<![CDATA[Pengenalan gerakan tari Bali berpotensi mendukung dokumentasi warisan budaya, media pembelajaran, dan sistem umpan balik gerak berbasis komputer. Namun, model klasifikasi video RGB dapat mempelajari latar belakang, kostum, pencahayaan, atau identitas penari sebagai shortcut, bukan struktur gerakan. Penelitian ini bertujuan menyusun baseline Spatial-Temporal Graph Convolutional Network (ST-GCN) berbasis skeleton untuk klasifikasi 13 gerakan dasar tari Bali perempuan menggunakan MediaPipe Pose. Setiap video diproses menjadi 33 landmark tubuh dengan kanal koordinat x, koordinat y, dan visibility, kemudian distandarkan menjadi 64 frame. Folder train dan validation asli digabungkan hanya untuk validasi silang 5-fold berstratifikasi, sedangkan folder test resmi dipertahankan sebagai holdout akhir. Model menggunakan graf 33 landmark MediaPipe, backbone ST-GCN, dan GCNHead dengan global pooling serta linear classifier. Hasil validasi silang memperoleh top-1 accuracy 99,55% +/- 0,49%, top-5 accuracy 99,92% +/- 0,17%, dan macro F1 99,49% +/- 0,55%. Evaluasi holdout akhir satu kali menghasilkan top-1 accuracy 99,39%, top-5 accuracy 100,00%, dan macro F1 99,39%. Audit duplikasi identifier dan overlap SHA-256 tidak menemukan kebocoran data train-test. Strategi evaluasi ini menegaskan pemisahan antara validasi model dan pengujian akhir. Hasil ini menunjukkan bahwa ST-GCN berbasis skeleton menjadi baseline within-dataset yang kuat untuk pengenalan gerak tari Bali, meskipun generalisasi subject-independent belum dapat diklaim karena dataset tidak menyediakan identitas penari.]]>
Copyrights © 2026
