Analisis Teknik Pull-down Fitness menggunakan Motion

Capture

Diajukan Untuk Melengkapi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Oleh :

Ageng Setyo Nugroho

09011281419041

JURUSAN SISTEM KOMPUTER

FAKULTAS ILMU KOMPUTER

UNIVERSITAS SRIWIJAYA

2019

1
 2

BAB I
PENDAHULUAN

1.1 Latar Belakang

Olahraga adalah hal yang penting untuk kesehatan fisik dan kesehatan
psikologis manusia. Olahraga secara teratur mengurangi kemungkinan terkena
penyakit kronis, seperti penyakit jantung, diabetes, hipertensi, obesitas dan lain-
lains[1]. Melakukan olahraga seperti latihan mengangkat beban, latihan
peregangan, dan senam lantai membutuhkan pengetahuan teknik latihan yang benar
agar terhindar dari cedera.
Pull-down merupakan salah satu latihan mengangkat beban dan melatih
beberapa persedian tubuh yang melibatkan pergerakan bahu yang kompleks contoh
: sendi glenohumeral, sendi scapulothoracic, siku tangan dan di desain untuk
menambahkan kapasitas otot dari tubuh bagian atas / upper extremity dan bagian
dada / torso[2]. Latihan ini biasanya dilakukan pertama kali disaat orang baru
pertama kalinya mau membentuk tubuh menjadi ideal atau lebih berotot di tempat
fitness karena latihan ini menambahkan kapasitas otot Latissimus Dorsi[3]. Salah
satu cara untuk latihan pull-down adalah menggunakan alat fitness lat pull-down,
untuk mendapatkan hasil yang maksimal dan meminimalisir cedera bahu pada saat
latihan pull-down, harus mengikuti teknik latihan yang benar dan dipandu oleh
seorang Trainer [2][4][5].
Pada penelitian sebelumnya Haas dan tim [6], melakukan penelitian ”Kinect
based Physiotherapy system for home use”. Untuk menentukan teknik latihan nya
yang benar atau tidak nya mereka menghitung sudut antar sendi menggunakan
Aturan Kosinus dengan menggunakan nilai panjang ekstremitas/anggota tubuh.
Madanayake dan tim [4] juga pada penelitian nya menggunakan Aturan
Kosinus untuk menentukan sudut tiap sendi tubuh, dan untuk membandingkan
teknik latihan nya yang benar atau tidak.
Pada penelitian tugas akhir ini, peneliti akan membuat aplikasi analisa
teknik latihan mengangkat beban yang menggunakan alat fitness lat pull-down
aplikasi ini nantinya diharapkan dapat membantu Trainee atau orang awam yang
baru melakukan latihan mengangkat beban menggunakan lat pull-down dengan
 2

cara menganalisa teknik latihan dan memberitahu Trainee teknik yang mereka
lakukan benar atau salah.
Pada aplikasi ini dibutuhkan data latih teknik pull-down yang benar, data
latih yang digunakan adalah data latih dari Trainer dan Bodybuilder yang telah lama
latihan mengangkat beban menggunakan alat lat pull-down dan di uji teknik latihan
nya berdasarkan artikel [2].
Parameter yang digunakan adalah sudut dari siku pada saat Trainee / Trainer
menarik palang besi kebawah sampai palang mencapai titik terbawah. Untuk
mendapatkan sudut siku, berdasarkan penelitian sebelumnya [4] [6] peneliti akan
menggunakan rumus Aturan Kosinus. Nilai yang digunakan untuk mendapatkan
sudut siku yaitu Panjang Ulna, Panjang Humerus, dan Panjang jarak antara
Pergelangan Tangan dan Bahu (Resultan). Untuk mendapatkan nilai panjang dari
tulang tangan dan resultan digunakanlah panjang pixel yang didapat dari Koordinat
Pergelangan Tangan ke Koordinat Siku (Ulna), Koordinat Siku ke Koordinat Bahu
(Humerus) dan dari Koordinat Bahu ke Koordinat Pergelangan Tangan (Resultan)
dari Trainee / Trainer yang direkam menggunakan Motion Capture, lalu di konversi
ke Cm dengan teknik kalibrasi menggunakan referensi objek didekat Trainee yang
telah diketahui panjangnya yaitu berupa palang besi alat lat pull-down. Metode
Motion Capture yang digunakan menggunakan Marker yang dipasang di bagian
anggota tubuh Trainee dan Trainer yang akan diambil data sudut siku nya.
Dengan ini penulis mengusung judul “Analisis Teknik Pull-down Fitness
menggunakan Motion Capture”, yang kedepannya semoga dapat bermanfaat bagi
Trainer dan Trainee di tempat Fitness agar meminimalisir terjadinya cedera yang
diakibatkan salah teknik latihan dan latihannya bisa lebih maksimal.

1.2 Tujuan
Adapun tujuan yang hendak dicapai dari riset ini adalah:
1. Mengetahui akurasi menghitung panjang anggota tubuh menggunakan
teknik kalibrasi dengan objek referensi yang sudah diketahui panjang
nya.
2. Mengimplementasikan dan merancang sistem analisa teknik latihan
angkat beban pull-down fitness yang benar berdasarkan sudut siku.
 3

1.3 Manfaat
Adapun manfaat yang dapat diambil dari riset ini adalah:
1. Hasil dari penelitian ini dapat dimanfaatkan Trainer di tempat - tempat
fitness untuk membantu orang – orang yang masih awam latihan pull-
down untuk mendapatkan hasil latihan yang maksimal.
2. Meminimalisir terjadinya cedera dikarenakan melakukan teknik latihan
pull-down yang salah

1.4 Rumusan dan Batasan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka rumusan dan
batasan masalah yang ada pada penelitian ini adalah :

1.4.1 Perumusan Masalah

1. Bagaimana membuat sistem analisa teknik latihan pull-down yang benar
berdasarkan ekstraksi ciri koordinat citra.
2. Bagaimana cara menghitung panjang anggota tubuh menggunakan teknik
kalibrasi dengan objek referensi yang sudah diketahui panjangnya.
3. Bagaimana cara menghitung sudut pada siku manusia menggunakan
pengolahan citra.

1.4.2 Batasan Masalah

1. Latihan pull-down menggunakan alat Lat pull-down
2. Variasi teknik latihan pull-down nya yaitu menarik palang pegangan
kedekat dada
3. Variasi Grip yang digunakan yaitu Wide Grip Overhand
4. Menggunakan bahasa pemrograman Visual Studio C#
5. Menghitung panjang anggota tubuh menggunakan teknik kalibrasi dengan
objek referensi
6. Pengambilan gambar hanya dari belakang
7. Titik koordinat yang digunakan pada penelitian ini yaitu titik koordinat x
dan y
 4

8. Inputnya berupa gambar pada saat Trainee menarik palang sampai palang
mencapai titik terbawah
9. Outputnya adalah data sudut siku Trainee dan evaluasi teknik latihan
10. Cara/teknik latihan mengacu pada artikel [2]

1.5 Metodologi Penelitian

Metodologi yang akan digunakan dalam penelitian yakni:

1. Studi Pustaka / Literature

Metode ini dilakukan pembelajaran dengan cara mencari dan
mengumpulkan sumber referensi berupa literature yang terdapat pada buku,
internet, maupun jurnal ilmiah atau lainnya yang menunjang penelitian
Tugas Akhir

2. Metode Konsultasi
Pada metode ini, peneliti melakukan konsultasi kepada orang-orang yang
dianggap memiliki pengetahuan dan wawasan terhadap permasalahan yang
ditemui saat pembuatan Tugas Akhir.

