Perbandingan Random Forest, K-Nearest Neighbor, Support Vector Machine, dan Multi-Layer Perceptron untuk Deteksi Postur Duduk Berdasarkan Ekstraksi Pose MediaPipe

Abstrak

Postur duduk yang buruk berpotensi menimbulkan gangguan muskuloskeletal, namun deteksi otomatis berbasis citra masih jarang diterapkan pada konteks ergonomi. Penelitian ini bertujuan mengembangkan dan membandingkan performa empat algoritma klasifikasi, yaitu Random Forest, K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Multi-Layer Perceptron (MLP) dalam mengidentifikasi postur duduk baik dan buruk. Sebanyak 483 citra diekstraksi menggunakan MediaPipe Pose sehingga menghasilkan 132 fitur landmark untuk setiap sampel, yang kemudian dibagi menjadi data latih, validasi, dan uji (60:20:20). Hasil evaluasi pada test set menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 87,63% dan F1-score 0,8947, diikuti MLP, KNN, dan SVM. Temuan ini menunjukkan bahwa kombinasi ekstraksi pose menggunakan MediaPipe dan metode ensemble seperti Random Forest mampu menghasilkan sistem klasifikasi postur duduk yang akurat serta dapat menjadi dasar pengembangan aplikasi monitoring ergonomi berbasis visi komputer.