<![CDATA[Latihan parallel bar dips merupakan salah satu latihan tubuh bagia atas yang efektif, tetapi berisiko tinggi apabila postur gerakan tidak dilakukan dengan tepat. Penelitian ini bertujuan mengembangkan sistem wearable berbasis sensor MPU6050 dan algoritma Random Forest untuk mendeteksi kesalahan postur gerakan parallel bar dips secara real-time. Sistem terdiri dari tiga node sensor yang dipasang pada lengan, dada, dan paha, serta terhubung menggunakan protokol ESP-NOW. Data sensor dikumpulkan, dihitung fitur rata-ratanya, dan diklasifikasikan langsung di mikrokontroler ESP32 pada bagian dada. Hasil klasifikasi ditindaklanjuti dengan umpan balik suara menggunakan buzzer. Pengujian dilakukan menggunakan dataset sebanyak 100 sampelyang telah divalidasi oleh instruktur. Model Random Forest menunjukkan akurasi 85% berdasarkan confusion matrix dan rata-rata akurasi 91% darimetode cross-validation 5-fold. Saat diimplementasikan pada perangkat wearable, sistem mencapai akurasi klasifikasi 90%. Selain itu, waktu komputasi rata-rata yang dicapai sebesar 0.387 milidetik menunjukkan efisiensi tinggi dan respons cepat terhadap perubahan postur pengguna. Hasil ini menunjukkan bahwa sistem wearable yang dikembangkan mampu memberikan deteksi postur yang akurat, cepat, dan cocok untuk mendukung latihan mandiri yang aman dan efektif.]]>
Copyrights © 2025