3. Pembuatan perangkat lunak

Tahap ini dilakukan dengan membuat perangkat lunak yang menganalisa
teknik latihan yang sesuai dengan teori-teori yang didapat dari paper
maupun buku-buku yang diperoleh dari metode studi pustaka.

4. Metode Pengujian
Pada metode ini dilakukan pengujian / simulasi bagaimana sistem ini
bekerja yang dapat menunjang penulisan laporan ini

5. Metode Analisa dan Kesimpulan

Hasil dari pengujian pada metode pengujian kemudian dianalisa dengan
tujuan untuk mengetahui kekurangan pada hasil perancangan dan faktor
 5

penyebabnya, sehingga dapat digunakan untuk pengembangan pada

penelitian selanjutnya dan dibuat kesimpulan dari hasil penelitian.

1.6 Sistematika Penulisan

Penyusunan laporan tugas akhir ini terdiri dari beberapa bab agar
pembahasan lebih terstruktur dan spesifik, berikut rincian nya:

BAB I. PENDAHULUAN

Bab 1 berisikan penjelasan secara sistematis mengenai tema penelitian

yang diambil meliputi latar belakang, manfaat, tujuan, rumusan masalah,
batasan masalah, metodologi penulisan dan sistematika penulisan.

BAB II. TINJAUAN PUSTAKA

Bab 2 berisikan dasar teori yang berhubungan dengan penelitian mengenai

Pengolahan Citra Digital, Alat lat pull-down, Otot Latissimus Dorsi, dan
metode yang dipakai serta penelitian-penelitian pendahulu yang terkait
dengan penilitan ini

BAB III. METODOLOGI

Bab 3 berisikan tentang penjelasan secara bertahap mengenai proses

penelitian yang dilakukan. Penjelasan tersebut terdiri dari tahap-tahap
perancangan sistem dan penerapan metode penelitian.

BAB IV. HASIL DAN ANALISA

Bab 4 ini menjelaskan hasil dari pengujian yang telah dilakukan selama
penelitian tugas akhir. Dan analisa hasil dari pengujian.
 6

BAB V. KESIMPULAN DAN SARAN

Bab 5 isi nya berupa kesimpulan akhir dari penelitian. Pada bab ini juga
ada saran yang diperlukan untuk pengembangan penelitian selanjutnya
dari pengujian dan analisis tugas akhir.
 BAB II
TINJAUAN PUSTAKA

2.1 Penelitian Terdahulu

Olahraga adalah hal penting untuk kesehatan fisik dan kesehatan psikologis
manusia. Olahraga secara teratur mengurangi kemungkinan terkena penyakit
kronis, seperti penyakit jantung, diabetes, hipertensi, obesitas dan lain-lain[1].
Latihan angkat beban, yang merupakan bagian dari Latihan Aerobik adalah
komponen yang penting dalam program latihan yang seimbang[7].
Haas dan tim [6], melakukan penelitian ”Kinect based Physiotherapy system
for home use”. Di penelitian mereka, mereka membangun sebuah sistem yang
menggunakan sebuah kamera Kinect untuk mendeteksi gerakan anggota tubuh
/ekstremitas manusia. Untuk menentukan teknik latihan nya yang benar atau tidak
nya mereka menghitung panjang ekstremitas dan sudut antar sendi menggunakan
Aturan Kosinus.
Madanayake dan tim [4], di penelitian mereka juga menggunakan kamera
Kinect untuk mendeteksi pergerakan anggota tubuh manusia, mereka juga
menggunakan Aturan Kosinus untuk menentukan sudut tiap sendi tubuh, dan untuk
membandingkan teknik latihan nya yang benar atau tidak mereka membandingkan
data pola Trainee dan data pola Trainer menggunakan algoritma Dynamic Time
Warping.

2.2 Kajian Pustaka

Pada bab ini akan dijelaskan teori-teori yang terkait dengan penelitian ini
dan metode yang digunakan.

2.2.1 Motion Capture

Motion Capture adalah terminologi yang digunakan untuk mendeskripsikan
proses dari perekaman gerakan dan pengartian gerakan tersebut menjadi model
digital. Dalam Motion Capture terdapat beberapa skema yang diterapkan,

7
 8

diantaranya adalah pengaplikasian di militer, hiburan, olahraga, aplikasi medis,

robot, pembuatan dan penggerak model 3D dalam animasi, Virtual Reality,
menganalisa tingkah laku manusia (Human Behavior) dan lain lain [8][9]. Motion
Capture ini memiliki tujuan untuk menangkap posisi, gerakan, dan orientasi dari
suatu objek dalam ruang nyata kemudian merekam data data informasi yang akan
dikembangkan dalam dunia digital[10].

2.2.2 Pengolahan Citra Digital

Pengolahan citra digital adalah sebuah istilah yang umum untuk memproses
dan mengolah dan memanipulasi citra dengan banyak macam teknik. Sebuah foto
merupakan citra 2 dimensi, Foto dalam citra digital (yang berasal dari kamera
digital bukan kamera analog) dapat diolah dan menghasilkan citra modifikasi atau
manipulasi. Sebagai contoh foto yang dihasilkan oleh kamera citra digital terlihat
terlalu terang, dapat dimanipulasi agar citra dari foto tersebut menjadi gelap
ataupun sebaliknya

- Jenis Citra Digital

Pada aplikasi pengolahan citra digital, citra digital dapat dibagi menjadi 3
yaitu citra warna, citra grayscale dan citra biner

• Citra Warna
Pada citra warna, masing-masing piksel memiliki warna nya sendiri, warna
tersebut terdiri dari merah (Red), hijau (Green), biru (Blue). Masing-masing
warna memiliki range 0-255, jadi gambar memiliki variasi warna sebanyak
2553 = 16.581.375 (16K). Gambar apapun cukup menggunakan variasi warna
ini. Citra warna terdiri dari 3 matriks diwakili nilai merah, hijau dan biru pada
setiap pikselnya, seperti yang ditunjukkan gambar 2.1
 9

Gambar 2.1 Citra Warna [11]

• Citra Grayscale
Citra grayscale setiap pikselnya mempunyai gradasi warna mulai dari putih
sampai hiyam. Setiap piksel dapat diwakili oleh 8 bit. Rentang warna pada citra
grayscale sangat cocok digunakan untuk pengolahan gambar. Citra grayscale
merupakan hasil rata-rata dari Citra Warna, karena hal tersebut persamaannya
bisa dituliskan sebagai berikut

𝐼𝑅 (𝑥,𝑦)+𝐼𝐺 (𝑥,𝑦)+𝐼𝐵 (𝑥,𝑦)

𝐼𝐵𝑊 (𝑥, 𝑦) = ................................................. (1)
3

Keterangan:
𝐼𝑅 (𝑥, 𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑘𝑠𝑒𝑙 𝑀𝑒𝑟𝑎ℎ 𝑡𝑖𝑡𝑖𝑘 (𝑥, 𝑦)
𝐼𝐺 (𝑥, 𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑘𝑠𝑒𝑙 𝐻𝑖𝑗𝑎𝑢 𝑡𝑖𝑡𝑖𝑘 (𝑥, 𝑦)
𝐼𝐵 (𝑥, 𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑘𝑠𝑒𝑙 𝐵𝑖𝑟𝑢 𝑡𝑖𝑡𝑖𝑘 (𝑥, 𝑦)
𝐼𝐵𝑊 (𝑥, 𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑘𝑠𝑒𝑙 𝐺𝑟𝑎𝑦𝑠𝑐𝑎𝑙𝑒 𝑡𝑖𝑡𝑖𝑘 (𝑥, 𝑦)
 10

