Terakreditasi SINTA Peringkat 3
Surat Keputusan Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi, Nomor: 72/E/KPT/2024
masa berlaku mulai Volume 10 Nomor 1 Tahun 2023 sampai Volume 14 Nomor 2 Tahun 2027

Terbit online pada laman web jurnal: https://jurnal.plb.ac.id/index.php/tematik/index

Jurnal Teknologi Informasi Komunikasi (e -Journal)
Vol. 11 No. 2 (2024) 172 - 181

ISSN Media Elektronik: 2443-3640

Analisis Pergerakan Lengan Tari Bedoyo Majapahit
Berbasis Motion Capture
Analysis of Arm Movements in Bedoyo Majapahit Dance Using Motion Capture Technology
Anang Kukuh Adisusilo1*, Emmy Wahyuningtyas2, Wisnu Yudo Untoro3
1,2,3Informatika, Fakultas Teknik, Universitas Wijaya Kusuma Surabaya
1anang65@uwks.ac.id, 2emmy@uwks.ac.id@uwks.ac.id, wisnuyudo@uwks.ac.id@ uwks.ac.id

Abstract
The Bedoyo Majapahit dance is an Indonesian cultural heritage that combines elegance and meaning in every movement,
particularly in its signature arm movements. This study focuses on exploring and analyzing arm movement patterns in this
traditional dance using motion capture technology, aiming to document, understand, and scientifically reveal the beauty and
dynamics of these movements. Positional data of the shoulders, elbows, and wrists from both sides were analyzed to calculate
speed and elbow angles. Descriptive statistics, correlation analysis, and K-means clustering were applied to identify dominant
patterns. The results indicate a positive correlation between shoulder and elbow speeds on both sides, with correlation values
of 0.71 and 0.84, highlighting symmetrical movements. Three movement clusters were identified: low, medium, and high, with
the low cluster being the most dominant. The average speeds in the low cluster were 0.097 m/s for the shoulders, 0.092 m/s for
the elbows, and 0.091 m/s for the wrists, reflecting the gentle characteristics of the dance. Meanwhile, the medium and high
clusters exhibited higher speed values, particularly for the wrists in the high cluster at 1.888 m/s, indicating more dynamic
movements. This study provides a quantitative understanding of the smooth and symmetrical movements in Bedoyo Majapahit
dance, supporting cultural preservation through data-driven analytical approaches.
Keywords: arm movement, Bedoyo majapahit dance, K-means, motion capture, traditional dance, velocity

Abstrak
Tari Bedoyo Majapahit merupakan warisan budaya Indonesia yang memadukan keanggunan dan makna dalam setiap
gerakannya, terutama pada gerakan lengan yang menjadi ciri khasnya. Penelitian ini berfokus pada eksplorasi dan analisis pola
pergerakan lengan dalam tari tradisional ini dengan memanfaatkan teknologi motion capture, yang bertujuan untuk
mendokumentasikan, memahami, dan mengungkap keindahan serta dinamika gerakan lengan secara ilmiah. Data posisi bahu,
siku, dan pergelangan tangan kiri-kanan dianalisis untuk menghitung kecepatan dan sudut siku. Analisis statistik deskriptif,
korelasi, dan K-Means dilakukan untuk mengidentifikasi pola dominan. Hasil analisis menunjukkan korelasi positif antara
kecepatan bahu dan siku kiri-kanan dengan nilai korelasi 0,71 dan 0,84, menandakan simetri gerakan. Tiga kluster pola gerakan
ditemukan: rendah, sedang, dan tinggi, dengan kluster rendah sebagai yang dominan. Rata-rata kecepatan pada kluster rendah
adalah 0,097 m/s untuk bahu, 0,092 m/s untuk siku, dan 0,091 m/s untuk pergelangan, sesuai dengan karakteristik lembut
tarian. Sementara itu, kluster sedang dan tinggi menunjukkan nilai kecepatan yang lebih tinggi, terutama pada pergelangan
tangan di kluster tinggi dengan 1,888 m/s, menandakan gerakan yang lebih dinamis. Penelitian ini memberikan pemahaman
kuantitatif terhadap pergerakan halus dan simetris dalam tari Bedoyo Majapahit, mendukung pelestarian dengan pendekatan
analitik berbasis data.
Kata kunci: Gerakan Lengan, Kecepatan, K-Means, Motion Capture, Tari Bedoyo Majapahit, Tari Tradisional.
1. Pendahuluan

