Penerapan Estimasi Pose dengan Model MoveNet untuk Klasifikasi Posisi Gerakan Deadlift Menggunakan XGBoost

Dyansyah, Kevin Ragil Krisna
Setiawan, Ahmad Bagus
Kasih, Patmi

Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Vol. 9 No. 1 (2025): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2025

Klasifikasi fase gerakan pada latihan deadlift penting untuk menghindari cedera akibat postur yang salah. Penelitian ini mengembangkan sistem klasifikasi posisi “up” dan “down” menggunakan estimasi pose berbasis MoveNet Lightning dan algoritma XGBoost. Sistem mendeteksi 17 keypoint tubuh secara real-time melalui browser dan menghitung tiga sudut utama (pinggul, lutut, punggung) sebagai fitur klasifikasi. Data sudut tersebut dilabeli otomatis dan dilatih menggunakan XGBoost dengan akurasi uji mencapai 98,51%. Analisis menunjukkan bahwa sudut lutut memiliki kontribusi tertinggi terhadap hasil klasifikasi. Sistem berjalan sepenuhnya di sisi klien menggunakan React.js dan TensorFlow.js, memungkinkan klasifikasi real-time tanpa backend. Pendekatan ini menunjukkan bahwa kombinasi model ringan dan algoritma efisien dapat menghasilkan sistem pelatih digital yang akurat, ringan, dan portabel.