Klasifikasi Jenis Bentuk Tubuh Berdasarkan Data Antropometri dengan Metode Deep Learning

Anfasya, Yusuf (2024) Klasifikasi Jenis Bentuk Tubuh Berdasarkan Data Antropometri dengan Metode Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000077_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (7MB) | Request a copy

Abstract

Bentuk tubuh manusia memiliki variasi yang kompleks serta dapat mempengaruhi kesehatan serta penampilan seseorang. Dalam identifikasi dan klasifikasi jenis bentuk tubuh secara akurat dapat memberikan wawasan penting dalam bidang kesehatan, kebugaran, dan fesyen. Metode konvensional dalam melakukan klasifikasi bentuk tubuh yaitu dengan menggunakan 3D scanner, depth camera, dan foto tubuh memiliki sebuah kekurangan dikarenakan dalam melakukan pengenalan masih membutuhkan perangkat keras. Selain menggunakan metode konvensional, terdapat pendekatan dengan memanfaatkan metode deep learning pada data antropometri dan gambar tubuh. Penelitian ini dilakukan untuk mengatasi kelemahan dari beberapa penelitian sebelumnya dalam melakukan klasifikasi bentuk tubuh. Penelitian ini menggunakan data antropometri yang mencakup tinggi badan, berat badan, lebar dada, lebar pinggang, dan lebar pinggul. Data ini diperoleh dari internet dan merupakan antropometri dari artis-artis internasional. Sebagai langkah awal, data tersebut dibersihkan dan dianalisis menggunakan metode Exploratory Data Analysis. Setelah itu, data dibagi menjadi dua bagian, yaitu data latih dan data uji, untuk membantu dalam pembentukan model. Model dieksplorasi dengan menggunakan metode Sequential Attention berbasis Deep Learning. Variasi K-Fold Validation digunakan untuk menggeneralisasi model dan melakukan evaluasi kinerja setiap model. Hasil optimasi model TabNet menunjukkan kinerja yang lebih baik dibandingkan dengan model MLP, SVM, dan Random Forest. Selisih tertinggi dengan SVM dengan perbedaan akurasi 4,9% dan selisih terendah dengan perbedaan akurasi 3,1% . Hasil kinerja menunjukkan bahwa metode yang digunakan dalam penelitian ini efektif dalam meningkatkan akurasi prediksi.
=============================================================================================================================
The shape of the human body has complex variations and can affect a person`s health and appearance. Accurately identifying and classifying body shape types can provide important insights into the fields of health, fitness, and fashion. The conventional method of classifying body shape, namely using a 3D scanner, depth camera and body photos, has a drawback because recognition still requires hardware. Apart from using conventional methods, there are approaches that use deep learning methods on anthropometric data and body images. This research was conducted to overcome the weaknesses of several previous studies in classifying body shape. This study used anthropometric data that included height, weight, chest width, waist width, and hip width. This data is obtained from the internet and is anthropometry from international artists. As a first step, the data is cleaned and analyzed using the Exploratory Data Analysis method. After that, the data is divided into two parts, namely the training data and the test data, to assist in the formation of the model. The model was explored using Deep Learning-based Sequential Attention methods. A variation of K-Fold Validation is used to generalize models and evaluate the performance of each model. The optimization results of the TabNet model show better performance compared to MLP, SVM, and Random Forest models. The highest difference with SVM with an accuracy difference of 4.9% and the lowest difference with an accuracy difference of 3.1%. The performance results showed that the method used in this study was effective in improving the accuracy of predictions.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Bentuk Tubuh, Deep Learning, Exploratory Data Analysis, K-Fold Validation, Klasifikasi, Kinerja, Sequential Attention, TabNet,Body Shape, Classification, Performance
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Yusuf Anfasya
Date Deposited:	10 Feb 2024 19:55
Last Modified:	10 Feb 2024 19:55
URI:	http://repository.its.ac.id/id/eprint/106705

Actions (login required)

View Item