KLASIFIKASI POSE YOGA SURYA NAMASKAR MENGGUNAKAN METODE DEEP LEARNING

Wedatama, Made Restu (2026) KLASIFIKASI POSE YOGA SURYA NAMASKAR MENGGUNAKAN METODE DEEP LEARNING. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2115101077-COVER.pdf
Download (16MB)
[img] Text (ABSTRAK)
2115101077-ABSTRAK.pdf
Download (7MB)
[img] Text (BAB 1 PENDAHULUAN)
2115101077-BAB 1 PENDAHULUAN.pdf
Download (7MB)
[img] Text (BAB 2 KAJIAN TEORI)
2115101077-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2115101077-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101077-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2115101077-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2115101077-DAFTAR PUSTAKA.pdf
Download (7MB)
[img] Text (LAMPIRAN)
2115101077-LAMPIRAN.pdf
Download (7MB)

Abstract

Penelitian ini bertujuan untuk membangun dan membandingkan kinerja model klasifikasi pose yoga Surya Namaskar menggunakan metode Deep Learning dengan arsitektur Convolutional Neural Network (CNN) VGG19 dan ResNet-50. Surya Namaskar merupakan rangkaian pose yoga yang populer, namun kesalahan postur tanpa pengawasan instruktur dapat berisiko cedera. Dataset yang digunakan terdiri dari 154 citra asli yang diaugmentasi menjadi 1.540 citra, terbagi dalam 7 kelas pose: Pranamasana, Hasta Utthanasana, Padahastasana, Ashwa Sanchalanasana, Parvatasana, Ashtanga Namaskara, dan Bhujangasana. Proses pelatihan dilakukan menggunakan optimizer Adam dengan variasi learning rate 0.0001, 0.00001, dan 0.00005. Hasil penelitian menunjukkan bahwa arsitektur ResNet-50 secara konsisten mengungguli VGG19. Kinerja terbaik dicapai oleh ResNet-50 pada learning rate 0.00005 dengan akurasi 85%, sedangkan akurasi terbaik VGG19 hanya mencapai 77% pada learning rate 0.0001. Penelitian menyimpulkan bahwa arsitektur ResNet-50 dengan residual connection lebih efektif dalam mengklasifikasikan pose yoga yang kompleks dibandingkan VGG19, meskipun masih terdapat tantangan dalam membedakan pose dengan kemiripan visual tinggi seperti Ashwa Sanchalanasana dan Bhujangasana.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Deep Learning, CNN, VGG19, ResNet-50, Yoga Surya Namaskar
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Made Restu Wedatama
Date Deposited: 27 Jan 2026 06:47
Last Modified: 27 Jan 2026 06:47
URI: http://repo.undiksha.ac.id/id/eprint/27819

Actions (login required)

View Item View Item