Gambar 2.2 Citra Grayscale [11]

• Citra Biner
Pada citra biner setiap piksel nya hanya terdiri dari warna hitam dan putih
saja, citra biner ini sangat efisien dalam hal penyimpanan, karena hanya ada
dua warna pada setiap piksel, maka diperlukan hanya 1 bit per piksel yaitu 0
dan 1 atau jika menggunakan 8 bit 0 dan 255. Citra biner merupakan hasil
pengolahan dari Citra Grayscale, dengan menggunakan fungsi dibawah ini :

0 𝐼𝐵𝑊 (𝑥, 𝑦) < 𝑇

𝐼𝐵𝑖𝑛 (𝑥, 𝑦) = { ................................................................ (2)
255 𝐼𝐵𝑊 (𝑥, 𝑦) ≥ 𝑇

Dan dalam bentuk floating point

0 𝐼𝐵𝑊 (𝑥, 𝑦) < 𝑇

𝐼𝐵𝑖𝑛 (𝑥, 𝑦) = { .................................................. (3)
1 𝐼𝐵𝑊 (𝑥, 𝑦) ≥ 𝑇

Keterangan :
𝐼𝐵𝑊 (𝑥, 𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑘𝑠𝑒𝑙 𝐺𝑟𝑎𝑦𝑠𝑐𝑎𝑙𝑒 𝑡𝑖𝑡𝑖𝑘 (𝑥, 𝑦)
𝐼𝐵𝑊 (𝑥, 𝑦) = 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑘𝑠𝑒𝑙 𝐵𝑖𝑛𝑎𝑟𝑦 𝑡𝑖𝑡𝑖𝑘 (𝑥, 𝑦)
𝑇 = 𝑛𝑖𝑙𝑎𝑖 𝑇ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑
 11

Gambar 2.3 Citra Biner [11]

2.2.3 Thresholding
Thresholding biasa disebut juga sebagai proses binerisasi, merupakan salah
satu metode yang sering dipakai pada pengolahan citra digital. Thresholding
citra merupakan metode yang digunakan untuk memisahkan antara obyek dan
background nya. Thresholding merupakan teknik sederhana dan efektif tunuk
segmentasi citra. Operasi pengenalan objek dan ekstraksi ciri biasanya
menggunakan hasil dari Thresholding [12]

𝑇 = 𝑇 [𝑥, 𝑦, 𝑝(𝑥. 𝑦), 𝑓(𝑥, 𝑦)] ........................................................ (4)

Keterangan:
T : Nilai ambang suatu citra
x,y : koordinat titik nilai ambang
P(x,y), f(x,y) : titik piksel citra keabuan

Proses rumus yang telah disebutkan tadi akan menghasilkan citra

biner seperti yang sudah disebutkan pada sub bab sebelumnya. Yaitu citra
dengan nilai keabuan yaitu putih dan hitam atau 0 dan 1
 12

2.2.4 Ekstraksi Ciri

Ekstraksi ciri adalah proses pengambilan ciri sebuah objek yang dapat
menggambarkan karakteristik dari objek tersebut[13], nilai yang diekstrak pada
penelitian tugas akhir ini akan digunakan untuk dijadikan parameter di metode K-
NN, tahap ekstraksi ciri adalah proses yang penting yang berguna untuk mengolah
data nanti, Ada beberapa metode ekstraksi ciri yaitu:Ciri Bentuk, Ciri Ukuran, Ciri
Geometri,Ciri Tekstur.
Ekstraksi fitur yang digunakan pada tugas akhir ini hanya menggunakan
ekstraksi fitur geometri. Ciri Geometri adalah salah satu ekstraksi yang memproses
sebuah citra piksel yang berasal dari data bentuk, sifat ruang, posisi dan ukuran.

2.2.5 Sensor Kamera

Kamera merupakan alat atau suatu perangkat optic yang dipakai untuk
mengambil serta menyimpan gambar. Kamera adalah alat optik, artinya alat dengan
cara kerja memanfaatkan prinsip pemantulan dan pembiasan cahaya. Kamera salah
satu bagian terpenting dalam proses pengolahana citra, karena kameralah yang
mengambil citra atau gambar.
Kamera video adalah produk teknologi digital yang inputnya berupa
frekuensi sinar menuju ke data digital elektronis. Video adalah gabungan dari
frame-frame perdetik atau biasa disingkat sebagai FPS (Frame Per Second), jumlah
jeda tiap frame tidak bisa dilihat oleh atau ditangkap oleh mata manusia normal,
karena terlalu cepat, untuk ukuran video antara 30fps sampai 240fps.
Video terbagi 2 yaitu PAL dan NTSC. PAL (Phase Alternating Line)
memiliki resolusi yang lebih bagus daripada NTSC (National Television System
Commite) tetapi PAL memiliki frame rate yang rendah dari NTSC.

Gambar 2.4 Kamera DSLR Canon 700D

 13

2.2.6 Anatomi tubuh manusia

Anatomi tubuh manusia merupakan cabang ilmu yang mempelajari struktur
tubuh manusia. Anatomi tubuh manusia tersusun dari sel, jaringan, organ dan
sistem organ dan didukung oleh sistem rangka.
Sistem rangka pada manusia adalah sebuah sistem rangka yang mendukung
tubuh manusia, sistem rangka pada manusia terdiri dari 206 tulang yang
dihubungkan oleh tendon, ligament dan tulang rawan. Tulang ini disusun oleh
kerangka aksial dan apendikular.

Gambar 2.5 Kerangka Aksial dan kerangka apendikular

Fungsi dari sistem rangka adalah bergerak, memberikan bentuk dari tubuh,
menopang tubuh, melindungi organ dalam tubuh, dan tempat melekatnya otot-otot
tubuh.
Kerangka aksial merupakan kerangka yang disusun dari 80 tulang yang ada
di sepanjang sumbu tubuh manusia. Kerangka ini terdiri dari tengkorak, tulang
telinga tengah, tulang hyoid, tulang rusuk, and tulang belakang.
 14

Kerangka apendikular terdiri dari 126 tulang yang merupakan tulang-tulang

pelengkap yang menghubungkan kerangka aksial. Kerangka apendikular terletak di
daerah tungkai atas, tungkai bawah, panggul dan bahu.
Tulang tangan, anatomi tulang pada tangan, terdiri dari tulang lengan atas
(humerus), pergelangan tangan (carpal), telapak tangan (metacarpal), dan jari-jari.
Setiap lengan tersebut melekat pada tulang belikat (scapula) yaitu tulang yang
berbentuk segitia yang besar pada bagian belakang tubuh, disudut tulang bagian
atas setiap sisi tulang rusuk.
Humerus ada dibagian atas siku manusia, dibawah siku ada dua buah tulang,
tulang tersebut adalah tulang radius dan tulang ulna. Tulang-tulang ini berbentuk
lebar pada bagian ujung dan tipis pada bagian tengah.
Di ujung jari-jari dan ulna ada delapan tulang kecil yang membentuk
pergelangan tangan manusia. Di telapak tangan ada 5 tulang. Setiap jari tangan
terdiri dari 3 ruas tulang, hanya jempol yang terdiri dari dua ruas tulang.