Tari Bedoyo Majapahit adalah salah satu bentuk seni
tradisional yang sarat makna dan filosofi dari masa
kejayaan Majapahit. Setiap gerakan dalam tari ini
mencerminkan simbol spiritual serta representasi
keanggunan, ketenangan, dan keselarasan yang

dipegang teguh dalam budaya Jawa. Gerakan lengan
dalam tari Bedoyo Majapahit bukan hanya berfungsi
sebagai aspek estetis, tetapi juga memiliki nilai historis
dan simbolik yang dalam [1]. Dengan perkembangan
teknologi, seperti motion capture dalam berbagai
bidang [2] , terdapat potensi besar untuk mengamati,
menganalisis, dan mendokumentasikan gerakan tari ini

Diterima Redaksi: 06-11-2024 | Selesai Revisi: 04-12-2024 | Diterbitkan Online: 16-12-2024
172

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
secara digital. Motion capture berbasis markerless kini
membuka peluang bagi penelitian tanpa membutuhkan
alat penanda fisik, yang dapat mengganggu keaslian
performa tari tradisional [3], [4].
Penelitian mengenai motion capture pada tari
tradisional telah diterapkan pada berbagai jenis tari di
dunia untuk menganalisis pola gerakan serta
dokumentasi digital [5], [6], seperti perekaman gerakan
tari dengan motion captured dan dengan model
generative sehingga memberi efek ketidak seragaman
yang alami pada pembuatan animasi tari tradisional di
indonesia khususnya tari Remo, bisa digunakan untuk
berbagai jenis tari tradisional lainnya [7], analisis
lainnya untuk tari remo dengan menggunakan metode
optical flow untuk memnabdingkan gerakan dari tari
Remo [8], dan juga berbagai penelitian tentang
kebermanfaatan tarian sebagai media pengembangan
bakat pemuda melalui sebuah aplikasi [9]. Selain itu
untuk beberapa studi menunjukkan pemanfaatan
motion capture untuk menganalisis keakuratan dan pola
gerak dalam seni tari India, yaitu menggunakan
teknologi motion capture untuk memetakan gerakan
tangan dan tubuh penari Bharatanatyam secara akurat,
dengan fokus pada pola gerakan dan sudut-sudut tubuh
tertentu yang merefleksikan nuansa emosi dan ritme
[10] dan penelitian di Jepang tentang penggunaan
motion capture untuk menganalisis kecepatan dan pola
gerak penari Noh, yang memiliki pergerakan lembut
namun penuh dengan kontrol [11].
Penelitian lain tentang akurasi motion capture tanpa
marker yaitu OpenPose dalam berbagai kondisi
menggunakan kamera video [12], yang cocok untuk
aplikasi dalam analisis gerak yang rumit, termasuk tari.
Temuan menunjukkan akurasi yang baik dengan
beberapa perbaikan yang diperlukan untuk pose yang
sulit diestimasi. Terdapat juga penelitian lain
menggunakan deep learning dalam motion capture
tanpa marker, dengan fokus pada pengembangan
dataset sintetik dan algoritma yang akurat untuk
menangkap pose manusia dari gambar 2D [13]. Sangat
berguna bagi penelitian berbasis visual seperti tari
tradisional. Dalam bidang biomekanik dan analisis
gerakan dalam olahraga [14] juga menggunakan motion
capture untuk membantu memperkaya perspektif
analisis gerakan pada aplikasi tari [15]. Dalam
penbandingan teknologi marker dan tanpa marker di
teliti untuk melihat kelebihan dan kekurangan masingmasing, terutama dalam analisis ketelitian Gerakan
sehingga dapat memberikan wawasan tambahan dalam
memilih teknologi yang tepat untuk aplikasi tari. Dari
beberapa penelitian tersebut, belum ada penelitian yang
secara spesifik fokus pada gerakan lengan dalam tari
Bedoyo Majapahit menggunakan teknologi markerless,
padahal teknologi ini menawarkan presisi tinggi dalam
pengukuran parameter gerakan.

