View/Open

Author
AKHMAD, FADILLA AKBAR

Date Published
08 Jan 2026

Advisor
Imam Eko Wicaksono, S.Si., M.Si.,

Subject
Teknik Informatika

Publisher

Penilaian postur kerja secara manual menggunakan metode Rapid Upper Limb Assessment (RULA) sering kali subjektif dan tidak efisien. Penelitian ini mengusulkan pengembangan model Deep Learning berbasis Convolutional Neural Network (CNN) untuk memprediksi skor RULA secara otomatis dari citra postur tubuh bagian atas. Model dirancang dengan arsitektur dual-input yang mengintegrasikan fitur visual dari citra menggunakan ResNet-18 dan fitur struktural dari keypoints pose tubuh yang diekstraksi dengan MediaPipe Pose. Dataset yang digunakan merupakan gabungan dari MPII Human Pose Dataset dan Human Activity Recognition (HAR) Dataset, yang telah dilabeli skor RULA berdasarkan perhitungan sudut sendi. Hasil penelitian menunjukkan bahwa model terbaik mencapai akurasi sebesar 61% pada data uji. Namun, model menghadapi kendala ketimpangan distribusi kelas, di mana kelas skor tinggi mendominasi dataset. Strategi penyeimbangan kelas seperti oversampling tradisional dan generatif (IB-GAN, MGVAE) belum sepenuhnya mengatasi bias ini, serta analisis interpretabilitas dengan Grad-CAM mengindikasikan adanya shortcut learning, model cenderung mempelajari korelasi kontekstual fitur postur yang sesungguhnya. Dengan demikian, meskipun model berhasil dikembangkan, performanya masih terbatas oleh ketidakseimbangan data dan pola pembelajaran yang tidak sejalan dengan prinsip ergonomi. Disarankan untuk penelitian selanjutnya melakukan perbaikan dataset, eksplorasi loss function berbobot, serta penggunaan data temporal atau 3D untuk meningkatkan akurasi dan interpretabilitas model.

URI
https://repo.itera.ac.id/depan/submission/SB2601290005

Keyword
RULA ResNet MediaPipe Oversampling Grad-CAM