Gambar 2.6 Gambar anatomi tulang tangan manusia

 15

2.2.7 Pull-down
Pull-down adalah sebuah latihan beberapa persedian tubuh yang melibatkan
pergerakan bahu yang kompleks contoh : sendi glenohumeral, sendi
scapulothoracic dan siku tangan, dan di desain untuk menambahkan kapasitas otot
dari tubuh bagian atas / upper extremity dan bagian dada / torso. Latihan ini akan
memberikan keuntungan untuk atlit – atlit yang ingin meningkatkan kekuatan tubuh
bagian atas dan ketahanan. Memperkuat otot Latissimus dorsi dan Glenohumeral
akan menambah kemampuan individu untuk mentransfer gerakan antara Upper dan
lower extremities saat pergerakan seperti mengayun, melempar, dan mungkin
berlari. [2].
Hal-hal yang harus diperhatikan dan kesalahan yang biasa terjadi pada saat latihan
pull-down menggunakan alat lat pull-down dibagi menjadi 3 bagian yaitu:
1. Pada saat gerakan kebawah :
- Menghembuskan napas pada saat menarik palang kebawah dan
memposisikan palang kebagian depan tubuh sampai berada dibagian
dagu wajah
- Gerakan ini sebaiknya dilakukan selama 2 – 4 detik

Gambar 2.7 Gerakan kebawah [2]

 16

2. Pada saat gerakan keatas :

- Ambil nafas sambil mengontrol bahu dengan kuat dan rentangkan siku
saat palang naik ke posisi awal sampai siku lurus kembali
- Gerakan ini sebaiknya dilakukan selama 2 – 4 detik

Gambar 2.8 Gerakan Keatas [2]

3. Posisi tubuh :
-
Ketika dalam posisi duduk hanya boleh miring kebelakang sebesar 70o
– 80o
-
Usahakan posisi leher dan punggung dalam posisi netral pada saat
melakukan pull-down
-
Hindari mengangkat bahu bagian atas.
-
Pastikan untuk tidak memanfaatkan momentum pada saat menarik
palang kebawah.
 17

2.2.8 Rumus Aturan Kosinus

Rumus Aturan Kosinus adalah sebuah aturan yang dapat menjelaskan
hubungan antara kuadrat panjang sisi dengan nilai kosinus dari salah satu sudut
pada segitiga. Untuk mengukur benar atau tidaknya teknik pull-down salah satunya
adalah sudut dari siku subjek, dan untuk menghitung siku subjek pada penilitian ini
menggunakan aturan kosinus, berikut adalah rumus aturan kosinus yang digunakan
:

𝑎2 +𝑏2 −𝑐 2
𝛽 = 𝑎𝑐𝑜𝑠( ) .................................... (5)
2𝑎𝑏

Keterangan :
a : Panjang Humerus (AB)
b : Panjang Ulna (BC)
c : Jarak antara bahu dan pergelangan tangan

Gambar 2.9 Contoh teknik menghitung sudut siku subjek

2.2.9 Euclidean Distance

Euclidean Distance merupakan teknik menghitung jarak yang menghitung
jarak 2 titik di dalam Euclidean space. Euclid adalah seorang matematikawan yang
memperkenalkan Euclidean Space. Rumus Euclidean Distance ada hubungan
dengan Teorema Phytagoras. Rumus ini dapat diterapkan di 3 buah dimensi yaitu :
1, 2, dan 3 dimensi.
Metode Euclidean merupakan metode pencarian kedekatan nilai jarak dari
2 buah variable. Rumus 6 merupakan rumus dari Euclidean Distance 2 dimensi.
 18

𝑒𝑢𝑐𝑙𝑖𝑑𝑒𝑎𝑛 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒 (𝑑) = √(𝑥2 − 𝑥1 )2 + (𝑦2 − 𝑦1 )2 .............. (6)

2.2.10 Microsoft Visual Studio C#

Microsoft Visual Studio C# adalah sebuah perangkat lunak untuk membuat
program berbasis grafis atau Graphic User Interface (GUI) yang dibuat oleh
Microsoft Coorporation, dengan menggunakan bahasa pemrograman C#. Sejauh ini
program ini merupakan program yang paling banyak digunakan oleh programmer
membuat program untuk suatu penelitian.

2.2.11 OpenCV
OpenCV merupakan suatu library Open Source untuk berbagai program
salah satunya Computer Vision. OpenCV didesain untuk untuk berbagai aplikasi
salah satunya berbasis realtime, memiliki fungsi akuisisi yang baik dalam
menangkap suatu citra gambar ataupun citra video. OpenCV memiliki berbagai
fitur yang dapat digunakan yang diantara lain yaitu sebagai berikut.
- Manipulasi data citra
- Data struktur dinamis
- Citra dan video I/O
- Manipulasi matriks dan vector
- Pemroses citra fundamental(filtering, edge detection, corner detection,
etc.)
- Kalibrasi kamera (Calibrating patterns)
- Analisis gerakan(segmentation, tracking)
- Pengenalan objek (eigen-methods)
- Pelabelan citra (line, textdrawing)

Beberapa library OpenCV yaitu:

- CV : image processing dan vision
- ML : Machine Learning
- Highgui : GUI,image, video I/O
- CXCORE : struktur data
- Etc.
 BAB III
METODOLOGI

3.1 Pendahuluan
Metodologi yang akan digunakan dalam penelitian ini dibagi menjadi dua
bagian, yaitu perancangan perangkat keras dan perancangan perangkat lunak. Pada
bagian perancangan perangkat lunak, perangkat lunak yang digunakan adalah
Microsoft Visual Studio dengan bahasa pemrograman C# sebagai pengolah data
yang akan menghasilkan data akhir untuk tugas akhir ini. Untuk perancangan
perangkat keras yang dipakai adalah cotton wristband sebagai marker. Kamera
digunakan untuk mengakuisisi citra objek kemudian diteruskan ke perangkat lunak
untuk masuk ke bagian pengolahan data. Marker digunakan untuk memberikan
identitas koordinat-koordinat agar dapat diolah perangkat lunak untuk membuat
pola.

3.2 Kerangka Kerja

Pada pembuatan tugas akhir ini dibutuhkan kerangka kerja yang terstruktur
untuk mendapatkan hasil yang sesuai, yaitu meliputi tahapan-tahapan perancangan
perangkat lunak. Pada perancangan perangkat lunak menghitung sudut siku, supaya
dapat mengenali pola teknik pull-down yang benar, meliputi tahap : akuisisi citra,
kalibrasi pixel per cm, memberi tanda pada setiap marker, menghitung panjang
pixel tulang tangan dan resultan, konversi pixel ke cm, menghitung sudut siku lalu
validasi data. Tahap selanjutnya yaitu mengambil data latih dari Trainer yang
nantinya akan menjadi acuan, lalu merancang algoritma berdasarkan data latih dari
Trainer yang teknik latihan nya sudah benar, kemudian menguji perangkat lunak
analisis teknik pull-down.Tahap akhir nya adalah menganalisa perangkat lunak
analisis teknik pull-down. Tahap terakhir yaitu menarik kesimpulan terhadap apa
yang telah dilakukan pada Tugas Akhir ini. Kerangka kerja yang digunakan dapat
dilihat pada gambar 3.1 :

