A PHP Error was encountered
Severity: Notice
Message: Undefined offset: 1
Filename: controllers/Document.php
Line Number: 69
Backtrace:
File: /home/rama/public_html/application/controllers/Document.php
Line: 69
Function: _error_handler
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
A PHP Error was encountered
Severity: Notice
Message: Undefined offset: 1
Filename: controllers/Document.php
Line Number: 69
Backtrace:
File: /home/rama/public_html/application/controllers/Document.php
Line: 69
Function: _error_handler
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
A PHP Error was encountered
Severity: Notice
Message: Undefined offset: 1
Filename: controllers/Document.php
Line Number: 69
Backtrace:
File: /home/rama/public_html/application/controllers/Document.php
Line: 69
Function: _error_handler
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
@thesis{thesis,
author={Filbert Daniel and Heri and Musayyanah },
title ={TA : Sistem Pengenalan Aktivitas Manusia Menggunakan Long Short-Term Memory dan Mediapipe},
year={2022},
url={https://repository.dinamika.ac.id/id/eprint/6190/},
abstract={Sistem pengenalan aktivitas manusia atau Human Activity Recognition memiliki banyak tantangan di saat ini, seperti mengenal gerakan aktivitas manusia. Salah satu aktivitas manusia dalam bidang kesehatan atau olahraga. Ada beberapa gerakan olahraga seperti Tree Pose, T-Pose, Warrior II Pose yang perlu dideteksi oleh MediaPipe agar gerakan tersebut dapat dikenali oleh komputer. MediaPipe menyediakan keypoints tubuh manusia secara real-time dengan akurasi tinggi bahkan bisa berjalan pada (Central Processing Unit) CPU. MediaPipe mendeteksi kerangka postur tubuh atau body skeletons sebanyak 33 keypoints pada frame video yang diamati. Untuk klasifikasi aktivitas manusia menggunakan Long Short-Term Memory (LSTM) dengan memanfaatkan keypoints dari urutan video tersebut. Dataset menggunakan Berkeley Multimodal Human Action Database (MHAD). Pada Tugas Akhir ini dibatasi hanya tiga gerakan yang baru yaitu pada HAR (Human Activity Recognition) dan telah berhasil dibuat yaitu (T-Pose, Warrior II Pose dan Tree Pose), pengujian klasifikasi gerakan dilakukan oleh empat subjek dengan lokasi yang sama menggunakan kamera handphone dalam pengambilan video menggunakan aplikasi DroidCam agar lebih maksimal dalam pendeteksian keypoint. Pada Tugas Akhir ini hasil training didapatkan akurasi sebesar 91% dan loss sebesar 0.29. Rata-rata FPS (Frame per second) didapatkan sebesar 10-30 FPS dengan rata-rata waktu komputasi untuk setiap proses training kurang lebih 10-12 menit.}
}