Fauzi, Aziz Fatih (2024) DETEKSI POSE YOGA SECARA REAL-TIME MENGGUNAKAN MEDIAPIPE DAN EXTREME GRADIENT BOOSTING. Diploma thesis, UPN Veteran Yogyakarta.
![[thumbnail of SKRIPSI FULL_AZIZ FATIH FAUZI_123200070.pdf]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
SKRIPSI FULL_AZIZ FATIH FAUZI_123200070.pdf Restricted to Repository staff only Download (3MB) |
|
Text
ABSTRAK_123200070.pdf Download (48kB) |
|
Text
COVER_123200070.pdf Download (134kB) |
|
Text
DAFTAR ISI_123200070.pdf Download (75kB) |
|
Text
DAFTAR PUSTAKA_123200070.pdf Download (179kB) |
|
Text
HALAMAN PENGESAHAN PEMBIMBING_123200070.pdf Download (198kB) |
|
Text
HALAMAN PENGESAHAN PENGUJI_123200070.pdf Download (204kB) |
Abstract
Yoga merupakan aktivitas fisik yang menggabungkan latihan pernapasan dengan
postur tubuh tertentu, yang bertujuan untuk meningkatkan kekuatan, fleksibilitas, serta
keseimbangan fisik dan mental. Meskipun yoga memiliki banyak manfaat, mendeteksi dan
mengklasifikasikan berbagai pose yoga secara otomatis dan real-time masih menjadi
tantangan, terutama bagi masyarakat awam yang belum mengenal yoga secara mendalam.
Tujuan penelitian ini adalah mengembangkan sistem deteksi pose yoga secara real-time dengan
mengombinasikan MediaPipe Pose (MPP) dan algoritma XGBoost yang telah dioptimasi
menggunakan Randomized Search, untuk meningkatkan akurasi deteksi dibandingkan
penelitian sebelumnya.
Penelitian ini menggunakan dataset "Yoga Poses Dataset" dari Kaggle yang mencakup
lima pose yoga. Dataset tersebut diproses menggunakan MediaPipe Pose untuk mendeteksi 33
keypoints tubuh secara real-time, yang kemudian digunakan sebagai input untuk model
XGBoost. Model XGBoost ini dioptimasi dengan Randomized Search untuk menentukan
kombinasi parameter terbaik yang dapat menghasilkan akurasi deteksi pose yang optimal. Data
kemudian dibagi menjadi data training dan data testing dengan rasio 80:20, dan model dilatih
selama 50 iterasi untuk mendapatkan hasil yang maksimal.
Hasil penelitian menunjukkan bahwa model yang dioptimasi dengan Randomized
Search berhasil mencapai akurasi 97.89% pada data testing, dengan presisi 97.95%, recall
97.89%, dan F1-score 97.91%. Pengujian real-time selama 30 detik juga menunjukkan akurasi
keseluruhan sebesar 93.10%, dengan beberapa pose yoga seperti Goddess, dan Warrior II
mencapai akurasi sempurna 100%. Hasil ini membuktikan bahwa pendekatan yang
dikembangkan dalam penelitian ini mampu meningkatkan akurasi deteksi pose yoga secara
signifikan dibandingkan penelitian sebelumnya, serta dapat diimplementasikan secara efektif
dalam aplikasi real-time.
Kata Kunci: MediaPipe Pose, XGBoost, Randomized Search, deteksi pose yoga, real-time,
akurasi.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | MediaPipe Pose, XGBoost, Randomized Search, deteksi pose yoga, real-time, akurasi |
| Subjects: | Q Science > Q Science (General) |
| Divisions: | Faculty of Engineering, Science and Mathematics > School of Engineering Sciences |
| Depositing User: | Eny Suparny |
| Date Deposited: | 11 Sep 2024 02:56 |
| Last Modified: | 11 Sep 2024 02:56 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/41110 |
Actions (login required)
 |
View Item |