KLASIFIKASI JURUS TUNGGAL IPSI MENGGUNAKAN CNN-LSTM BERBASIS DATA SKELETAL

• RAFLY FAJHARY ARYANA
• 2025

---

Pencak Silat, sebagai warisan budaya dan cabang olahraga prestasi, menuntut sistem penilaian yang objektif untuk mendukung pengembangan atlet. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi sebuah sistem klasifikasi otomatis untuk 100 gerakan baku dalam kategori Jurus Tunggal IPSI menggunakan teknologi computer vision dan deep learning. Metodologi penelitian mencakup beberapa tahapan, dimulai dari pengumpulan data video sekunder, diikuti dengan pra-pemrosesan yang terdiri dari ekstraksi data skeletal 3D menggunakan MediaPipe Pose Landmarker, segmentasi per gerakan, dan normalisasi data. Model utama yang diusulkan adalah arsitektur hibrida Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM), yang dirancang untuk menangkap fitur spasial dan temporal secara simultan. Kinerja model ini dibandingkan dengan dua arsitektur baseline, yaitu CNN-Only dan LSTM-Only. Hasil pengujian pada data uji menunjukkan bahwa model hibrida CNN-LSTM mencapai akurasi klasifikasi tertinggi sebesar 99.68%, mengungguli model CNN-Only (73.44%) dan LSTM-Only (98.68%). Hasil ini mengonfirmasi hipotesis penelitian bahwa arsitektur hibrida mampu memberikan kinerja yang lebih superior. Analisis lebih lanjut mengungkapkan bahwa karakteristik spasial (postur) merupakan faktor pembeda yang paling dominan dalam klasifikasi gerakan. Penelitian ini berhasil membuktikan kelayakan penerapan deep learning untuk analisis gerak objektif dalam domain Pencak Silat dan menyediakan fondasi untuk pengembangan alat bantu latihan dan sistem penilaian yang lebih canggih di masa depan.

• Pencak Silat
• Jurus Tunggal
• Klasifikasi Gerakan
• Human Action Recognition
• CNN-LSTM
• CNN
• LTSM Deep L

https://repository.bsi.ac.id/repo/74453/KLASIFIKASI-JURUS-TUNGGAL-IPSI-MENGGUNAKAN-CNN-LSTM-BERBASIS-DATA-SKELETAL
File full-text dikunci.