Perpustakaan Digital ITB

Pengenalan pola gerak merupakan salah satu aspek fundamental dalam analisis biomekanika manusia yang memiliki peran penting dalam berbagai bidang, termasuk kesehatan, rehabilitasi, dan olahraga. Dalam konteks olahraga bela diri, khususnya pada teknik tendangan, kemampuan untuk mengenali jenis gerakan serta mengevaluasi kualitas pelaksanaannya menjadi sangat krusial bagi pelatih dan atlet dalam meningkatkan performa secara objektif dan terukur. Namun demikian, proses evaluasi teknik tendangan hingga saat ini masih banyak bergantung pada pengamatan visual yang bersifat subjektif, sehingga rentan terhadap inkonsistensi dan bias penilaian. Metode analisis gerak berbasis video maupun sistem motion capture memang mampu memberikan informasi biomekanik yang akurat. Namun demikian, metode tersebut memiliki sejumlah keterbatasan, antara lain biaya yang tinggi, kompleksitas sistem, serta kebutuhan akan lingkungan laboratorium yang terkontrol. Selain itu, proses pengukuran dan analisis yang relatif rumit menyebabkan metode ini tidak praktis untuk digunakan secara mandiri oleh atlet maupun pelatih dalam kegiatan latihan sehari-hari. Kondisi ini mengakibatkan keterbatasan dalam melakukan evaluasi performa secara berkelanjutan dan berbasis data, sehingga diperlukan suatu pendekatan alternatif yang lebih sederhana, portabel, dan mudah digunakan tanpa mengurangi kualitas informasi biomekanik yang dihasilkan Seiring dengan perkembangan teknologi sensor dan komputasi, penggunaan Inertial Measurement Unit (IMU) menjadi alternatif yang menjanjikan dalam analisis gerakan manusia. Sensor IMU yang terdiri dari akselerometer dan giroskop mampu merekam percepatan linier dan kecepatan sudut tendangan secara real-time, serta memiliki keunggulan dalam hal portabilitas, biaya yang relatif rendah, dan kemudahan integrasi dalam perangkat wearable. Hal ini membuka peluang untuk melakukan analisis gerakan secara langsung di lapangan tanpa ketergantungan pada sistem optik. Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk mengembangkan sistem pendeteksian elektronik berbasis sensor IMU yang mampu mengenali pola gerakan tendangan, mengklasifikasikan jenis tendangan, serta mengevaluasi kualitas tendangan secara kuantitatif, termasuk estimasi kekuatan tendangan. Metode yang diusulkan dalam penelitian ini mengintegrasikan beberapa pendekatan analisis, yaitu pembelajaran mesin untuk klasifikasi jenis tendangan, model regresi berbasis deep learning untuk estimasi kekuatan tendangan, serta pendekatan berbasis aturan (rule-based) untuk mendeteksi kejadian dan siklus gerakan tendangan. Data yang digunakan diperoleh dari sensor IMU yang dipasang pada segmen tungkai bawah atlet, dengan parameter utama berupa percepatan dan kecepatan sudut pada tiga sumbu. Data yang direkam kemudian melalui tahapan praproses yang meliputi segmentasi, normalisasi, dan resampling untuk menghasilkan data dengan panjang yang seragam. Selanjutnya, data digunakan untuk melatih model klasifikasi menggunakan algoritma k-NN, SVM, dan Random Forest, serta model regresi berbasis \CNN untuk prediksi kekuatan tendangan. Hasil penelitian menunjukkan bahwa pendekatan berbasis IMU mampu memberikan kinerja yang baik dalam klasifikasi jenis tendangan. Algoritma SVM menunjukkan performa terbaik dengan akurasi mencapai 0,967, diikuti oleh k-NN dengan akurasi sekitar 0,924, serta Random Forest dengan akurasi sekitar 0,900. Hasil ini menunjukkan bahwa sinyal IMU mengandung informasi kinematik yang cukup untuk membedakan karakteristik berbagai jenis tendangan, seperti maegeri, shokuto, dan mawashi, yang memiliki pola percepatan dan kecepatan sudut yang berbeda. Selain itu, analisis ruang fitur menunjukkan bahwa meskipun data tidak sepenuhnya terpisah secara linear, terdapat pola distribusi yang cukup jelas untuk membedakan masing-masing jenis tendangan. Dalam hal estimasi kekuatan tendangan, model CNN berbasis sinyal deret waktu menunjukkan performa yang lebih baik dibandingkan pendekatan berbasis ekstraksi fitur konvensional. Hal ini disebabkan oleh kemampuan CNN dalam menangkap pola temporal lokal dari sinyal IMU yang bersifat nonlinier dan transient, khususnya pada fase impak tendangan. Hasil evaluasi menunjukkan bahwa model CNN memberikan performa terbaik pada data yang dipisahkan berdasarkan jenis tendangan, dengan nilai Mean Absolute Error (MAE) sebesar 7,94 kg, Root Mean Squared Error (RMSE) sebesar 9,48 kg, dan koefisien determinasi (R²) sebesar 0,615 untuk tendangan mawashi. Sebaliknya, ketika data dari berbagai jenis tendangan digabungkan, performa model menurun secara signifikan (R² mendekati nol atau negatif), yang menunjukkan bahwa estimasi kekuatan tendangan sangat bergantung pada karakteristik biomekanik spesifik dari masing-masing jenis tendangan. Temuan ini menegaskan pentingnya pendekatan movement-specific modeling, di mana klasifikasi jenis tendangan perlu dilakukan terlebih dahulu sebelum proses estimasi kekuatan. Selain itu, pendekatan berbasis aturan yang dikembangkan dalam penelitian ini mampu mendeteksi kejadian tendangan serta menentukan awal dan akhir siklus gerakan dengan tingkat kesalahan yang relatif rendah dibandingkan dengan metode berbasis video sebagai ground truth. Hasil pengujian menunjukkan nilai RMSE sekitar 0,68 dan MAE sekitar 0,63, yang mengindikasikan bahwa sistem mampu merepresentasikan dinamika temporal gerakan tendangan secara cukup akurat. Integrasi antara metode klasifikasi, estimasi kekuatan, dan deteksi siklus gerakan menghasilkan suatu kerangka analisis yang komprehensif dalam mengevaluasi performa tendangan secara objektif. Secara keseluruhan, penelitian ini menunjukkan bahwa penggunaan sensor IMU yang dikombinasikan dengan metode pembelajaran mesin dan pendekatan berbasis aturan dapat menjadi solusi yang efektif untuk analisis gerakan tendangan secara otomatis, objektif, dan real-time. Sistem yang dikembangkan tidak hanya mampu mengklasifikasikan jenis tendangan, tetapi juga mengevaluasi kualitas performa secara kuantitatif, sehingga berpotensi menjadi alat bantu yang bermanfaat dalam pelatihan atlet bela diri. Selain itu, pendekatan ini menawarkan alternatif yang lebih praktis dan portabel dibandingkan metode berbasis laboratorium, serta membuka peluang pengembangan sistem analisis gerakan berbasis wearable yang lebih efisien dan aplikatif di masa mendatang.