Diperlukan analisis mendalam pada gerakan lengan tari
Bedoyo Majapahit untuk mendokumentasikan elemenelemen khas yang belum banyak dijabarkan dalam
penelitian. Selain itu, adaptasi teknologi markerless
dalam analisis gerak budaya tradisional masih terbatas,
khususnya di Indonesia. Penelitian dilaksanakan untuk
mengkaji gerakan lengan yang memiliki makna
simbolik, di mana penerapan teknologi markerless
memungkinkan penelitian lebih presisi dan autentik.
2.

Metode Penelitian

Dalam penelitian ini mengikuti langkah langkah
penelitian seperti Gambar 1.
Pengambilan data

Data Penelitian
Pengumpulan Data

Pembersihan data
Analisa Data

Kecepatan

Akselerasi

Sudut siku

Analisa Pola
Gambar 1. Metode penelitian dalam Analisis Pergerakan Lengan
Tari Bedoyo Majapahit Berbasis Motion Capture

Dengan pendekatan deskriptif-analitis konsep motion
capture berbasis markerless digunakan untuk merekam
dan menganalisis gerakan lengan tari Bedoyo
Majapahit secara akurat tanpa memerlukan sensor fisik
dimana data yang dihasilkan berupa parameter spasial
dan temporal dari gerakan lengan, yang kemudian
diinterpretasikan untuk memahami karakteristik dan
pola gerak tari. Untuk seting pengambilan data
dilakukan di ruang yang minim dengan halangan
dilengkapi dengan sistem pencahayaan dan latar yang
optimal untuk keperluan motion capture tanpa marker,
guna menghasilkan rekaman gerakan yang bersih.
Pengambilan data dilakukan dengan melakukan
perekaman terhadap satu penari.
Untuk pengumpulan data penari melakukan beberapa
rangkaian gerakan lengan sesuai koreografi tari Bedoyo
Majapahit. Perangkat motion capture akan merekam
data spasial dan temporal dari gerakan lengan penari,
seperti sudut, kecepatan, dan posisi relatif antara
segmen lengan. Pembersihan dan Pra-pemrosesan Data
dilakukan untuk setiap landmark (bahu, siku,
pergelangan) konsisten dan tidak ada kesalahan
pengukuran dengan melakukan beberapa proses yaitu :
Memeriksa data yang hilang: Mengecek kolom mana
yang memiliki nilai yang hilang; Mengisi data yang
hilang: Mengisi nilai yang hilang dengan metode
forward fill (menggunakan nilai sebelumnya);
Menghapus duplikat: Menghapus baris yang duplikat
dalam dataset; Normalisasi: Normalisasi kolom

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
173

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
landmark menggunakan Z-score; Mengonversi tipe
data: Mengonversi kolom frame menjadi tipe integer;
Mengatur indek: Mengatur ulang indek DataFrame
setelah pembersihan.
Pada analisis data meliputi kecepatan, akselerasi dan
sudut d berdasarkan perhitungan parameter spasial dan
temporal gerakan lengan untuk memperoleh pemetaan
pola dan ciri khas gerakan yang berulang. Pada bagian
analisis kecepatan setiap landmark (bahu, siku,
pergelangan), dengan menggunakan Rumus 1.
𝑣=

𝛥𝑑

(1)

𝛥𝑡

𝑣 adalah kecepatan, 𝛥𝑑 adalah perubahan posisi dan 𝛥𝑡
adalah perubahan waktu (dalam frame).
Akselerasi dihitung sebagai perubahan kecepatan per
satuan waktu, berdasarkan Rumus 2.
α=

𝛥𝑣

(2)

𝛥𝑡

α adalah akselerasi, 𝛥𝑣 adalah perubahan kecepatan
(dalam m/s) dan 𝛥𝑡 adalah interval waktu (dalam detik).
Untuk kecepatan adalah ukuran seberapa cepat posisi
suatu bagian tubuh, sebagai contoh kecepatan lengan
berubah dari waktu ke waktu, sedangkan akselerasi
adalah perubahan kecepatan dalam periode waktu
tertentu, yaitu seberapa cepat kecepatan itu sendiri
berubah.
Sedangkah untuk menghitung sudut siku, yaitu:
Mendefinisikan vektor posisi untuk vektor dari bahu ke
siku dan vektor dari siku ke pergelangan; Dihitung
dengan menggunakan rumus, seperti Rumus 3.
𝜃 = arccos⁡( ⃗

⃗
𝑎⃗⋅𝑏

⃗ ∣∣
∣∣𝑎∣∣.∣∣𝑏

)

(3)

