IMPLEMENTASI ARSITEKTUR YOLOv8n UNTUK DETEKSI PENGENALAN POSE TANGAN PADA GERAKAN TARI TRADISIONAL JAWA BERBASIS CITRA

IHSANUDDIN, MUHAMMAD (2025) IMPLEMENTASI ARSITEKTUR YOLOv8n UNTUK DETEKSI PENGENALAN POSE TANGAN PADA GERAKAN TARI TRADISIONAL JAWA BERBASIS CITRA. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 123210039_Cover.pdf Download (234kB)
	Text 123210039_Abstrak.pdf Download (471kB)
	Text 123210039_Halaman Pengesahan Pembimbing .pdf Download (335kB)
	Text 123210039_Halaman Pengesahan Penguji.pdf Download (356kB)
	Text 123210039_Daftar Isi.pdf Download (1MB)
	Text 123210039_Daftar Pustaka.pdf Download (1MB)
	Text 123210039_Naskah TA Lengkap.pdf Restricted to Repository staff only Download (4MB)

Abstract

Kemajuan teknologi kecerdasan buatan telah memberikan kontribusi signifikan
dalam pelestarian dan digitalisasi budaya, termasuk dalam ranah seni tari tradisional. Salah
satu elemen krusial dalam tari tradisional Jawa adalah pose tangan, yang mengandung nilai-
nilai simbolik dan estetika yang mendalam. Namun demikian, upaya pelestarian dan
dokumentasi untuk pembelajaran pose tangan ini masih menghadapi berbagai tantangan,
khususnya dalam hal visualisasi dan pengenalan otomatis berbasis teknologi. Oleh karena
itu, diperlukan pendekatan berbasis computer vision yang mampu mendeteksi dan mengenali
pose tangan secara akurat dan efisien.
Penelitian ini bertujuan untuk mengimplementasikan arsitektur YOLOv8n sebagai
model deteksi objek untuk mengenali pose tangan pada gerakan tari tradisional Jawa
berbasis citra. Dataset yang digunakan terdiri dari citra hasil dokumentasi langsung serta
citra dari sumber daring, yang kemudian dianotasi secara manual menggunakan platform
Roboflow. Proses pelatihan dilakukan dengan konfigurasi tertentu, termasuk augmentasi
data, pengubahan ukuran (resize), serta pembagian data ke dalam subset latih, validasi, dan
uji. Model dilatih menggunakan YOLOv8n dengan penyesuaian hyperparameter guna
mengoptimalkan performa deteksi.
Berdasarkan hasil evaluasi, model menunjukkan performa yang baik dengan akurasi
per-kelas berkisar antara 83% hingga 98%. Presisi tertinggi sebesar 98% diperoleh pada
kelas ngithing, sementara recall tertinggi sebesar 98% tercapai pada kelas ngruji dan
nyempurit. Nilai F1-score tertinggi sebesar 98% juga diraih oleh kelas ngruji, sedangkan
terendah sebesar 73% terdapat pada kelas boyo mangap. Dari sisi mean Average Precision
(mAP), mAP50 tertinggi dicapai oleh ngruji (99%) diikuti ngepel (95%) dan ngithing (94%).
Pada mAP50-95, yang menggunakan ambang IoU lebih ketat, nilai tertinggi dicapai ngithing
(86%) dan ngruji (85%). Hasil ini menunjukkan bahwa model mampu mendeteksi pose
tangan secara baik meskipun tingkat toleransi kesesuaian bounding box. Pengujian tambahan
terhadap 20 citra uji baru menunjukkan akurasi sebesar 85%, dengan dua kasus
misklasifikasi akibat kemiripan bentuk antar pose. Temuan ini menunjukkan kapabilitas
model dalam mengenali variasi pose tangan di luar data latih.
Kata Kunci: Deteksi Pose Tangan, Tari Tradisional Jawa, YOLOv8n, Deep
Learning, Computer Vision.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	MUHAMMAD IHSANUDDIN (Penulis - 123210039) ; Wilis Kaswidjant (Pembimbing)
Uncontrolled Keywords:	Deteksi Pose Tangan, Tari Tradisional Jawa, YOLOv8n, Deep Learning, Computer Vision
Subjek:	Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	21 Nov 2025 03:47
Last Modified:	21 Nov 2025 03:47
URI:	http://eprints.upnyk.ac.id/id/eprint/45671

Actions (login required)

View Item