Dalam penelitian sebelumnya, telah dibuat beberapa model untuk memprediksi
gaya reaksi tanah secara 3D dengan metode LSTM (Long Short-Term Memory).
Model tersebut bekerja dengan menerima data kinematika gerak yang didapatkan
dari penangkap gerak sebagai inputnya. Akan tetapi, terdapat beberapa kelemahan
pada sistem penangkap gerak yang telah dikembangkan oleh Lab Biomekanika ITB
yang diantaranya ialah gerak harus dilakukan dalam ruangan gelap dan penanda
cenderung bergoyang saat subjek bergerak. Untuk mengatasi kelemahan diatas,
metode estimasi pose manusia yang berdasar pada Deep Learning dan Computer
Vision dapat diterapkan sebagai sistem penangkap gerak tanpa penanda. Pada tahun
2020 terdapat kemajuan yang pesat saat model OpenPose dirilis karena dapat
memprediksi pose manusia secara instan meski terdapat banyak subjek dalam
gambar. Namun, telah dibuktikan bahwa OpenPose tidak memiliki akurasi yang
cukup untuk menggantikan sistem penangkap gerak tanpa penanda. Oleh sebab itu,
pada penelitian ini dilakukan fine-tuning terhadap OpenPose agar dapat
memprediksi dengan lebih akurat untuk tugas penangkapan gerak berjalan atau
berlari manusia. Namun untuk dapat melakukan fine-tuning tersebut, diperlukan
data gambar yang dapat menunjukkan subjek dan penanda dengan jelas. Lalu
dilakukan juga inpainting untuk menghilangkan penanda dari gambar subjek
sehingga didapatkan gambar subjek tanpa penanda dan posisi penanda tersebut
sebelum dihilangkan. Setelah dilakukan pelatihan ulang, ditemukan bahwa akurasi
model dinilai cukup dengan kesalahan rata-rata 17-pixel.