Vektor 𝑎 dan 𝑏⃗, merupakan representasi arah dan
magnitude dari gerakan. Dalam konteks tari, mewakili
vektor dari posisi bahu ke siku (𝑎) dan dan dari siku ke
pergelangan (𝑏⃗)
Dot produk (⁡𝑎⁡
⃗⃗⃗ ⁡. 𝑏⃗)⁡, dihitung dengan Rumus 4, untuk
memberikan ukuran seberapa sejajar dua vektor
tersebut.
𝑎 ⋅ 𝑏⃗ = 𝑎𝑥 ⋅ 𝑏𝑥 + 𝑎𝑦 ⋅ 𝑏𝑦 + 𝑎𝑧 ⋅ 𝑏𝑧

(4)

Magnitudo vektor 𝑎 dan 𝑏⃗, dihitung dengan Rumus 5
dan 6.
∣∣ 𝑎 ∣∣= ⁡ √𝑎𝑥2 + ⁡ 𝑎𝑦2 + ⁡ 𝑎𝑧2
∣∣ 𝑎 ∣∣= ⁡ √𝑏𝑥2 + ⁡ 𝑏𝑦2 + ⁡ 𝑏𝑧2

(5)
(6)

Fungsi arccos digunakan untuk mendapatkan sudut
dalam radian atau derajat dari nilai kosinus yang
diperoleh dari pembagian dot product dengan produk
magnitudo.

Pada analisa pola dengan melakukan perhitungan nilai
rata-rata, median, dan deviasi standar dari kecepatan
dan sudut siku untuk masing-masing lengan untuk
memberikan gambaran umum tentang pola gerak.
Kemudian memvisualisasikan data dengan melakukan
plot kecepatan dengan waktu, plot sudut siku dengan
waktu dan membuat grafik gerak. Selanjutnya
melakukan perbandingan antara lengan kiri dan kanan
serta mencari korelasinya. Dan dengan menggunakan
klustering K-Means dibuat analisa pengelompokan dari
pola gerakan berdasarkan kecepatan dan sudut siku
3. Hasil dan Pembahasan
3.1. Data penelitian
Proses pengambilan data untuk mendapatkan data
dilakukan dengan merekam gerakan tari Bedoyo
Majapahit dengan penari tunggal. Penari adalah
anggota unit sanggar tari KTKL ( Karawitan Tari
Kusuma Laras Ati ), yang sudah sering melakukan tari
Bedoyo Majapahit. Ilustrasi posisi penari dan kamera
seperti Gambar.2

Kamera

Laptop

Penari

Gambar 2. Ilustrasi posisi penari dalam pengambilan gerak berbasis
motion capture

Hasil dari rekaman penari Bedoyo Majapahit, dilakukan
proses pengambilan data dengan fokus pengambilan
data pada pergerakan lengan. Langkah awal adalah
menentukan mapping bagian lengan pada tubuh penari,
yang meliputi titik bahu kiri (left shoulder), siku kiri
(left elbow),pergelangan tangan kiri (left wrist) untuk
bagian kiri dan bahu kanan (right shoulder), siku kanan
(right elbow), pergelangan tangan kanan (right wrist)
untuk bagian kanan, untuk lebih jelasnya seperti
Gambar.3.

KANAN
Bahu

Siku

KIRI
Bahu

Siku

Gambar 3. Posisi titik diteksi pada penari pada tari Bedoyo
Majapahit Berbasis Motion Capture

Proses pengambilan data berbasis bahasa pemrograman
python versi 3.11.8. Untuk melakukan diteksi gerak dan
penyimpanan data digunakan mediapipe pose, opencv,
pandas dan numpy yang secara langsung mengambil
gerakan penari didepan kamera untuk di rekam dan

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
174

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
menghasilkan vidio yang tersimpan, selain itu terdapat
label pada setiap bagian titik deteksi dengan koordinat
titik tersebut, seperti Gambar 4. Sedangkan algoritma
untuk proses pengambilan data ini seperti flowchart
pada Gambar 5.

Setelah data dihasilkan maka dilakukan pembersihan
data untuk persiapan sebelum dilakukan analisa data
tersebut. Jumlah data yang dihasilkan sebanyak 4008
rows data dengan kondisi 2004 untuk lengan kanan dan
2004 untuk lengan kiri, atau terdapat 2003 frame hasil
record, untuk durasi record 2 menit 40 detik.
3.2. Analisa data

Gambar 4. Posisi hasil titik diteksi dengan label dan koordinat pada
penari.

