Pengenalan Gerakan Sikap Dasar Pencak Silat Bakti Negara berbasis Aplikasi Mobile menggunakan Neural Network

I Putu Julian Taruna Suantara; Ketut Queena  Fredlina; Ida Bagus Kresna Sudiatmika

doi:10.54914/jtt.v8i1.445

Penulis

I Putu Julian Taruna Suantara STMIK Primakara https://orcid.org/0000-0001-8831-6832
Ketut Queena Fredlina STMIK Primakara
Ida Bagus Kresna Sudiatmika STMIK Primakara

DOI:

https://doi.org/10.54914/jtt.v8i1.445

Kata Kunci:

Aplikasi Mobile, Kecerdasan Buatan, Neural Network, Pengenalan Gerakan, Pencak Silat

Abstrak

Penelitian pengenalan sikap dasar atau poses recognition yang mengkhusus ke bidang olahraga sangatlah jarang ada dan peneliti belum menemukan jurnal atau artikel yang membahas mengenai pengenalan sikap dasar dari Pencak Silat seperti pada penelitian ini. Hasil penelitian ini dapat dipergunakan oleh atlet, tenaga pengajar ataupun organisasi bahkan juga pemerintah yang ingin memanfaatkan hasil penelitian ini yaitu, berupa aplikasi pengenalan sikap dasar dari Pencak Silat. Untuk mewujudkan aplikasi ini, peneliti menggunakan Neural Network atau kecerdasan buatan yang mana model dari pengenalan di train pada Teachable Machine yang menghasilkan akurasi pengenalan di atas 90%, kemudian diintegrasikan dengan program aplikasi mobile berbasis Android yang dibangun menggunakan Flutter, serta setelah diintegrasikan dengan aplikasi mobile, aplikasi pengenalan ini masih menghasilkan akurasi di atas 90%, sehingga dapat disimpulkan aplikasi ini dapat bekerja dengan sangat baik.

Unduhan

Data unduhan belum tersedia.

Referensi

Admin, “Mobile Operating System Market Share Indonesia Oct 2019 - Oct 2020,” Statcounter Global Stats, November 2020, [Online]. Tersedia: https://gs.statcounter.com/os-market- share/mobile/indonesia [Diakses: 1 Desember 2020].

S. R. DEWI, “Deep Learning Object Detection Pada Video Menggunakan Tensorflow Dan Convolutional Neural Network,” Universitas Islam Indonesia, Yogyakarta, 2018.

H. A. A., Candradewi, I, “Sistem Pengenal Isyarat Tangan Untuk Mengendalikan Gerakan Robot Beroda menggunakan Convolutional Neural Network,” Indones. J. Electron. Instrum. Syst., vol. 9, pp. 192– 202, 2019.

Bakti, M. B. S., “Pengenalan Angka Sistem Isyarat Bahasa Indonesia Dengan Menggunakan Metode Convolutional Neural Network,” Sekolah Tinggi Teknik Surabaya, Surabaya, p. 16, 2019.

W. S. Lestari dan S. Megawan, “Deteksi Spoofing Wajah Menggunakan FasterR CNNdengan Arsitektur Resnet50pada Video,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, pp. 261–267, 2020, doi: 10.22146/.v9i3.231.

H. Mubarok, “Identifikasi Ekspresi Wajah Berbasis Citra Menggunakan Algoritma Covolution Neural Network (CNN),” Universitas Islam Negeri Maulana Malik Ibrahim, Malang, 2019.

A. M. Agung Nugroho, “Melatih Sikap Dan Gerak Dasar Pencak Silat Bagi Pesilat Pemula,” Jurnal Olahraga Prestasi, vol. 1, p. 18, 2005, doi: 10.21831/jorpres.v1i2.6859.

Steven Sen dkk., “Komparasi Metode Multilayer Perceptron (MLP) dan Long Short Term Memory (LSTM) dalam Peramalan Harga Beras,” Ultimatic, Vol. XII, No. 1, 2020. ISSN: 2085-4552.

M. Carney dkk., “Teachable Machine: Approachable Web-Based Tool for Exploring Machine Learning Classification,” presented at the CHI ’20: CHI Conference on Human Factors in Computing Systems, April 2020, doi: 10.1145/3334480.3382839.

Flutter Intern, “Flutter” Flutter Developer, 2020, [Online]. Tersedia: https://flutter.dev/ [Diakses: 17 Juli 2021].

Admin, “Confusion Matrix”, Binus University School of Computer Science, November 2020, [Online]. Tersedia: https://socs.binus.ac.id/2020/11/01/confusion-matrix/ [Diakses: 19 Agustus 2021]