Analisis Komparatif Convolutional Neural Network (CNN) dan XGBoost untuk Deteksi dan Klasifikasi Gerakan Tendangan Taekwondo menggunakan Data Pose Estimation

Nasrulloh, Ashrul (2026) Analisis Komparatif Convolutional Neural Network (CNN) dan XGBoost untuk Deteksi dan Klasifikasi Gerakan Tendangan Taekwondo menggunakan Data Pose Estimation. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (235kB) | Preview
Preview	Text 2_abstrak.pdf Download (187kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (595kB) | Preview
Preview	Text 4_daftarisi.pdf Download (298kB) | Preview
Preview	Text 5_bab1.pdf Download (276kB) | Preview
	Text 6_bab2 (3).pdf Restricted to Registered users only Download (977kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (495kB) | Request a copy
	Text 8_bab4 (2).pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (201kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (205kB) | Request a copy
	Text 11_lampiran (1).pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Taekwondo merupakan seni bela diri yang memerlukan evaluasi gerakan secara presisi. Namun, pengamatan manual oleh pelatih seringkali bersifat subjektif dan kurang akurat, terutama saat mengevaluasi atlet dalam jumlah masif. Penelitian ini bertujuan untuk mengembangkan sistem otomatisasi analisis gerakan tendangan Taekwondo berbasis pose estimation, serta mengkomparasikan efektivitas arsitektur Convolutional Neural Network yang terintegrasi dengan Long Short-Term Memory (CNN-LSTM) melawan algoritma Extreme Gradient Boosting (XGBoost). Pengembangan sistem ini berpedoman pada metodologi CRISP-DM. Dataset primer yang digunakan berjumlah 500 video dari 10 atlet yang memperagakan lima jenis tendangan (Dolyo Chagi, Dwi Chagi, Jumping Yeop Chagi, Up Chagi, dan Yeop Chagi). Proses ekstraksi fitur spasial dilakukan menggunakan kerangka kerja MediaPipe Pose untuk melacak 33 titik sendi tubuh secara berurutan. Koordinat mentah tersebut direkayasa menjadi fitur biomekanik yang direpresentasikan dalam dua format: matriks sekuensial berdimensi (30 × 26) sebagai masukan CNN-LSTM, dan larik 260 fitur statistik deskriptif untuk masukan XGBoost. Guna mencegah kebocoran data (data leakage), dataset dipartisi dengan rasio 65:15:20, di mana augmentasi data diterapkan secara eksklusif hanya pada himpunan data latih. Untuk memastikan evaluasi yang objektif, masing-masing algoritma diuji melalui tiga skenario hyperparameter tuning, di mana model terbaik dipilih berdasarkan akurasi validasi tertinggi. Hasil pengujian komparatif tahap akhir menunjukkan bahwa arsitektur CNN-LSTM (Skenario Agresif) mendemonstrasikan keunggulan absolut dengan capaian akurasi pengujian (testing) sebesar 97,00%, membuktikan kemampuannya yang luar biasa dalam mengenali urutan momentum temporal secara berkesinambungan. Sementara itu, algoritma XGBoost (Skenario Agresif) mencatatkan akurasi sebesar 91,00%, yang menunjukkan adanya fenomena kehilangan informasi kronologis akibat peringkasan fitur statistik statis. Kesimpulannya, CNN-LSTM terbukti lebih superior, presisi, dan stabil untuk analisis deret waktu gerakan beladiri, sedangkan XGBoost direkomendasikan sebagai alternatif yang efisien untuk implementasi pada perangkat komputasi terbatas.

Actions (login required)

View Item