Pandemi COVID-19 menyebabkan pembatasan aktivitas di luar rumah, termasuk akses ke pusat kebugaran dan fasilitas olahraga, sehingga terjadi penurunan signifikan pada tingkat aktivitas fisik masyarakat. Kondisi ini mendorong perlunya latihan fisik yang dapat dilakukan di rumah, salah satunya gerakan squat yang merupakan gerakan fungsional penting untuk memperkuat otot paha, pinggul, dan bokong. Namun, pelaksanaan latihan di rumah sering kali tidak optimal karena kurangnya pengetahuan, pengawasan, serta sumber daya yang memadai, yang dapat menyebabkan kesalahan postur dan meningkatkan risiko cedera.
Penelitian ini bertujuan untuk merancang sistem pengenalan postur squat yang mampu menggantikan peran manusia dalam mengawasi aktivitas fisik di rumah. Sistem ini memanfaatkan teknologi MediaPipe Pose untuk mendeteksi pergerakan tubuh dan memberikan umpan balik secara real-time terkait kebenaran gerakan squat yang dilakukan pengguna.
Pengembangan Sistem Pengawasan Aktivitas Fisik Berbasis MediaPipe Pose
Penelitian ini merupakan pengembangan dari pendekatan pengawasan aktivitas fisik konvensional yang sebelumnya masih mengandalkan instruktur atau tenaga profesional untuk mengoreksi postur latihan. Penelitian akan mengembangkan sistem cerdas yang dapat menggantikan peran manusia dalam memantau dan mengevaluasi gerakan squat menggunakan teknologi computer vision dan machine learning.
Pengembangan utama penelitian ini terletak pada pemanfaatan MediaPipe Pose sebagai fondasi sistem pendeteksi postur tubuh secara real-time. Jika sebelumnya pengukuran sudut sendi lutut sering dilakukan menggunakan alat manual seperti goniometer atau sensor konvensional seperti Kinect saja, penelitian ini mengintegrasikan MediaPipe Pose dengan pemrosesan video OpenCV untuk menghasilkan sistem yang lebih adaptif, ringan, dan berpotensi digunakan pada berbagai perangkat. Fokus penelitian juga dipersempit pada tiga titik kunci utama, yaitu pinggul kanan, lutut kanan, dan pergelangan kaki kanan, yang digunakan untuk menghitung sudut fleksi lutut sebagai indikator utama kebenaran postur squat.
Selain itu, sistem ini tidak hanya mendeteksi posisi tubuh, tetapi dikembangkan lebih lanjut dengan fitur evaluatif berupa validasi gerakan dan umpan balik korektif secara langsung. Pengguna akan menerima instruksi seperti 渟quat benar atau 渟quat terlalu dalam berdasarkan hasil perhitungan sudut lutut. Hal ini menunjukkan peningkatan fungsi sistem dari sekadar pendeteksi gerakan menjadi sistem pembimbing latihan interaktif. Pengujian yang dilakukan pada beberapa variasi sudut lutut juga memperkuat keandalan sistem melalui evaluasi linieritas, sensitivitas, akurasi, dan presisi, yang menunjukkan bahwa sistem ini mampu memberikan performa yang mendekati pengukuran medis standar.
Penelitian ini membuka peluang pengembangan lebih luas ke arah sistem monitoring latihan berbasis rehabilitasi dan olahraga digital. Sistem dapat dikembangkan untuk mengenali lebih banyak jenis gerakan selain squat, diintegrasikan dengan aplikasi mobile atau platform e- health, serta dikombinasikan dengan fitur analisis performa jangka panjang. Dengan demikian, penelitian ini tidak hanya berkontribusi pada bidang human activity recognition, tetapi juga berpotensi menjadi solusi teknologi pendukung dalam fisioterapi, olahraga preventif, dan pemantauan kebugaran berbasis kecerdasan buatan.
Metode dan Hasil
Sistem yang dikembangkan menggunakan input video dari kamera Microsoft Kinect Xbox One yang terhubung melalui OpenCV. Video yang awalnya berformat BGR dikonversi ke RGB agar kompatibel dengan MediaPipe Pose. Sistem kemudian mendeteksi 33 titik kunci (keypoints) pada tubuh, dengan fokus pada tiga titik utama yaitu pinggul kanan, lutut kanan, dan pergelangan kaki kanan untuk menghitung sudut fleksi lutut. Perhitungan sudut dilakukan menggunakan koordinat ketiga titik tersebut dan dikonversi dari radian ke derajat untuk menentukan apakah gerakan squat memenuhi kriteria yang benar.
Pengujian dilakukan pada 10 subjek dengan variasi sudut lutut 70掳, 90掳, dan 110掳. Sistem memberikan umpan balik secara langsung, seperti 渟quat is correct jika sudut berada pada rentang 80掳110掳, dan peringatan jika gerakan terlalu dalam. Hasil evaluasi menunjukkan bahwa sistem memiliki linearitas sebesar 95,73% dibandingkan pengukuran menggunakan goniometer, sensitivitas 97,1%, serta tingkat akurasi berturut-turut sebesar 96,11%, 95,46%, dan 93,15% untuk masing-masing variasi sudut. Nilai presisi yang ditunjukkan melalui standar deviasi juga tergolong baik, yaitu 4,49; 4,79; dan 4,90, yang menandakan konsistensi pengukuran yang tinggi.
Hasil penelitian menunjukkan bahwa sistem pengenalan postur squat berbasis MediaPipe Pose mampu mendeteksi dan mengevaluasi gerakan squat secara akurat dan andal. Sistem mampu mengenali postur yang benar dan memberikan umpan balik korektif yang membantu pengguna memperbaiki gerakan secara real-time. Dengan tingkat linearitas, sensitivitas, akurasi, dan presisi yang tinggi, terbukti efektif sebagai alat bantu pemantauan aktivitas fisik dan berpotensi digunakan sebagai solusi supervisi latihan di rumah yang bersifat objektif, praktis, dan efisien, khususnya dalam konteks kesehatan dan rehabilitasi berbasis teknologi
Penulis: Riries Rulaningtyas
Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://doi.org/10.1063/5.0288036
Musyafa, I. B. D., Rulaningtyas, R., & Putra, A. P. (2025). Squat posture recognition system design for physical activity monitoring. AIP Conference Proceedings, 3346, 030003. https://doi.org/10.1063/5.0288036
