Pengembangan Arsitektur VGG16 dan DCNN7 pada Convolutional Neural Network dalam Melakukan Klasifikasi Pose Yoga

Abstract

Yoga merupakan olahraga yang sangat populer khususnya bagi kalangan wanita yang menginginkan bentuk tubuh yang sehat dan ideal. Yoga dapat dilakukan oleh siapapun baik pria maupun wanita dengan cara mengikuti beberapa pose tertentu yang berguna untuk meregangkan otot dalam tubuh dan memperbaiki postur tubuh. Pose merupakan salah satu hal utama dari yoga. Pose dalam yoga sangat beragam hingga bahkan banyak orang yang bingung dan akhirnya melakukan pose yoga yang tidak sesuai. Jika pose yang dilakukan tidak benar, yoga akan menjadi tidak efektif untuk dilakukan. Bahkan pada kasus parah, pose yang salah dapat menyebabkan cedera yang cukup serius. Akan cukup sulit untuk mengetahui pose yang salah jika tidak dilakukan oleh seorang profesional. Tetapi tidak semua orang memiliki keberanian dan rasa percaya diri untuk dilatih seorang profesional khususnya bagi orang-orang yang melakukan yoga secara mandiri di rumah. Pada penelitian ini, kami melakukan klasifikasi pose yoga dengan menggunakan Convolutional Neural Network yaitu salah satu metode klasifikasi gambar state of the art. 3 arsitektur utama yang akan digunakan adalah VGG-16, ResNet50 , dan DCNN-7 yang merupakan arsitektur paling populer dalam melakukan image classification. 2 arsitektur lain yang akan digunakan merupakan hasil rancangan kami sebagai peneliti dimana kami memanfaatkan VGG-16 dan DCNN-7 sebagai basis rancangannya. Dataset yang kami gunakan berasal dari gabungan beberapa dataset dari kaggle yang berjumlah 2.945 gambar yang berisikan pose yoga seperti downdog, goddess, plank, dan lainnya. Total class yang kami gunakan berjumlah 7 kelas sehingga klasifikasi kami bersifat multiclass. Hasil output dari penelitian ini adalah sebuah model Convolutional Neural Network yang dapat memprediksi pose yoga pada suatu gambar. Dari kelima model yang telah dilatih, salah satu arsitektur rancangan kami dengan nama Model 1 menunjukkan nilai akurasi 83,73%, loss 61,06%, precision 85,76%, dan recall 83,73%. Ini merupakan hasil yang paling optimal dibandingkan arsitektur model lainnya yang dipakai dalam penelitian ini.