19
 20

Gambar 3.1 Kerangka kerja

3.3 Perancangan Perangkat Lunak menghitung sudut sendi

Perancangan perangkat lunak menghitung sudut sendi ini perannya untuk
menghitung sudut dari Trainer dan Traine, perangkat lunak ini belum bisa
menganalisa teknik latihan pull-down yang benar. Diagram alir perangkat lunak ini
dapat dilihat pada gambar 3.2:
 21

Gambar 3.2 Diagram alir perangkat lunak menghitung sudut siku

3.3.1 Input Gambar atau Video

Gambar yang digunakan pada penelitian ini merupakan hasil citra yang
diambil dahulu menggunakan Kamera, lalu di input ke perangkat lunak. Pada tahap
pengambilan sudut Trainer, gambar yang diambil adalah pada saat palang besi
ditarik kebawah mencapai dagu atau dada bagian atas.
Sebelum pengambilan gambar Trainer atau Trainee dipasangkan marker
terlebih dahulu. Marker yang digunakan berukuran 6cm x 4cm. Kamera yang
 22

digunakan adalah kamera DSLR Canon EOS 700D dengan resolusi 1920x1080
pixel. Objek yang digunakan sebagai objek referensi adalah palang besi alat lat pull-
down yang panjangnya 100 Cm. Untuk peletakan kamera yaitu di belakang Trainee
atau Trainer dengan jarak 320 Cm dan dengan menggunakan tripod yang tinggi nya
66 Cm. Posisi lensa kamera 90° menghadap subjek, dibuktikan dengan waterpass
yang ada pada tripod dan berhadapan lurus dengan Trainee atau Trainer.

3.3.2 Kalibrasi Pixel per Cm

Untuk mengukur panjang tulang tangan dan resultan pada gambar yang
telah diambil, pada penelitian ini menggunakan objek referensi yang sudah
diketahui panjangnya dan objek referensi harus berada didalam gambar, untuk
menghitung Pixel per Cm perlu diketahui dulu panjang pixel objek referensi dengan
cara memberi tanda panjang objek referensi, Panjang pixel objek referensi
didapatkan menggunakan rumus euclidean distance:

𝑒𝑢𝑐𝑙𝑖𝑑𝑒𝑎𝑛 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒 (𝑑) = √(𝑥2 − 𝑥1 )2 + (𝑦2 − 𝑦1 )2 ...........(6)

Setelah mendapatkan panjang pixel objek barulah kita dapat menghitung

pixel per cm menggunakan rumus 7 :

𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝑃𝑖𝑥𝑒𝑙 𝑂𝑏𝑗𝑒𝑘

𝑃𝑖𝑥𝑒𝑙 𝑝𝑒𝑟 𝑐𝑚 = .......................... (7)
𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝐴𝑠𝑙𝑖 𝑂𝑏𝑗𝑒𝑘

Pseudocode menghitung pixel per cm

Deklarasi :
x1, x2 ,y1 ,y2 ,x ,y , ppm ← double
objek ← 100;
Deskripsi :
Input (x1, y1)
Input (x2, y2)
x ← math.pow(x1-x2);
y ←math.pow(y1-y2);
d ← math.sqrt(x +y);
ppm ← (d / objek);
Print (ppm);

Gambar 3.3 Pseucode menghitung pixel per cm

 23

3.3.3 Menghitung panjang tulang tangan

Panjang tulang tangan dan resultan dibutuhkan untuk menghitung sudut
siku. Untuk menghitung panjang tulang tangan dan resultan dapat menggunakan
Rumus 8, caranya yaitu membagi panjang pixel tulang tangan dan resultan dengan
nilai skala pixel per cm yang sudah kita hitung pada proses sebelumnya,:

𝑝𝑎𝑛𝑗𝑎𝑛𝑔 𝑝𝑖𝑥𝑒𝑙
𝑃𝑎𝑛𝑗𝑎𝑛𝑔 = 𝑝𝑖𝑥𝑒𝑙 𝑝𝑒𝑟 𝑐𝑚
.................................... (8)

Pseudocode menghitung panjang anggota tubuh

Deklarasi :
x1, x2, y1, y2 ← double
x, y ← double
panjangpixel, ppm, hasil ← double

Deskripsi :
Input (x1, y1);
Input (x2, y2);
Input (ppm);
x ← math.pow(x1-x2);
y ←math.pow(y1-y2);

panjangpixel ← math.sqrt(x + y);

hasil ← (panjangpixel / ppm);
print (hasil)

Gambar 3.4 Pseucode menghitung panjang tulang tangan dan resultan

3.3.4 Menghitung sudut siku

Untuk mendapatkan nilai sudut siku pada penilitian ini menggunakan
Rumus Aturan Kosinus, berdasarkan penelitian sebelumnya [6][4] pada ke dua
penelitian tersebut mereka menggunakan Rumus Aturan Kosinus untuk
mendapatkan nilai sudut sendi tulang tangan.
Pada penilitian ini nilai yang dibutuhkan Rumus Aturan Kosinus untuk
mendapatkan nilai sudut siku adalah panjang Humerus, panjang Ulna dan panjang
 24

jarak antara Bahu dan Pergelangan tangan, Rumus 5 adalah Rumus Aturan Kosinus
yang digunakan:

𝑎2 +𝑏2 −𝑐 2
𝛽 = acos( ) ...................... (5)
2𝑎𝑏
Keterangan :
a = panjang Humerus
b = panjang Ulna
c = panjang jarak antara Bahu dan Pergelangan tangan
β = sudut siku

Penghitungan sudut siku dapat digambarkan pada gambar 3.5 :

Gambar 3.5 Rumus Aturan Kosinus

Pseudocode menghitung sudut siku

Deklarasi:

a, b, c, d, hasil, sudut ←double

Deskripsi:

Input (a, b, c);

d ← (b * b) + (a * a) – (c *c);

hasil ← d / (2 * a * b );

sudut ← Math.Acos(hasil) * (180 / Math.PI);

print (sudut);

Gambar 3.6 Pseucode Menghitung sudut siku

 25

3.4 Pengujian Perangkat Lunak menghitung sudut siku

Pengujian ini dilakukan untuk mengetahui tingkat keberhasilan dari
perangkat lunak menghitung sudut siku. Progam hitung sudut siku dapat dilihat
pada gambar 3.7. Dalam perancangan program, pada penelitian ini menggunakan
Perangkat Lunak Microsoft Visual Studio 2010 yang menggunakan Bahasa
Pemrograman C#.
Yang akan dilakukan pada tahap pengujian perangkat lunak adalah apakah
perangkat lunak berhasil menghitung sudut siku manusia.

Gambar 3.7 Program Hitung Sudut Siku

3.5 Pengambilan data sudut siku Trainer

Pada tahap ini peneliti akan mengambil gambar Trainer pada saat Trainer
melakukan latihan mengangkat beban menggunakan alat lat pull-down.

Gambar 3.8 Diagram alir pengambilan data sudut siku Trainer

 26

Cara mengambil gambar sama seperti yang dijelaskan pada sub bab 3.3.1.
Setelah itu gambar Trainer ini diambil data sudut sikunya menggunakan perangkat
lunak hitung sudut siku. s

3.6 Perancangan Algoritma

Perancangan algoritma pada tahap ini akan dilakukan dengan cara menguji
gambar dan data Trainer yang sudah diambil pada tahap sebelumnya dengan teknik
yang benar, teknik yang benar ini dijelaskan pada sub bab 2.2.7. salah satunya
adalah posisi palang berada di dagu wajah.
Beberapa data sudut siku Trainer yang teknik nya telah dianggap benar
akan dijadikan data latih, dengan cara mencari nilai standar deviasinya dan
dijadikan perbandingan pada saat menguji data Trainee.

