<![CDATA[Olahraga rutin terbukti efektif dalam menjaga kebugaran, meningkatkan kekuatan fisik, dan mengurangi risiko penyakit fatal. Salah satu olahraga yang mendukung hal tersebut adalah weightlifting atau latihan angkat beban. Latihan angkat beban, khususnya gerakan deadlift, efektif untuk meningkatkan kekuatan dan ketahanan tubuh. Namun, kesalahan postur saat melakukan deadlift, terutama pada posisi awal, dapat meningkatkan risiko cedera, terutama pada punggung bawah. Penelitian ini bertujuan untuk mengembangkan sistem wearable yang dapat mendeteksi dan mengklasifikasikan postur badan pada posisi awal deadlift guna mengurangi risiko cedera. Sistem wearable ini menggunakan sensor MPU6050 yang memanfaatkan akselerometer dan giroskop untuk memperoleh data postur tubuh, yang kemudian diolah menggunakan metode Support Vector Machine (SVM) dengan validasi Stratified K-Fold Cross-Validation. Sistem ini diintegrasikan dengan mikrokontroler ESP32 untuk melakukan klasifikasi postur yang benar, salah, atau idle saat melakukan posisi awal deadlift. Hasil penelitian menunjukkan bahwa model SVM hanya dengan data akselerometer mencapai akurasi 99,23%, sedangkan implementasi sistem wearable yang diintegrasikan dalam ESP32 menunjukkan akurasi 94,44%. Sistem ini juga menunjukkan performa yang baik dalam pembacaan data sensor, komunikasi data, dan waktu komputasi dengan rata-rata waktu 2 ms.]]>
Copyrights © 2025
