Artha, I Kadek Bayu Danu (2026) MODEL DEVELOPMENT FOR PUSH UP COUNTING BY UTILIZING BODY LANDMARKS AND LSTM ALGORITHM. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2115101025-COVER.pdf Download (551kB) |
|
Text (ABSTRAK)
2115101025-ABSTRAK.pdf Download (10MB) |
|
Text (BAB 1 PENDAHULUAN)
2115101025-BAB 1 PENDAHULUAN.pdf Download (10MB) |
|
Text (BAB 2 KAJIAN TEORI)
2115101025-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (10MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2115101025-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (10MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101025-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (10MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2115101025-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (10MB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2115101025-DAFTAR PUSTAKA.pdf Download (10MB) |
|
Text (LAMPIRAN)
2115101025-LAMPIRAN.pdf Download (10MB) |
Abstract
Perhitungan repetisi push-up secara manual rentan mengalami permasalahan penilaian yang subjektif membuat penilain menjadi tidak konsisten. Dalam penilain gerakan push-up tidak hanya dengan terpenuhinya posisi atas dan bawahnya, namun secara keseluruhan termasuk transisi antar posisi push-up. Penelitian ini bertujuan mengembangkan model perhitungan dan validasi gerakan push-up. Memanfaatkan body landmarks dan algoritma Long Short-term Memory (LSTM) yang mampu mengenali pola gerakan secara temporal dan kosisten. Dengan melakukan klasifikasi pada 10 kelas gerakan dengan 1 kelas gerakan benar dan 9 kelas gerakan salah untuk menjaga keseimbangan data antar kelasnya. Sebanyak 3600 data video dilakukan ektraksi landmarks dan pemilihan fitur-fitur yang digunakan. Fitur yang digunakan terdiri dari 4 data sudut sendi dan 7 data keypoint yang terdiri dari nilai x, y dan z. Dilakukan juga normalisasi data penambahan padding untuk menyeragamkan panjang data. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Model dikembangkan menggunakan arsitektur LSTM dengan lapisan masking dan dropout, serta menggunakan skema k-fold cross validation. Dilakukan pengujian pada 8 arsitektur model yang berbeda dan percobaan perubahan nilai learning rate dan penambahan regularisasi. Evaluasi kinerja model dilakukan dengan menggunakna matriks konfusi, terdiri dari metrik akurasi, recall, presisi dan F1-score. Hasil training menunjukkan arsitektur model yang terbaik memperoleh akurasi pengujian 94,02% pada fold terbaiknya. Selain itu, dibangun juga sebuah simulasi sebagai implementasi model yang diuji dengan 15 video dengan total 166 repetisi didalamnya. Dengan pengujian dilakukan pada 5 perangkat yang berbeda. Hasil pengujian simulasi diperoleh akurasi 99,40% dalam deteksi repetisi push-up. Dalam melakukan klasifikasi gerakan push-up diperoleh akurasi 95.09% dengan latensi berkisar 43 ms sampai 47 ms. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan perhitungan push-up otomatis yang disertai dengan penlilain gerakan.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Push-Up, Body Landmarks, Long Short-Term Memory, Klasifikasi, Validasi Gerakan, Repetisi Push-Up |
| Subjects: | Q Science > Q Science (General) T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | I Kadek Bayu Danu Artha |
| Date Deposited: | 31 Dec 2025 07:23 |
| Last Modified: | 31 Dec 2025 07:23 |
| URI: | http://repo.undiksha.ac.id/id/eprint/27466 |
Actions (login required)
 |
View Item |