digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Cover - Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Bab 1 - Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Bab 2 - Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Bab 3 - Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Bab 4 - Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Bab 5 - Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Pustaka - Adonis Thirafi Hugo Mafaza
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Penelitian di laboratorium Biomekanika ITB telah secara luas menggunakan OpenPose untuk motion capture markerless dalam analisis gait pada kecepatan 4, 6, dan 8 km/jam. Sebuah studi oleh Farian melaporkan kesalahan substansial dalam pelacakan OpenPose, dengan kesalahan posisi sendi pinggul hingga 80 mm secara horizontal dan 45 mm secara vertikal, yang mempengaruhi pengukuran sudut seperti sudut paha, kaki, dan lutut hingga 40 derajat. Kesalahan ini meningkat dengan kecepatan berjalan. Upaya Alvin Wen untuk fine-tuning OpenPose dengan data laboratorium masih menghasilkan kesalahan sebesar 17 piksel. Mengingat masalah ini, penelitian ini mengeksplorasi YOLOv7 sebagai alternatif yang mungkin lebih baik. Tesis ini membandingkan YOLOv7 dengan OpenPose dengan fokus pada akurasi sudut lutut terhadap HSV motion capture method, menggabungkan 2D-DLT camera calibration. Analisis perbandingan, berdasarkan RMSE dan Pearson correlation, menunjukkan YOLOv7 dan OpenPose memiliki perbedaan yang tidak signifikan dalam correlation 0.99 dan 0.98 tetapi perbedaan yang signifikan dalam RMSE 2.24 dan 3.30 derajat. Sebuah independent two-sample Student’s T-Test mengkonfirmasi signifikansi statistik dari perbedaan ini. Kesimpulan, YOLOv7 sedikit lebih unggul dari OpenPose dalam gait analysis, dibuktikan dengan Pearson correlation, RMSE, dan hasil t-test. Disarankan agar YOLOv7 lebih lanjut diperhalus menggunakan data laboratorium ITB, karena arsitekturnya memungkinkan untuk training yang efisien, bahkan dengan dataset yang terbatas.