3.7 Pengujian perangkat lunak analisa teknik pull-down

Pada tahap ini perangkat lunak akan diuji, yang akan dilakukan pada tahap
ini adalah apakah perangkat lunak dapat mengklasifikasikan teknik pull-down
yang palang besi nya melewati dagu, di dagu atau tidak melewati dagu.

3.8 Validasi dan Analisa Sistem

Hasil dari pengujian akhir tahapan sebelumnya akan diambil datanya dan
akan divalidasi. Kemudian yang akan dilakukan adalah analisa tingkat keakuratan
dari panjang resultan, panjang tulang tangan manusia dan sudut siku yang dihitung
dari perangkat lunak di penilitian tugas akhir ini.
Hal ini bertujuan untuk mengetahui kelebihan dan kekurangan dari hasil
perancangan sistem ini serta mengetahui faktor-faktor yang mempengaruhi tingkat
keakuratan perhitungan panjang resultan dan panjang tulang tangan pada manusia
yang bersangkutan.

3.9 Penarikan kesimpulan dan saran

Penarikan kesimpulan dan saran didapatkan dengan cara menganalisa dari
data yang sudah diambil. Kemudian dari hasil kesimpulan tersebut didapatkan lah
saran-saran untuk memperbaiki serta mengembangkan penelitian ini, dimasa yang
akan datang.
 27

BAB IV
HASIL DAN ANALISA

4.1 Pendahuluan
Pada bab ini berisi tentang pengujian terhadap sistem yang telah dibuat.
Pengujian dilakukan kepada setiap perancangan sistem yang telah dibuat seperti
yang dijabarkan pada bab III. Pengujian pada bab ini dilakukan untuk mengetahui
kekurangan dari sistem yang telah dibangun untuk penelitian yang akan datang.
Pengujian saat ini hanya menguji perhitungan panjang tulang tangan, panjang
resultan dan sudut siku yang dihitung oleh perangkat lunak.

4.2 Experimental Set-up

Sebelum dilakukan proses pengolahan citra, perlu dilakukan experimental
set-up, experimental set-up adalah pengaturan yang disiapkan sebelum melakukan
percobaan.
Pada penelitian ini penguji menggunakan 2 pengaturan experimental set-up
yaitu pada saat pengujian perangkat lunak dan pengambilan sudut Trainer.
Experimental Set-Up yang pertama pada saat pengujian perangkat lunak yaitu :

1. Kamera yang digunakan Kamera Smartphone ASUS Max Pro M1

2. Resolusi gambar 1280 x 720
3. Resolusi gambar akan diresize menjadi 640 x 360 agar dapat
ditampilkan di perangkat lunak
4. Jarak antara Trainee dan Kamera adalah 70 cm.
5. Dengan menggunakan tripod yang tingginya 60cm.
6. Posisi lensa kamera 90° menghadap subjek dibuktikan dengan
waterpass.
7. Objek referensi yang digunakan adalah selotip dengan panjang 12 cm
 28

Gambar 4.1. Merupakan gambar tinggi tripod pada Experimental Set-Up

yang pertama

Gambar 4.1 Tinggi tripod

Gambar 4.2. Merupakan gambar sudut lensa pada Experimental Set-Up
yang pertama

Gambar 4.2 Waterpass di tripod

 29

Experimental Set-Up yang kedua pada saat pengambilan sudut Trainer yaitu :

1. Kamera yang digunakan Kamera Canon DSLR 700D

2. Resolusi gambar 1920 x 1080
3. Resolusi gambar akan diresize menjadi 640 x 360 agar dapat
ditampilkan di perangkat lunak
4. Jarak antara Trainer dan Kamera adalah 320 cm.
5. Dengan menggunakan tripod yang tingginya 60cm.
6. Posisi lensa kamera 90° menghadap subjek dibuktikan dengan
waterpass.
7. Objek referensi yang digunakan adalah palang besi dengan panjang 100
cm

Gambar 4.3. Merupakan gambar tinggi tripod pada Experimental Set-Up

yang kedua

Gambar 4.3 Tinggi tripod

 30

Gambar 4.4. Merupakan gambar sudut lensa pada Experimental Set-Up

yang kedua

Gambar 4.4 Waterpass di tripod

4.3 Pengujian memberi tanda pada marker

Pada pengujian memberi tanda pada marker ini dilakukan untuk
mendapatkan titik koordinat pada marker dengan cara meng-klik marker
menggunakan inputan mouse. Koordinat ini nanti akan dihitung menggunakan
rumus Ecludiean Distance untuk mendapatkan panjang pixel pada bagian tulang
tangan dan resultan.

Gambar 4.5 adalah gambar yang belum diberi tanda pada markernya
 31

Gambar 4.5 Gambar yang markernya belum diberi tanda

Dan kemudian gambar ini diberi tanda pada masing-masing markernya,

ditunjukkan oleh gambar 4.6

Gambar 4.6 Gambar yang markernya sudah diberi tanda

4.4 Pengujian menghitung panjang tulang tangan dan resultan

Pada pengujian ini dilakukan apakah perangkat lunak dapat menghitung
panjang tulang tangan dan resultan. Setelah melakukan ekstraksi fitur, dan
mendapatkan fitur geometri pada tulang tangan dan resultan, akan ditarik garis
sesuai pola tulang tangan yaitu :
- Bahu ke Siku (Tulang Humerus)
- Siku ke Pergelangan Tangan (Tulang Ulna)
 32

Sehingga membentuk pola seperti pada gambar 4.7 Lalu tulang tangan dan
resultan ini akan dihitung panjangnya dengan menggunakan perbandingan skala
pixel per cm. Pertama-tama dihitung dahulu panjang pixel menggunakan rumus
Euclidean Distance. Untuk menghitung panjang pixel dibutuhkan titik-titik
koordinat dari tulang tangan.

Gambar 4.7 Koordinat tulang tangan pada software

Tabel 1. Berisikan data koordinat dari tulang tangan yang sudah direkam
menggunakan perangkat lunak

Tabel 1 Koordinat tulang tangan

Koordinat X Y
Bahu 144 173
Siku 322 186
Pergelangan tangan 478 194

Setelah koordinat didapatkan, selanjutnya menghitung panjang pixel

tulang tangan menggunakan rumus Euclidean Distance:

178.47 = √( 144 − 322 )2 + ( 173 − 186 )2

 33

Gambar 4.8 merupakan gambar yang berisi panjang pixel tulang tangan dan
resultan pada perangkat lunak.

Gambar 4.8 Panjang Pixel tulang tangan dan resultan pada software

Tabel 2. Merupakan panjang pixel yang dihitung oleh perangkat lunak

menghitung sudut siku.

Tabel 2 Panjang Pixel tulang tangan dan resultan

Objek Panjang Pixel

Tulang Humerus 178.47
Tulang Ulna 156.2
Resultan 334.66

Kemudian untuk merubahnya menjadi satuan cm, panjang pixel yang

didapatkan pada tahap sebelumnya, dibagi dengan skala pada saat kalibrasi
menggunakan rumus 9. Objek referensi pada pengujian saat ini adalah Selotip yang
panjang nya 12 cm.
Gambar 4.9 merupakan gambar yang berisi panjang pixel tulang tangan dan
resultan pada perangkat lunak
 34

Gambar 4. 9 Panjang tulang tangan dan resultan di software

Tabel 3. Merupakan panjang tulang tangan dan resultan yang telah dihitung
menggunakan perangkat lunak menghitung sudut siku.