Tabel 1. Hasil analisis statistik deskriptif untuk tiga variabel
kecepatan, yaitu kecepatan bahu, kecepatan siku dan kecepatan
pergelangan.

Mulai
Library: cv2, MediaPipe,
numpy, pandas

Statistik

Inisialisasi MediaPipe Pose
Buka Kamera dengan (cap = cv2.VideoCapture())

Inisialisasi DataFrame
untuk Menyimpan Sudut dan Kecepatan

N

Count
Mean
Std
Min
25%
50%
75%
Max

Kecepatan
Bahu (m/s)
4008
1,001235
1,033628
0
0
0
1,897693
4,079572

Kecepatan
Siku (m/s)
4008
1,196387
1,331025
0
0
0
2,28042
5,115336

Kecepatan
Pergelangan (m/s)
4008
0,995698
1,221485
0
0
0
2,063578
5,079329

Dari Tabel 1, terdapat ada 4008 pengukuran untuk
kecepatan bahu, siku, dan pergelangan, dengan mean
dari semua nilai kecepatan yang diukur, adalah:
Kecepatan bahu bernilai 1.001235; Kecepatan siku
bernilai 1.196387; Kecepatan pergelangan bernilai
0.995698.

Semua frame open
(while cap.isOpened())

Y
Baca Frame dari Kamera
Konversi Frame ke RGB
Deteksi Pose dengan MediaPipe

Hasil mean menunjukkan bahwa secara umum,
kecepatan gerakan bahu sedikit lebih rendah
dibandingkan dengan siku, sedangkan pergelangan
memiliki rata-rata mendekatu kecpatan bahu.

Ada Landmark yang
Terdeteksi?
(Bahu, Siku, Pergelangan)

Berdasarkan hasil Standard Deviation (Std),
mrnunjukkan variasi atau sebaran dari data kecepatan.
Semakin tinggi nilai Std, semakin besar nilainya berarti
semakin besar variasi dalam gerak kecepatannya,
dimana: Kecepatan bahu: 1.033628; Kecepatan siku:
1.331025; Kecepatan pergelangan: 1.221485.

Y
Ekstraksi Koordinat
Bahu, Siku, dan Pergelangan

Simpan Data ke List/DataFrame
Tampilkan Frame dengan Data

Hasil Std menunjukkan kecepatan siku memiliki variasi
yang lebih besar dibandingkan bahu dan pergelangan,
menunjukkan bahwa gerakan siku cenderung lebih
bervariasi dalam kecepatan.

N
Tekan q

Y
Simpan Data CSV
Tutup Vidio

Dalam melakukan analisa data diawali dengan analisa
setiap landmark (bahu, siku, pergelangan), dengan
menggunakan rumus 1, kemudian dilakukan analisis
statistik deskriptif untuk tiga variabel kecepatan, yaitu
kecepatan bahu, kecepatan siku, dan kecepatan
pergelangan dihasilkan seperti Tabel.1.

N

Selesai

Gambar 5. Flowchart kamera menditeksi pada penari dan
menyimpan file hasil.

Untuk nilai Min (minimum), hasil nilai 25% atau luartil
pertama dan 50% (median), semua variabel memiliki
nilai 0.000000, yang menunjukkan bahwa ada beberapa
frame dalam gerakan ketika pengukuran tidak gerakan
baik dari bahu, siku dan pergelangan tangan.
Pada hasil nilai 75% atau kuartil ketiga, yaitu :
Kecepatan bahu: 1.897693; Kecepatan siku: 2.280420;
Kecepatan pergelangan: 2.063578.

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
175

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
Hasil tersebut menunjukkan bahwa sebagian besar
pengukuran untuk bahu, siku, dan pergelangan
memiliki kecepatan di atas nilai sebelumnya.

akselerasi, yaitu: Akselerasi bahu: 122.387163;
Akselerasi siku: 153.460065; Akselerasi pergelangan:
152.379880.

Pada hasil nilai max (maksimum), yaitu: Kecepatan
bahu: 4.079572; Kecepatan siku: 5.115336; Kecepatan
pergelangan: 5.079329.

Grafik akselerasi lengan yang meliputi bahu, siku dan
pergelangan tangan seperti terlihat pada Gambar 7.

