Pengembangan Model Long Short-Term Memory Berbasis MediaPipe Pose untuk Klasifikasi dan Penilaian Gerakan Push-Up

Artha, I Kadek Bayu Danu (Universitas Pendidikan Ganesha)
Arthana, I Ketut Resika (Universitas Pendidikan Ganesha)
Suputra, Putu Hendra (Universitas Pendidikan Ganesha)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 14, No 3: Desember 2025

The counting and assessment of push-up movements are often inaccurate and subjective because they are done manually. Existing automated approaches generally only consider the top and bottom positions. This makes the assessment incomplete, so that imperfect movements can be counted as correct. This study aims to develop a Long Short-Term Memory (LSTM) model using MediaPipe Pose landmark extraction to detect and classify push-up movements based on the overall movement pattern. Data was collected in the form of videos validated by experts and processed into 3,600 video data sets with 10 movement classes. The video data was extracted to produce normalized keypoint coordinates and joint angles, and padding was added to equalize the data length. The model was trained using the K-Fold Cross Validation method with eight different architectures. The results showed that the best model achieved an average testing accuracy of 92.35% and an F1-Score of 92.53%. These findings indicate that the combination of MediaPipe Pose and LSTM can effectively recognize and classify push-up movements.Keywords: MediaPipe Pose;Llong short-term memory; Classification; Push-up; Time seriesAbstrakPenghitungan dan penilaian gerakan push-up sering tidak akurat serta bersifat subjektif akibat dilakukan secara manual. Pendekatan otomatis yang ada umumnya hanya mempertimbangkan posisi atas dan bawah. Hal ini membuat penilaian tidak secara keseluruhan sehingga gerakan yang tidak sempurna dapat terhitung benar. Penelitian ini bertujuan mengembangkan model Long Short-Term Memory (LSTM) dengan memanfaatkan ektraksi landmark MediaPipe Pose untuk mendeteksi dan mengklasifikasi gerakan push-up berdasarkan keseluruhan pola gerakan. Data dikumpulkan dalam bentuk video yang divalidasi oleh ahli dan diolah hingga mejadi 3.600 data video dengan 10 kelas gerakan. Data video diektraksi hingga menghasilkan koordinat keypoint dan sudut sendi yang dinormalisasi, serta ditambahkan padding untuk menyamakan panjang data. Model dilatih dengan metode K-Fold Cross Validation dengan delapan arsitektur berbeda. Hasil penelitian menunjukkan performa model terbaik memperoleh rata-rata akurasi testing 92,35% dan F1-Score 92,53%. Temuan ini menunjukkan kombinasi MediaPipe Pose dan LSTM dapat dengan baik mengenali dan mengklasifikasi gerakan push-up.