Tabel 3 Panjang tulang tangan dan resultan

No Objek Panjang

1 Tulang Humerus 27.8 Cm

2 Tulang Ulna 24.3 Cm

3 Resultan 52.1 Cm
 35

4.5 Pengujian menghitung sudut siku

Setelah panjang tulang tangan dan Resultan diketahui, maka dapat dihitung
sudut sikunya dengan menggunakan rumus 6, yaitu rumus Aturan Kosinus :

27.82 +24.32 −52.12

𝛽 = 𝑐𝑜𝑠 −1 ( )
2 ( 27.8 ∗24.3)
−1351.08
𝛽 = 𝑐𝑜𝑠 −1 ( )
1351.08

𝛽 = 𝑐𝑜𝑠 −1 (−1)
𝛽 = 180
Gambar 4.10 merupakan hasil perhitungan sudut pada perangkat lunak

Gambar 4.10 Sudut Siku

4.6 Pengujian Perangkat Lunak Menghitung Sudut

Pada tahap ini peneliti akan menguji perangkat lunak menghitung sudut,
untuk mengetahui perbandingan hasil hitung dari perangkat lunak dengan objek asli
nya. Sudut siku pada manusia asli yang digunakan adalah 180°, 90° dan 55°. Objek
referensi yang digunakan pada pengujian ini adalah selotip sepanjang 12 cm.
 36

1. Pengujian 1
Gambar 4.12 menampilkan hasil dari pengujian sudut 180° di
Perangkat Lunak

Gambar 4.11 Sudut 180°

Gambar 4.12 Sudut 180° di Perangkat Lunak

 37

2. Pengujian 2
Gambar 4.14 menampilkan hasil dari pengujian sudut 90° di
Perangkat Lunak

Gambar 4.13 Sudut 90°

Gambar 4.14 Sudut 90° di Perangkat Lunak

 38

3. Pengujian 3
Gambar 4.16 menampilkan hasil dari pengujian sudut 55° di
Perangkat Lunak

Gambar 4.15 Sudut 55°

Gambar 4.16 Sudut 55° di Perangkat Lunak

 39

4.7 Validasi data perangkat lunak menghitung sudut siku

Data panjang tulang tangan, panjang resultan dan sudut siku yang sudah
didapatkan dari perangkat lunak akan dibandingkan dengan yang asli untuk
mendapatkan nilai selisih yang menjadi suatu tingkat keberhasilan dalam
perancangan perangkat lunak yang telah dibuat.
Panjang resultan asli tidak diukur menggunakan penggaris, tetapi dihitung
menggunakan rumus Aturan Kosinus menggunakan nilai dari data panjang tulang
tangan dan sudut siku Trainee.

Tabel 4. Merupakan data panjang tulang tangan dari Trainee.

Tabel 4 Panjang tulang tangan Trainee

No Tulang Panjang
1 Humerus 27 Cm
2 Ulna 25 Cm

Tabel 5. Merupakan data panjang resultan dan sudut.

Tabel 5 Panjang Resultan

No Sudut (°) Resultan (cm)

1 180 52
2 90 36.8
3 55 24.1

Tabel 6. Panjang tulang tangan yang telah dihitung perangkat lunak .

Tabel 6 Panjang Objek di Perangkat Lunak

Pengujian Panjang Objek (Cm)

Humerus Ulna
1 27.8 24.3
2 25.5 22.6
3 23.6 22
Rata-rata 25.6 23
 40

Tabel 7. Merupakan sudut siku dan panjang resultan yang telah dihitung

oleh perangkat lunak.

Tabel 7 Sudut Siku dan Panjang Resultan di Perangkat Lunak

Pengujian Sudut Siku (°) Resultan (cm)

1 180 52.1
2 90 34
3 52.41 20.2

Tabel 8. Merupakan hasil perbandingan selisih panjang tulang tangan pada

perangkat lunak dengan panjang tulang tangan objek asli.

Tabel 8 Selisih Panjang Tulang Tangan

Objek Panjang Objek (Cm)

Asli Program Selisih
Humerus 27 25.6 1.4
Ulna 25 23 2
Rata-Rata Selisih 1.7

Tabel 9. Hasil perbandingan selisih sudut siku pada perangkat lunak dan
pada sudut siku asli.

Tabel 9 Selisih Sudut Siku

Pengujian Sudut Siku (°) Resultan (Cm)

Asli Program Selisih Asli Program Selisih
1 180 180 0 52 52.1 0.1
2 90 90 0 36.8 34 2.8
3 55 52.41 2.6 24.1 20.2 3.9
Rata-Rata Selisih 0.9 Rata-Rata Selisih 2.3
 41

Dari pengujian data, didapatkanlah selisih panjang tulang tangan, selisih

sudut siku dan selisih panjang resultan adalah 1.7 cm, 0.9° dan 2.3 cm.

Perancangan perangkat lunak menghitung sudut siku berdasarkan pengujian

pada sub bab 4.1 telah mendekati sudut siku asli deng an selisih 0.9°, sehingga
perangkat lunak ini dapat digunakan untuk mengambil data Trainer yang nantinya
akan digunakan sebagai data latih untuk perancangan algoritma perangkat lunak
analisis teknik pull-down.

4.8 Perancangan Algoritma

Pada tahap ini akan menentukan Standar Deviasi sudut siku saat palang besi
mencapai dagu, tidak melewati dagu dan melewati dagu, bedasarkan penelitian
sebelumnya[2] salah satu teknik pull-down yang benar pada saat melakukan
gerakan kebawah adalah pada saat palang besi mencapai dagu.

Tabel 10. Merupakan data dari trainer yang diambil menggunakan

perangkat lunak menghitung sudut.
Tabel 10 Data Trainer

Data Gambar Sudut Palang Besi

No Siku
1 50° Tidak Melewati Dagu

2 50° Tidak Melewati Dagu

3 50° Tidak Melewati Dagu

 42

4 47° Tidak Melewati Dagu

5 46° Tidak Melewati Dagu

6 46° Tidak Melewati Dagu

7 55° Di Dagu

8 55° Di Dagu

9 51° Di Dagu

10 54° Di Dagu

11 55° Di Dagu
 43

12 53° Di Dagu

13 51° Di Dagu

14 59° Di Dagu

15 59° Di Dagu

16 58° Di Dagu

17 55° Di Dagu

18 55° Di Dagu
 44

19 57° Di Dagu

20 59° Di Dagu

21 56 Di Dagu

22 55° Di Dagu

23 59° Di Dagu

24 59° Di Dagu

25 59° Di Dagu
 45

26 60° Di Dagu

27 58° Di Dagu

28 59° Di Dagu

29 55° Di Dagu

30 66° Melewati Dagu

31 70° Melewati Dagu

 46

32 66° Melewati Dagu

33 75° Melewati Dagu

34 74° Melewati Dagu

Berdasarkan data pada tabel 10, dihitunglah nilai standar deviasi sudut siku
Trainer :

Rumus Standar Deviasi : ..................................... (9)

