SIBARANI, FERI M. (2025) RANCANG BANGUN ROMPI PINTAR UNTUK KOREKSI POSTUR TUBUH MEMBUNGKUK DENGAN UMPAN BALIK GETARAN DAN APLIKASI MONITORING SERTA FITUR KLASIFIKASI AKTIVITAS BERBASIS DEEP NEURAL NETWORK. S1 thesis, Universitas Mercu Buana Jakarta.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (HAL COVER)
01 Cover.pdf Download (1MB) |
|
Text (BAB I)
02 Bab 1.pdf Restricted to Registered users only Download (240kB) |
|
Text (BAB II)
03 Bab 2.pdf Restricted to Registered users only Download (461kB) |
|
Text (BAB III)
04 Bab 3.pdf Restricted to Registered users only Download (684kB) |
|
Text (BAB IV)
05 Bab 4.pdf Restricted to Registered users only Download (433kB) |
|
Text (BAB V)
06 Bab 5.pdf Restricted to Registered users only Download (209kB) |
|
Text (DAFTAR PUSTAKA)
07 Daftar Pustaka.pdf Restricted to Registered users only Download (227kB) |
|
Text (LAMPIRAN)
08 Lampiran.pdf Restricted to Registered users only Download (692kB) |
Abstract
The increasing use of technological devices in daily life correlates with the rise of a sedentary lifestyle. A sedentary lifestyle leads to poor, hunched body posture (such as postural kyphosis), which can trigger musculoskeletal disorders. This condition is a concern because many individuals spend hours using devices such as computers and smartphones in non-ergonomic positions. This study aims to design and develop a smart vest as a solution for correcting hunched posture. The developed system not only provides feedback when the user’s posture is detected as poor but also trains the user to become accustomed to maintaining good posture during various activities. This system consists of a wearable vest device and a monitoring application called “Ascle+.” The smart vest uses a Seeed Studio Xiao nRF52840 Sense microcontroller, which features a built-in Inertial Measurement Unit (IMU) and Bluetooth Low Energy (BLE). A bend sensor detects the curvature of the user’s back, while a Deep Neural Network (DNN) model implemented as a TinyML library uses data from the IMU to classify five user activities: standing still, walking, running, climbing stairs, and descending stairs. A vibration motor provides corrective feedback if the user’s posture is detected as poor. All data and activity history are transmitted via BLE to the “Ascle+” application and displayed in graphical form for the user’s self-evaluation. Test results show that the system performs very well. The bend sensor can detect back curvature with an average error of only 0.9 degrees. The DNN model for activity classification achieves an accuracy of 98.04% on test data. The vibration feedback response when a hunched (poor) posture is detected is very fast, with an average time of 1.25 seconds. The system has also proven to be powerefficient and to have responsive data communication with the application. It can be concluded that this system can be reliably used for daily purposes as an assistive tool for rehabilitating poor posture. Keywords: Bluetooth Low Energy (BLE), Deep Neural Network (DNN), Inertial Measurement Unit (IMU), Flex sensor, Posture correction, Posture monitoring application, Smart vest, TinyML. Meningkatnya penggunaan perangkat teknologi dalam kehidupan seharihari berkorelasi dengan meningkatnya gaya hidup sedentari. Gaya hidup sedentari menyebabkan timbulnya postur tubuh yang membungkuk (buruk) seperti kifosis postural, yang dapat memicu gangguan muskuloskeletal. Kondisi seperti ini menjadi perhatian karena banyak individu yang menghabiskan waktu berjam-jam menggunakan perangkat seperti komputer dan smartphone dengan posisi yang tidak ergonomis. Penelitian ini bertujuan untuk merancang dan membangun sebuah rompi pintar sebagai solusi untuk koreksi postur tubuh membungkuk. Sistem yang dikembangkan tidak hanya memberikan umpan balik saat postur pengguna dideteksi buruk, namun juga melatih pengguna agar terbiasa dengan postur yang baik dalam berbagai aktivitas. Sistem ini terdiri dari perangkat sandang rompi dan aplikasi monitoring bernama “Ascle+”. Rompi pintar menggunakan mikrokontroler Seeed Studio Xiao nRF52840 Sense yang memiliki Inertial Measurement Unit (IMU) dan Bluetooth Low Energy (BLE) bawaan. Sensor tekuk mendeteksi kelengkungan punggung pengguna , sementara model Deep Neural Network (DNN) yang diimplementasikan sebagai library TinyML menggunakan data dari IMU untuk mengklasifikasikan lima aktivitas pengguna: diam, berjalan, berlari, naik tangga, dan turun tangga. Motor getar memberikan umpan balik korektif jika postur pengguna terdeteksi buruk. Semua data dan riwayat aktivitas dikirim melalui BLE ke aplikasi “Ascle+” dan ditampilkan dalam bentuk grafik untuk evaluasi mandiri pengguna. Hasil pengujian menunjukkan bahwa sistem mampu bekerja dengan sangat baik. Sensor tekuk dapat mendeteksi kelengkungan punggung dengan kesalahan rata-rata hanya 0,9°. Model DNN untuk klasifikasi aktivitas mencapai akurasi 98,04% pada data uji. Respons umpan balik getaran saat postur membungkuk (buruk) terdeteksi sangat cepat, dengan rata-rata waktu 1,25 detik. Sistem juga terbukti efisien dalam penggunaan daya dan memiliki komunikasi data yang responsif dengan aplikasi. Dapat disimpulkan bahwa sistem ini dapat digunakan dengan andal untuk penggunaan harian sebagai alat bantu rehabilitasi postur tubuh yang membungkuk. Kata kunci: Aplikasi monitoring postur, Bluetooth Low Energi (BLE), Deep Neural Network (DNN), Inertial Measurement Unit (IMU), Koreksi postur, Rompi pintar, Sensor Tekuk, TinyML
Actions (login required)
 |
View Item |
