
DOI:
https://doi.org/10.52435/jaiit.v4i1.182Keywords:
Long Short – Term Memory, Human Activity Recognition, Machine Learning, MediaPipeAbstract
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
How to Cite
Issue
Section
License
Copyright (c) 2022 Filbert Daniel Tanugraha, Heri Pratikno, Musayyanah Musayanah, Weny Indah Kusumawati
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
All our articles are published under a Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) license.