<![CDATA[Gerakan hammer curl merupakan salah satu latihan beban yang umum dilakukan untuk melatih otot biceps. Namun, kesalahan teknik saat melakukan gerakan tersebut dapat mengurangi efektivitas latihan dan meningkatkan risiko cedera. Pengawasan teknik latihan umumnya masih bergantung pada personal trainer, sehingga diperlukan suatu sistem yang mampu membantu pengguna melakukan evaluasi gerakan secara mandiri. Penelitian ini bertujuan mengimplementasikan wearable device berbasis tiga sensor MPU6050 dan algoritma Random Forest untuk mengklasifikasikan gerakan hammer curl secara real-time. Sistem menggunakan tiga modul LILYGO T-OI Plus (ESP32-C3), terdiri atas dua perangkat sender pada pergelangan tangan dan lengan atas serta satu perangkat receiver pada punggung. Data gerakan diproses melalui tahapan segmentasi per repetisi menggunakan metode peak detection, normalisasi Min-Max, dan ekstraksi 21 fitur statistik sebelum digunakan untuk pelatihan model Random Forest. Model yang telah dilatih kemudian diimplementasikan pada mikrokontroler ESP32-C3 untuk melakukan klasifikasi secara real-time dengan umpan balik berupa bunyi buzzer. Pengujian model dilakukan menggunakan 200 segmen data yang terdiri atas 100 gerakan benar dan 100 gerakan salah dengan pembagian data latih dan data uji sebesar 80:20. Hasil pengujian menunjukkan bahwa model Random Forest memperoleh akurasi sebesar 97,50%, sedangkan implementasi pada sistem wearable menghasilkan akurasi keseluruhan sebesar 95,00% pada enam partisipan. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mengklasifikasikan gerakan hammer curl secara real-time dan memberikan umpan balik secara langsung kepada pengguna, sehingga dapat digunakan untuk mendukung evaluasi teknik latihan beban secara mandiri.]]>
Copyrights © 2026
