FLATYFOOT : SISTEM DETEKSI KELAINAN TELAPAK KAKI BERBASIS CNN - Dalam bentuk buku karya ilmiah

NAUFAL DWI ALRIZQI

Informasi Umum

Kode

24.04.986

Klasifikasi

621.38 2 - Signal processing, Information theory

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Pengolahan Sinyal Informasi

Informasi Lainnya

Abstraksi

Arkus adalah lengkungan pada telapak kaki berupa celah antara bagian dalam dari kaki dan permukaan. Arkus berfungsi sebagai pelindung kaki dari cidera akibat kekuatan benturan kaki. Arkus terbagi menjadi tiga jenis, yaitu telapak kaki normal (normal arch), tinggi (high arch foot), dan datar (flatfoot). Jenis arkus yang tinggi (high arch foot) dan datar (flatfoot) termasuk pada kelainan kaki. Kelainan pada kaki tersebut merupakan salah satu aspek penilaian pada calon anggota Kepolisian Republik Indonesia (POLRI). Oleh karena itu, pada proses seleksi terdapat pemeriksaan fisik salah satunya pemeriksaan pada bagian kaki calon anggota Kepolisian Republik Indonesia (POLRI). Saat ini proses pemeriksaan fisik calon anggota masih dilakukan dengan menggunakan penggaris untuk mengukur panjang dan lebar telapak kaki. Hasil pengukuran telapak kaki akan dicatat dalam dokumen pendaftaran tes. Pengukuran menggunakan penggaris ini akan menghasilkan nilai yang tidak akurat. Permasalah ini dapat diatasi dengan sistem pendeteksi telapak kaki yang dapat menghasilkan nilai akurat. Pada tugas akhir ini akan dirancang sebuah alat yang dapat mengidentifikasi ke dalam dua jenis telapak kaki (kaki normal atau tidak normal) dengan tujuan pemeriksaan fisik pada calon anggota Kepolisian Republik Indonesia (POLRI) dapat mendapatkan hasil yang lebih akurat.

Pada tugas akhir ini akan dirancang sebuah hardware dan software, untuk hardware-nya bernama Flatyfoot yang dapat mengidentifikasi lengkung telapak kaki, sedangkan untuk software-nya berguna untuk menampilkan data visual dari proses pemindaian sistem tersebut. Sistem ini mampu mengidentifikasi dua jenis telapak kaki yaitu telapak kaki normal dan tidak normal (flatfoot dan high arch foot). Alat ini berbasis software menggunakan Deep Learning dengan menggunakan arsitektur pilihan, yaitu metode CNN ResNet152 V2 yang nantinya akan diuji dan digunakan hasil terbaik untuk diimplementasikan pada software. Proses Deep Learning dimulai dari tahap preprocessing, feature extraction serta classification.

Pada penelitian ini, kami menggunakan metode penelitian kuantitif. Berdasarkan penelitian ini, kami telah melakukan tahapan dari deep learning, yaitu preprocessing, feature extraction sampai classification. Berdasarkan tahapan tersebut, mendapatkan performansi yang nilainya 84,44% yang menandakan bahwa sistem model dapat berjalan sesuai dengan yang dirancang.