Perbandingan Klasifikasi Pose Yoga Menggunakan Extreme Gradient Boosting (XGBOOST) dan Random Forest

Abstract

Yoga adalah latihan fisik dan mental yang telah ada selama ribuan tahun, dengan setiap pose yoga, atau asana, menawarkan manfaat kesehatan khusus, termasuk peningkatan sirkulasi darah, penguatan otot, peningkatan konsentrasi, perbaikan postur, dan peningkatan tingkat energi. Namun, eksekusi pose yang salah dapat mengurangi manfaat yang diperoleh atau bahkan menyebabkan cedera fisik. Oleh karena itu, banyak praktisi yoga mencari bimbingan dari instruktur berpengalaman untuk memastikan postur dan teknik yang benar. Sayangnya, tidak semua orang memiliki akses ke profesional terlatih atau fasilitas yoga, yang membatasi kemampuan mereka untuk mendapatkan umpan balik yang dipersonalisasi. Dalam konteks ini, kecerdasan buatan (Artificial Intelligence/AI) dan teknik pembelajaran mesin dapat berperan penting dalam membantu individu meningkatkan praktik yoga mereka secara mandiri. Penelitian ini berfokus pada pengembangan sistem berbasis AI yang dapat mengklasifikasikan pose yoga secara otomatis menggunakan koordinat landmark tubuh, sehingga praktisi dapat menerima umpan balik langsung tentang postur mereka. Untuk mencapai hal ini, dua algoritma pembelajaran mesin populer, yaitu Extreme Gradient Boosting (XGBoost) dan Random Forest, digunakan dan dibandingkan untuk mengevaluasi kinerja mereka dalam hal akurasi klasifikasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Random Forest mencapai akurasi sebesar 98,34%, presisi 98,48%, recall 98,29%, dan F1 score sebesar 98,36%. Sebagai perbandingan, model XGBoost memberikan hasil yang sedikit lebih baik, dengan akurasi sebesar 98,81%, presisi 98,84%, recall 98,76%, dan F1-score sebesar 98,79%. Temuan ini menunjukkan bahwa kedua model sangat efektif dalam mengklasifikasikan pose yoga, dengan XGBoost menunjukkan keunggulan kinerja yang sedikit lebih baik. Penelitian ini memberikan wawasan berharga untuk pengembangan aplikasi berbasis AI yang dapat membantu praktisi yoga memperbaiki pose mereka tanpa perlu instruktur fisik, sehingga yoga menjadi lebih mudah diakses dan meningkatkan kualitas latihan secara keseluruhan bagi individu yang berlatih sendiri.