Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Kurwniawan, Wijaya
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Sistem Wearable untuk Deteksi Postur Side Lunge Dengan Mode Sisi Kanan dan Kiri Menggunakan Sensor MPU6050 Dan Metode Support Vector Machine Fatur Rahman, Mohammad; Syauqy, Dahnial; Kurwniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Latihan side lunge merupakan salah satu bentuk olahraga yang efektif untuk melatih otot kaki, terutama otot paha dan lutut. Namun, kesalahan postur selama melakukan latihan ini dapat meningkatkan risiko cedera, khususnya pada ligamen lutut dan punggung bawah. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sistem wearable yang mampu mendeteksi postur side lunge secara real-time menggunakan sensor MPU6050 dan algoritma Support vector machine (SVM). Sistem ini dirancang agar pengguna dapat memperoleh umpan balik langsung melalui buzzer, guna membantu memperbaiki postur latihan secara mandiri tanpa pengawasan pelatih. Sistem terdiri dari dua node: satu dipasang pada punggung dan satu lagi pada lutut. Data sensor dari kedua node digabungkan dan diproses menggunakan mikrokontroler ESP32. Model klasifikasi dilatih dengan algoritma SVM berbasis dataset tiga kelas, yaitu "benar", "salah", dan "idle". Hasil klasifikasi kemudian digunakan untuk mengaktifkan buzzer sesuai dengan kategori postur. Hasil pengujian menunjukkan bahwa model SVM yang diterapkan ini mampu mencapai akurasi klasifikasi hingga 100% pada mode kanan dan 100% pada mode kiri, sedangkan implementasi sistem memberikan presentase akurasi ssitem untuk mode kanan mencapai 100% dan mode kiri mencapai 91,67%. Selain itu, waktu komputasi sistem sebesar 3238 mikrodetik untuk mode kanan dan 3436 mikrodetik untuk mode kiri, menunjukkan bahwa sistem mampu memberikan respons secara cepat. Temuan ini membuktikan bahwa sistem yang dikembangkan tidak hanya akurat, tetapi juga responsif dan dapat digunakan secara praktis dalam latihan fisik harian untuk mencegah cedera akibat kesalahan postur.
Deteksi Gerakan Pemanasan Kepala Atlet Pemula Berbasis Sensor MPU6050 Dengan Metode Support Vector Machine Nur Fuady, Muhammad Sholahuddin; Syauqy, Dahnial; Kurwniawan, Wijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Cedera leher akibat pemanasan yang kurang tepat merupakan risiko yang sering terjadi pada atlet pemula. Untuk mengatasi hal ini, penelitian ini bertujuan merancang dan mengimplementasikan sebuah sistem berbasis wearable device yang mampu memantau gerakan kepala saat pemanasan. Alat ini ditempatkan pada bagian depan topi olahraga dan dilengkapi dengan sensor MPU6050 untuk membaca akselerasi dan rotasi kepala atlet. Data sensor yang diperoleh kemudian diklasifikasikan menggunakan metode Support Vector Machine (SVM) untuk menentukan posisi kepala dalam lima kategori: netral, miring ke kanan, miring ke kiri, hadap atas, dan hadap bawah. Metode klasifikasi SVM diterapkan dengan pendekatan One-vs-Rest multiclass, dilatih menggunakan dataset hasil akuisisi sensor yang telah dilabeli secara manual. Model dilatih di lingkungan Python menggunakan pustaka Scikit-learn dan diekspor ke dalam format header (.h) dengan bantuan pustaka micromlgen untuk diimplementasikan ke sistem berbasis mikrokontroler ESP32. Feedback sistem diberikan melalui buzzer apabila gerakan kepala berada di luar posisi netral. Hasil pengujian menunjukkan bahwa model SVM mencapai akurasi sebesar 98,85% dengan nilai precision, recall, dan f1-score yang tinggi di setiap kelas. Sistem berhasil menjalankan klasifikasi secara tepat dan efisien serta mampu memberikan umpan balik instan kepada atlet. Kesimpulannya, sistem ini dapat dimanfaatkan sebagai alat bantu pelatih dalam memantau kesesuaian gerakan kepala atlet pemula dan berpotensi menurunkan risiko cedera leher akibat pemanasan yang tidak sesuai.
Co-Authors Dahnial Syauqy Fatur Rahman, Mohammad Nur Fuady, Muhammad Sholahuddin