<![CDATA[Penelitian ini mengembangkan sistem klasifikasi multi-label untuk mengenali indikasi Forward Head Posture (FHP), Postural Kyphosis (PK), Rounded Shoulder Posture (RSP), dan Normal Posture (NP) melalui analisis citra postur statis berdiri yang dapat merepresentasikan perubahan postural berkaitan dengan gaya hidup sedentari. Meskipun demikian, pengukuran dilakukan melalui analisis citra postur statis dalam posisi berdiri untuk mengamati keselarasan kepala, bahu, tulang belakang, dan panggul. MediaPipe Pose digunakan untuk mengekstraksi 33 landmark tubuh dari setiap citra. Dataset awal terdiri atas 933 citra yang diperoleh dari dataset publik POLAR dan hasil kurasi mandiri. Setelah pemeriksaan kualitas citra dan kelengkapan landmark, sebanyak 54 citra dikeluarkan sehingga diperoleh 879 citra valid. Data dibagi menggunakan Iterative Stratified Split dengan rasio 80:20 untuk mempertahankan distribusi kombinasi label. Sebanyak 132 atribut mentah hasil ekstraksi landmark dan 54 fitur hasil feature engineering membentuk 186 fitur awal. Seleksi fitur menggunakan Mutual Information pada data latih menghasilkan 60 fitur terpilih. Model yang dibandingkan meliputi Light Gradient Boosting Machine, Support Vector Machine, dan Artificial Neural Network. Hasil pengujian menunjukkan bahwa SVM memberikan performa terbaik dengan F1-score macro sebesar 0,76, F1-score micro sebesar 0,79, dan Hamming Loss sebesar 0,19. FHP menjadi kelas dengan performa tertinggi, sedangkan PK menjadi kelas yang paling sulit dikenali karena keterbatasan landmark dua dimensi pada area vertebra torakal. Hasil penelitian menunjukkan bahwa kombinasi MediaPipe Pose, feature engineering, dan machine learning berpotensi mendukung pengembangan sistem pemantauan indikasi postur secara waktu nyata.]]>