Hasil nilai maksimum menunjukkan kecepatan
maksimum yang dicapai oleh bahu, siku, dan
pergelangan paling tinggi pada kecepatan siku.
Grafik kecepatan lengan yang melipitu bahu, siku dan
pergelangan tangan seperti terlihat pada Gambar. 5.,
sedangkan grafik untuk distribusi kecepatan bahu, siku
dan pergelangan tangan seperti pada Gambar 6.

Gambar 5. Grafik kecepatan lengan yang meliputi bahu, siku dan
pergelangan tangan.

Untuk analisa selanjutnya adalah menghitung akselerasi
untuk perubahan kecepatan dalam periode waktu
tertentu, dengan menggunakan Rumus 2. Kemudian
hasil tersbut dilakukan analisis
diskriptif untuk
akselerasi bahu, akselerasi siku dan akselerasi
pergelangan dihasilkan seperti Tabel 2.
Tabel 2. Hasil analisis statistik deskriptif untuk tiga variabel
akselerasi, yaitu akselerasi bahu, akselerasi siku dan akselerasi
pergelangan.
Statistik

Akselerasi
bahu (frame)

Akselerasi
siku (frame)

count
mean
std
min
25%
50%
75%
max

4008
0,000000
61,057309
-122,387163
-56,930803
0,000000
56,930803
122,387163

4008
0,000000
75,934106
-153,460065
-68,412588
0,000000
68,412588
153,460065

Akselerasi
pergelangan
(frame)
4008
0,000000
66,862811
-152,379880
-61,907338
0,000000
61,907338
152,379880

Dari Tabel 2, terlihat jumlah data sebanyak 4008, hal
ini menunjukkan bahwa ada 4008 nilai akselerasi yang
dihitung. Nilai dari mean atau rata-rata dari akselerasi
untuk setiap titik adalah 0.000000, menunjukkan bahwa
secara keseluruhan bahwa pergerakan akselerasi tidak
terlalu signifikan dalam konteks ini.

Gambar 6. Grafik distribusi kecepatan lengan yang meliputi bahu,
siku dan pergelangan tangan.

Untuk hasil Std menunjukkan seberapa banyak nilai
akselerasi bervariasi dari rata-rata, dimana nilai
menunjukkan variasi yang cukup besar, yaitu:
Akselerasi bahu: 61.057309; Akselerasi siku:
75.934106; Akselerasi pergelangan: 66.862811.
Untuk hasil rentang Nilai minimum, adalah: Akselerasi
bahu: -122.387163; Akselerasi siku: -153.460065;
Akselerasi pergelangan: -152.379880
Unyuk nilai 25% atau kuartil pertama menunjukkan
bahwa nilainya lebih rendah atau nilai di bawah 25%
dari data. Sedangkan pada nilai median adalah
0,000000 ini menunjukkan bahwa separuh dari nilai
akselerasi berada di bawah nol dan separuh lainnya
berada di atas nol. Sama seperti kuartil pertama pada
kuwartil ketiga menunjukkan nilai di bawah 75% dari
data akselerasi. Sedangkan pada nilai maksimum

Gambar 7. Grafik akselerasi lengan yang meliputi bahu, siku dan
pergelangan tangan.

Analisis selanjutnya adalah untuk menghitung sudut
siku, dimana sudut siku terbentuk dari adanya titik bahu

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
176

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
siku dan pergelangan tangan, perhitungan sudut siku
seperti pada Rumus 3. Hasil grafik dari perhitungan
sudut siku seperti pada Gambar 8.

Gambar 8. Grafik hasil perhitungan sudut siku.

Dari data tersebut dilakukan analisis statistik deskriptif
terhadap sudut siku dan dihasilkan seperti pada Tabel 3.

Sedangkan pada nilai minimum, untuk sudut siku kiri
adalah 55,590, sedangkan sudut siku kanan adalah
sekitar 46,910. Hasil pada kuartil pertama untuk nilainilai di bawah 25% dari data menghasilkan sudut siku
kiri adalah sekitar 104,210 dan sudut siku kanan adalah
sekitar 87,890. Sedabgkan pada nilai median untuk
sudut siku kiri adalah sekitar 119,970 dan untuk sudut
siku kanan adalah sekitar 107,530. pada bgian kuartil
ketiga untuk kondisi data di bawah 75%, sudut siku kiri
adalah sekitar 131,620 dan sudut siku kanan adalah
sekitar 126,510. Pada hasil nilai maksimum, nilai
terbesar sudut siku kiri adalah sekitar 174,850 dan sudut
siku kanan adalah sekitar 166,370.

