<![CDATA[Latihan angkat beban memerlukan teknik dan postur yang tepat untuk mencegah cedera, terutama bagi pemula. Salah satu solusi untuk memantau kualitas gerakan adalah penggunaan wearable device dengan sensor dan model machine learning. Namun, keterbatasan data pelatihan dapat menurunkan kemampuan generalisasi model. Penelitian ini mengusulkan pendekatan Federated Learning (FL) untuk melatih model secara kolaboratif di beberapa client dengan data lokal yang bervariasi. Komunikasi antara edge device dan client didukung oleh protokol MQTT, sementara simulasi federated learning dilakukan menggunakan framework Flower dengan Virtual Client Engine (VCE). Fokus penelitian meliputi perbandingan performa model FL dan model lokal, evaluasi klasifikasi gerakan standing bicep curl, serta pengujian performa protokol MQTT. Hasil penelitian menunjukkan bahwa model FL memiliki akurasi rata-rata lebih tinggi dibanding model lokal, yaitu 92,013%, sedangkan sistem klasifikasi gerakan real-time mencapai 95% akurasi. MQTT menunjukkan keandalan tinggi tanpa packet loss, namun memiliki latensi sebesar 580 ms, yang dapat memengaruhi responsivitas sistem. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem pemantauan kebugaran yang lebih akurat, efisien, dan adaptif.]]>
Copyrights © 2025
