Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Locus Penelitian dan Pengabdian
Putra, Bima Andika
Unknown Affiliation
Aerospace Engineering Automotive Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Analisis Gerakan Squat untuk Pemula dan Profesional Menggunakan Metode SVM Berbasis Mediapipe Putra, Bima Andika; Purnama, Bedy; Erfianto, Bayu
Jurnal Locus Penelitian dan Pengabdian Vol. 4 No. 12 (2025): JURNAL LOCUS: Penelitian dan Pengabdian
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/locus.v4i12.4871

Abstract

Gerakan squat dianggap sebagai latihan yang sangat penting dalam kebugaran dan rehabilitasi, membutuhkan koordinasi serta postur tubuh yang benar. Pelaksanaan yang keliru, terutama oleh mereka yang baru mulai, dapat meningkatkan kemungkinan terjadinya cedera. Untuk mengatasi masalah ini, ada kebutuhan akan sistem otomatis yang dapat mengklasifikasikan keterampilan pengguna berdasarkan pose tubuh saat melakukan squat. Penelitian ini menggunakan teknologi visi komputer untuk mendeteksi dan menilai kualitas gerakan. Salah satu masalah utama dalam sistem evaluasi squat yang ada adalah kemampuannya yang terbatas dalam menilai tingkat keterampilan; banyak di antaranya hanya memberikan umpan balik dalam bentuk benar atau salah. Maka, sangat penting untuk mengembangkan sistem klasifikasi yang dapat membedakan antara pemula dan atlet berpengalaman, terutama dalam mendukung program latihan yang lebih adaptif dan memberikan informasi. Salah satu solusi yang diusulkan adalah mengintegrasikan MediaPipe sebagai alat untuk ekstraksi pose dan menggunakan algoritma Support Vector Machine (SVM) sebagai metode klasifikasi. Data video dari 40 pengguna diubah menjadi koordinat pose, yang kemudian digunakan untuk melatih model SVM dengan kernel RBF. Hasil dari pengujian menunjukkan tingkat akurasi yang baik, sebesar 99,1%, yang menunjukkan seberapa efektif sistem ini dalam secara otomatis dan akurat mengidentifikasi tingkat keterampilan.
Co-Authors Bayu Erfianto Bedy Purnama