Tabel 3. Hasil analisis statistik deskriptif untuk sudut siku
Statistik
count
mean
std
min
25%
50%
75%
max

Sudut Siku
Kiri (derajat)
2004
118,5675705
21,34576206
55,59339573
104,2108663
119,9712834
131,6193685
174,8544457

Sudut Siku
Kanan (derajat)
2004
107,1593456
23,26983491
46,91356652
87,88621382
107,534737
126,5057993
166,3690634

Hasil statistik deskriptif pada Tabel 3, memberikan
ringkasan dari distribusi sudut siku kiri dan kanan
dengan menggunakan 2004 data untuk sudut siku kiri
dan kanan.
Dari hasil nilai mean sudut_siku_kiri adalah sekitar
118,570 dan sudut siku kanan adalah sekitar 107,160, hal
tersebut menunjukkan bahwa secara umum, sudut siku
kiri cenderung lebih besar daripada sudut siku kanan.
Untuk Std sudut siku kiri adalah 21,350 dan sudut siku
kanana dalah 23,270, menunjukkan variabilitas yang
sedikit lebih besar dibandingkan sudut siku kiri.

Gambar 9. Grafik distribusi sudut siku kiri dan sudut siku kanan.

Gambar untuk distribusi antara sudut siku kiri dan sudut
siku kanan seperti Gambar 9.
Untuk melakukan analisa pola pergerakan tari dimulai
dengan mengidentifikasi pola gerakan lengan dengan
membandingkan pola pergerakan lengan kiri dan
lengan kanan, seperti terlihat pada Gambar 10 yang
merupakan bentuk histogram untuk menunjukkan
distribusi sudut siku kiri dan kanan dengan kurva
densitas sehingga terlihat pola distribusi.

Gambar 10. Grafik gerak untuk lengan kiri dan lengan kanan

Sumbu X mempunyai rentang nilai sudut siku berkisar
dari sekitar 40° hingga 180°, menunjukkan bahwa sudut

siku dalam gerakan lengan penari, yang
merepresentasikan variasi gerakan pada posisi yang

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
177

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
lebih tertutup (siku lebih tajam) sampai posisi lebih
terbuka (siku mendekati lurus). Sedangkan Y
(Frekuensi), menunjukkan menunjukkan jumlah atau
frekuensi terjadinya sudut siku tertentu selama gerakan
tari. Nilai frekuensi tinggi menunjukkan sudut yang
paling sering muncul dalam tarian.

Dari kedua sisi (kiri dan kanan) memiliki rentang sudut
yang hampir sama, tetapi intensitasnya (frekuensi
puncak) sedikit berbeda, dimana sudut siku kanan
memiliki distribusi yang lebih terpusat (lebih banyak
data mendekati nilai tengah), sedangkan sudut siku kiri
terlihat memiliki variasi yang lebih besar dengan
distribusi lebih merata.

Tabel 4. Hasil analisis statistik deskriptif untuk gerak lengan kiri
Lengan Kiri
Bahu
x
count 2004
mean 0,77
std
0,44
min
-2,94
25%
0,58
50%
0,81
75%
0,99
max
1,72

y
2004
-0,02
0,99
-7,13
-0,62
-0,15
0,45
2,95

z
2004
-0,14
0,98
-3,24
-0,87
-0,25
0,46
3,17

Siku
x
2004
0,82
0,49
-1,39
0,62
0,98
1,16
1,6

y
2004
-0,05
1,02
-3,12
-0,29
0,07
0,64
2,22

z
2004
-0,21
0,86
-3,02
-0,81
-0,36
0,19
3,64

Pergelangan
x
y
2004 2004
0,7
0,06
0,66
1
-1,24 -2,29
0,22
-0,68
0,69
0,3
1,26
0,65
1,86
2,32

z
2004
-0,16
0,9
-2,87
-0,71
-0,3
0,16
3,87

Tabel 5. Hasil analisis statistik deskriptif untuk gerak lengan kanan
Lengan Kanan
Bahu
x
count 2004
mean -0,77
std
0,78
min
-5,90
25%
-1,06
50%
-0,87
75%
-0,63
max
2,89

