Sistem Deteksi Dan Evaluasi Gerakan Tubuh Pada Latihan Fisik Kebugaran Mandiri Menggunakan Pose Estimation Mediapipe

Mohammad, Celino data Hikam (2025) Sistem Deteksi Dan Evaluasi Gerakan Tubuh Pada Latihan Fisik Kebugaran Mandiri Menggunakan Pose Estimation Mediapipe. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2040211115-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Seiring dengan perkembangan teknologi dan gaya hidup masyarakat, aplikasi fitness dan video latihan online menjadi pilihan dan sarana utama bagi orang-orang untuk melakukan latihan fisik kebugaran sehingga dapat tetap aktif secara fisik tanpa harus keluar rumah atau menggunakan fasilitas umum. Akan tetapi aplikasi fitness yang tersedia di platform seperti google playstore masih belum menerapkan sistem pengawasan real-time atau dalam kata lain aplikasi hanya mengarahkan pengguna untuk melakukan gerakan yang ditampilkan melalui animasi. Sehingga tidak adanya pengawasan pada saat latihan sering kali menyebabkan masalah terkait gerakan atau postur yang salah, terutama dalam gerakan yang memerlukan teknik yang benar seperti push-up, bisep curl, overhead press, dan squat. Postur tubuh yang tidak tepat pada gerakan tersebut dapat menyebabkan cedera pada sendi dan otot, serta mengurangi kualitas latihan. Oleh karena itu penting untuk mengembangkan sistem aplikasi yang mampu mendeteksi gerakan dan postur selama kegiatan latihan kebugaran. Dengan permasalahan tersebut, teknologi Computer Vision dapat menjadi solusi untuk memberikan pengawasan gerakan secara otomatis. Perkembangan teknologi Computer Vision khususnya dengan penggunaan algoritma pose estimation seperti Mediapipe. dapat melakukan pendeteksian postur tubuh secara real-time, Mediapipe mampu mendeteksi 33 titik kunci tubuh termasuk bahu, siku, pinggul, dan lutut. Dengan informasi dari titik kunci tersebut, sistem dapat mengetahui apakah seseorang sudah melakukan gerakan pada saat latihan kebugaran dengan benar. Hasil pengujian menunjukkan bahwa sistem dapat mendeteksi gerakan dengan rata-rata akurasi sebesar 90%. Sistem juga berhasil memberikan umpan balik mengenai kesalahan gerakan dan kecepatan, yang dimana berdampak terhadap peningkatan skor evaluasi gerakan yang dilakukan oleh pengguna, dengan peningkatan skor tertinggi dicapai oleh pengguna 4 dengan hasil skor pre-test sebesar 25 dan hasil skor post-test sebesar 79.7, sedangkan untuk peningkatan terendah terjadi pada pengguna 1 dengan hasil skor pre-test sebesar 35.5 dan hasil skor post-test sebesar 60. Hal tersebut menunjukan bahwa sistem dapat mengatasi masalah umum terkait gerakan yang salah dalam latihan fisik kebugaran mandiri, sehingga sistem dapat menjadi bagian dari solusi jangka panjang untuk kebutuhan kebugaran yang aman dan efektif.
======================================================================================================================================
Along with technological advancements and changes in lifestyle, fitness applications and online workout videos have become the main choice and resource for individuals to engage in physical fitness exercises. These tools allow people to stay physically active without having to leave their homes or use public facilities. However, most fitness applications available on platforms like Google Play Store still lack real-time supervision. Instead, they only guide users through animations. As a result, the absence of supervision during workouts often leads to issues related to improper movements or postures, especially for exercises that require precise techniques, such as push-ups, bicep curls, overhead presses, and squats. Incorrect posture in these movements can cause joint and muscle injuries, as well as reduce the quality of the workout. Therefore, it is essential to develop an application system that can detect movements and postures during fitness activities. To address this issue, Computer Vision technology can provide a solution by offering automated movement supervision. The advancement of Computer Vision, particularly through the use of pose estimation algorithms like Mediapipe, enables real-time detection of body posture. The Mediapipe algorithm can detect up to 33 key body points, including shoulders, elbows, hips, and knees. Using information from these key points, the system can determine whether an individual is performing fitness movements correctly. The test results show that the system can detect movements with an average accuracy of 90%. The system also successfully provides feedback on movement errors and speed, which contributed to the improvement of users movement evaluation score. The highest score improvement was achieved by user 4, with a pre-test score 25 and a post-test score 79.7. Meanwhile, the lowest improvement was recorded by User 1, with a pre-test score 35.5 and a post-test score 60. This indicates that the system is capable of addressing common issues related to incorrect movements during independent physical training, and therefore has the potential to become part of a long-term solution for safe and effective fitness needs

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Latihan Fisik Kebugaran, Mediapipe, Pose Estimation, Fitness, Mediapipe, Pose Estimation
Subjects:	Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA9.64 Fuzzy logic T Technology > TA Engineering (General). Civil engineering (General) > TA593.35 Instruments, cameras, etc.
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Celino Data Hikam Mohammad
Date Deposited:	11 Aug 2025 03:59
Last Modified:	11 Aug 2025 03:59
URI:	http://repository.its.ac.id/id/eprint/128053

Actions (login required)

View Item