𝑋𝑖 = 1933.58

𝑋𝑖
x̄ =
n

1933.58
x̄ =
34

x̄ = 56.87
 47

Tabel 11 Data Sudut yang sudah diurutkan nilainya

Sudut (Xi - x̄)2 Sudut (Xi - x̄)2

46 153.02 56 5.15
46 133.86 57 1.72
47 116.21 58 0.00
50 59.75 58 0.00
50 63.04 59 0.53
50 63.04 59 0.53
51 48.16 59 0.53
51 48.86 59 0.53
53 23.14 59 0.53
54 16.81 59 1.96
55 11.49 59 1.96
55 11.49 60 4.24
55 11.49 66 61.78
55 7.24 66 61.78
55 7.24 70 148.35
55 7.24 74 249.64
55 7.24 75 288.66
𝑇𝑜𝑡𝑎𝑙 (Xi − x̄ )2 = 1617.23

1617.23
𝑠=√
33

𝑠=7

Keterangan :
Xi : Jumlah Total Sudut

X̄ : Mean
n : Jumlah Data
Setelah mendapatkan nilai standar deviasi, Gambar 4.17 adalah grafik
distribusi normalnya.
 48

Gambar 4.17 Grafik Distribusi Normal Sudut Siku Trainer

Nilai sudut siku yang benar saat melakukan pull-down, menurut grafik
distribusi normal adalah 56.87° ± 7°

4.9 Pengujian perangkat lunak analisa teknik pull-down

Pada pengujian kali ini, program akan diuji dengan menggunakan beberapa
skenario yaitu kondisi pada saat melewati dagu, saat di dagu dan tidak melewati
dagu dengan data Trainee.

Dengan menghitung akurasi menggunakan persamaan no 10.

𝐻𝑎𝑠𝑖𝑙 𝑃𝑟𝑜𝑔𝑟𝑎𝑚 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = X 100% .............. (10)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛

Tabel 12 Tabel pengujian

No Program Asli Status

1 Melewati Benar
Dagu
 49

2 Di Dagu Benar

3 Tidak Salah
Melewati
Dagu

4 Melewati Benar
Dagu
 50

5 Di Dagu Benar

6 Tidak Salah
Melewati
Dagu

7 Melewati Benar
Dagu
 51

8 Di Dagu Benar

9 Tidak Benar
Melewati
Dagu

Nilai akurasi yang didapat dari pengujian diatas adalah sebesar 77%.
Terdapat nilai error sebesar 33%, itu disebabkan karena posisi pegangan tangan
Trainee terlalu melebar pada saat melakukan gerakan kebawah.

Akurasi atau ketepatan pada saat mengklik tanda marker sangat

mempengaruhi dalam mengambil data koordinat jika pada saat mengklik tanda
marker tidak tepat ditengah tanda marker maka data akan tidak terlalu akurat, oleh
karena itu ketepatan pada saat mengklik tanda marker harus berhati hati agar
perhitungan data lebih baik.

Dalam metode ini hanya menggunakan sumbu x dan sumbu y saja, yang
berarti kemungkinan yang terjadi pada marker dalam masuk dalam sumbu z
diabaikan dalam perhitungan data, oleh karena itu harus berhati hati dalam
melakukan pergerakan agar perhitungan data menjadi lebih baik lagi
 52

BAB V
KESIMPULAN DAN SARAN

5.1 KESIMPULAN
Setelah dilakukan pengujian dan analisa terhadap menghitung sudut siku
pada manusia menggunakan objek referensi, maka didapat kesimpulan sementara
sebagai berikut :

1. Dikarenakan metode ini perhitungan datanya hanya menggunakan

koordinat x dan y, ketika koordinat z tiap objeknya tidak sama maka
tingkat akurasi nya akan berkurang.
2. Ketepatan pada saat mengklik tanda marker sangat mempengaruhi hasil
panjang tulang tangan dan besar sudut.
3. Besarnya resolusi citra sangat mempengaruhi tingkat akurasi
perhitungan panjang tulang tangan.
4. Dengan nilai akurasi sebesar 77%, aplikasi ini dapat digunakan Trainer
di tempat - tempat fitness untuk membantu orang – orang yang masih
awam latihan pull-down untuk mendapatkan hasil latihan yang
maksimal.

5.2 SARAN

Dari penelitian yang telah dilakukan , maka untuk kepentingan

pengembangan riset selanjutnya disarankan beberapa hal diantara lain :

1. Panjang tulang humerus dan ulna setiap manusia berbeda-beda sehingga

dapat menghasilkan sudut yang berbeda pula, oleh karena itu
dibutuhkan data yang lebih banyak dari setiap ras jenis kelamin dan
umur manusia.
2. Pada penelitian ini disarankan untuk menambahkan metode yang dapat
mendapatkan fitur ekstraksi ciri koordinat secara otomatis tanpa harus
klik marker.
 DAFTAR PUSTAKA

[1] S. Halder, P. Agarwal, and S. P. Srivastava, “Tracking Free-Weight

Exercises Keng-hao,” 2015 2nd Int. Conf. Recent Adv. Eng. Comput. Sci.
RAECS 2015, pp. 19–37, 2016.

[2] R. Snarr and R. Eckert, “A Comparative Analysis and Technique of the Lat
Pull-down,” 2015.

[3] S. Sperandei, M. A.P. Barros, P. C.S. Silveira-Junior, and C. G. Oliveira,

“ELECTROMYOGRAPHIC ANALYSIS OF THREE DIFFERENT
TYPES OF LAT PULL-DOWN,” vol. 23, no. 7, pp. 2033–2038, 2009.

[4] P. S. Madanayake, W. A. D. K. Wickramasinghe, H. P. Liyanarachchi, H.

M. D. M. Herath, A. Karunasena, and T. D. Perera, “Fitness Mate:
Intelligent workout assistant using motion detection,” 2016 IEEE Int. Conf.
Inf. Autom. Sustain. Interoper. Sustain. Smart Syst. Next Gener. ICIAfS
2016, 2017.

[5] C. J. Durall, R. C. Manske, and G. J. Davies, “Avoiding Shoulder Injury

From Resistance Training,” Strength Cond. J., vol. 23, no. 5, p. 10, 2001.

[6] D. Haas, S. Phommahavong, J. Yu, S. Krüger-Ziolek, K. Möller, and J.

Kretschmer, “Kinect based physiotherapy system for home use,” Curr. Dir.
Biomed. Eng., vol. 1, no. 1, pp. 180–183, 2015.

[7] B. Ainsworth, “President ’ S Council P Hysical F Itness & S Ports,” vol. 4,

no. 1, pp. 1956–2006, 2006.

[8] M. Jumpei, O. Masakazu, Y. Kaori, and S. Enginnering, “Development of

Motion Capture System using Multiple Kinects,” 2016.

[9] T. B. Moeslund and E. Granum, “A survey of computer vision-based

human motion capture,” Comput. Vis. Image Underst., vol. 81, no. 3, pp.
231–268, 2001.

[10] A. Shafaei and J. J. Little, “Real-Time Human Motion Capture with

53
 Multiple Depth Cameras,” 2016.

[11] A. Mcandrew, “An Introduction to Digital Image Processing with Matlab,”

2004.

[12] M. H. Fauzi et al., “Implementasi Thresholding Citra Menggunakan

Algoritma Hybrid Optimal Estimation,” Teknol. Inf., 2010.

[13] D. Satria and Mushthofa, “Perbandingan Metode Ekstraksi Ciri Histogram

dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun
Freycinetia,” J. Ilmu Konputer Agri-Informatika, vol. 2, pp. 20–28, 2013.