TESIS DIGITAL
IMPLEMENTASI SISTEM PENGENAL AKTIVITAS GERAKAN OLAHRAGA DASAR MENGGUNAKAN MIKROKONTROLER dengan AIoT (ARTIFICIAL INTELLIGENCE of THINGS) = IMPLEMENTATION of BASIC SPORTS MOVEMENT ACTIVITY RECOGNITION SYSTEM USING MICROCONTROLLER WITH ARTIFICIAL INTELLIGENCE of THINGS (AIoT)
ABSTRAK
Penurunan aktivitas fisik akibat kemudahan teknologi modern menjadi perhatian serius terkait kesehatan dan risiko penyakit. Oleh karena itu, pengembangan alat yang efektif untuk mengenali dan memonitor aktivitas manusia menjadi krusial. Pengenalan aktivitas berbasis sensor inersia (Inertial Measurement Unit, IMU) yang diimplementasikan pada perangkat pintar menawarkan potensi signifikan melampaui pemantauan langkah sederhana, analisis gerakan olahraga, gim pembelajaran, hingga aplikasi rehabilitasi medis spesifik. Penelitian ini menyajikan implementasi kerangka kerja pengenalan aktivitas manusia (Human Actitvity Recognition, HAR) berbasis AIoT yang dirancang untuk aplikasi multiguna. Kerangka kerja ini mengintegrasikan data sensor dari perangkat IoT yang mudah dikenakan, dan diproses oleh algoritma AI untuk mengklasifikasikan dan memprediksi aktivitas manusia secara waktu nyata. Kerangka kerja ini memanfaatkan model pembelajaran mesin, khususnya teknik pembelajaran mesin, untuk menganalisis aktivitas yang kompleks. Kerangka kerja pada penelitian ini menggunakan semua IDE sumber terbuka, yang mampu mereplika dan memodifikasi. Untuk makalah ini, menggunakan contoh kerangka kerja sebagai gim praktik latihan. Idenya adalah untuk mengenali aktivitas olahraga dasar pengguna seperti bicep curl, shoulder press, dan front rise, menggunakan data accelerometer, dan kemudian mengirimkan aktivitas yang dikenali ke gim daring yang dikembangkan (pop-balloon). M5StickC Plus digunakan sebagai perangkat keras yang sudah dilengkapi dengan sensor IMU dan manajemen daya. Selain itu, juga memiliki bentuk kecil, cocok untuk aplikasi yang mudah dikenakan. Sebelum kinerja waktu nyata diambil, maka dilakukan evaluasi terhadap 5 model pembelajaran mesin yang berbeda dan untuk memilih yang optimal. Kelima model tersebut meliputi Naïve Bayes, Support Vector Machine (SVM), AdaBoost, ZeroR, dan Random Forest. Akurasi yang diberikan untuk analisis luring masing-masing adalah 97,68%, 98,97%, 41,62%, 25%, dan 100% dibandingkan model sebelumnya. Berdasarkan hasil ini, model SVM dipilih untuk implementasi waktu nyata karena mempunyai nilai optimal terbaik antara akurasi (89,67% pada pengujian waktu nyata) dan efisiensi komputasi. Hasil tesis ini diharapkan dapat memberikan kontribusi signifikan dalam penyediaan solusi inovatif untuk pengenalan aktivitas fisik yang dapat diterapkan dalam berbagai kebutuhan, termasuk bidang kesehatan, olahraga, dan rehabilitasi.
Kata kunci: Artificial Intelligence Internet of Things (AIoT), Human Activity Recognition (HAR), Mikrokontroler
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah