IDENTIFIKASI KESEHATAN POSTUR DUDUK DALAM HUMAN POSE ESTIMATION MENGGUNAKAN PART AFFINITY FIELDS DAN CONFIDENCE MAPS
Postur duduk yang buruk akibat penggunaan komputer dalam waktu lama dapat menyebabkan nyeri punggung dan ketegangan leher. Penelitian ini merancang sistem klasifikasi kesehatan postur duduk menggunakan pendekatan dua tahap. Tahap pertama adalah ekstraksi kerangka tubuh menggunakan Human Pose Estimation (HPE) dengan arsitektur OpenPose yang memanfaatkan VGG-19 sebagai backbone untuk ekstraksi fitur visual. Tahap kedua adalah klasifikasi postur menjadi kelas ‘sehat’ atau ‘tidak sehat’ menggunakan Support Vector Machine (SVM) berdasarkan fitur ergonomis yang dihitung dari 9 keypoint tubuh. Sistem diuji pada 2100 citra dari dua sudut pandang berbeda. Hasil penelitian menunjukkan bahwa sudut pandang sangat memengaruhi performa identifikasi dari sisi samping terbukti sangat efektif dengan akurasi 89,74%, sementara deteksi dari sisi depan tidak akurat (akurasi 57%).
Detail Information
Citation
APA Style
. (2025).IDENTIFIKASI KESEHATAN POSTUR DUDUK DALAM HUMAN POSE ESTIMATION MENGGUNAKAN PART AFFINITY FIELDS DAN CONFIDENCE MAPS ().Teknik Informatika:FTI
Chicago Style
.IDENTIFIKASI KESEHATAN POSTUR DUDUK DALAM HUMAN POSE ESTIMATION MENGGUNAKAN PART AFFINITY FIELDS DAN CONFIDENCE MAPS ().Teknik Informatika:FTI,2025.Text
MLA Style
.IDENTIFIKASI KESEHATAN POSTUR DUDUK DALAM HUMAN POSE ESTIMATION MENGGUNAKAN PART AFFINITY FIELDS DAN CONFIDENCE MAPS ().Teknik Informatika:FTI,2025.Text
Turabian Style
.IDENTIFIKASI KESEHATAN POSTUR DUDUK DALAM HUMAN POSE ESTIMATION MENGGUNAKAN PART AFFINITY FIELDS DAN CONFIDENCE MAPS ().Teknik Informatika:FTI,2025.Text