y
2004
0,02
1,01
-6,96
-0,50
-0,11
0,63
3,20

z
2004
0,14
1,00
-3,16
-0,65
0,14
0,71
2,83

Siku
x
2004
-0,82
0,64
-3,67
-1,13
-0,91
-0,68
2,41

Analisis statistik deskriptif menunjukkan data gerakan
lengan kiri pada Tabel 4 dan lengan kanan pada Tabel
5. Hasilnya memperlihatkan keselarasan dan simetri
gerakan kedua lengan, seperti rata-rata posisi bahu di
sumbu x yang hampir sama, yaitu 0,77 untuk kiri dan 0,77 untuk kanan, mencerminkan kesimetrisan gerakan
secara horizontal. Simetri ini juga terlihat pada berbagai
titik lainnya di berbagai sumbu, mengindikasikan
bahwa gerakan tari dirancang untuk mempertahankan
keseimbangan visual antara sisi kiri dan kanan tubuh.
Dalam
variabilitas
pergerakan
dengan
Std
menunjukkan variabilitas atau keragaman dalam posisi
tiap titik tubuh. Standar deviasi yang cukup tinggi pada
beberapa titik, seperti pada bahu kanan denga standar
deviasi 𝑥 sebesar 0.78 dan 𝑦 sebesar 1.01, menunjukkan
adanya variasi atau pergerakan yang dinamis dalam
beberapa sumbu. Hal ini bisa berarti bahwa gerakan
bahu dan pergelangan bervariasi lebih besar
dibandingkan siku, yang mungkin karena pergelangan
dan bahu memungkinkan gerakan yang lebih luas atau
fleksibel dalam tari Bedoyo Majapahit.
Rentang antara nilai minimum dan maksimum
menunjukkan ruang gerak untuk setiap titik. Seperti
pada bahu kiri dan bahu kanan menunjukkan rentang
yang cukup besar pada sumbu 𝑦, dengan nilai
maksimum dan minimum berturut-turut 2.95 dan -7.13
pada kiri, serta 2.89 dan -6.96 pada kanan. Ini mungkin

y
2004
0,05
0,98
-2,84
-0,31
0,11
0,72
2,21

z
2004
0,21
1,08
-2,25
-0,55
0,03
0,87
3,58

Pergelangan
x
y
2004 2004
-0,70 -0,06
0,76
0,99
-2,32 -2,14
-1,35 -0,64
-0,72 -0,10
-0,24 0,42
2,56
2,29

z
2004
0,16
1,06
-2,60
-0,53
0,05
0,76
4,22

menunjukkan bahwa gerakan vertikal pada bahu cukup
signifikan dalam koreografi. Sedangkan pada sumbu 𝑧,
nilai minimum dan maksimum yang cukup tinggi pada
pergelangan kanan dari -2.60 hingga 4.22 menandakan
rentang gerakan yang besar pada pergelangan, yang
mungkin mencerminkan elemen tari yang melibatkan
gestur atau pola gerak tangan yang luas.
Untuk nilai median sebagai indikator posisi dominan
menunjukkan posisi tengah atau posisi yang paling
sering terjadi di sepanjang gerakan tari. Seperti pada
median bahu kiri pada sumbu 𝑥 adalah sekitar 0.81,
sementara bahu kanan adalah -0.87, yang menunjukkan
posisi dominan atau pusat dari pergerakan bahu di
sepanjang sumbu horizontal. Nilai ini merupakan
sebuat informasi untuk memahami posisi dan bentuk
tubuh yang sering dipertahankan dalam gerakan tari,
seperti saat mempertahankan sikap atau pose tertentu.
Tabel 6. Hasil matrik korelasi kecepatan lengan kiri dan kanan

Kecepatan bahu
Kecepatan siku
Kecepatan
pergelangan

Kecepatan
bahu
1,000000
0,714616
0,534955

Kecepatan
siku
0,714616
1,000000
0,843206

Kecepatan
pergelangan
0,534955
0,843206
1,000000

Selanjutnya dilakukan visualisasi analisis korelasi
antara kecepatan lengan kiri dan lengan kanan,
dihasilkan seperti Tabel 6. Tabel 6, menunjukkan

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
178

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
matriks korelasi untuk menunjukkan hubungan antara
kecepatan gerakan bahu, siku, dan pergelangan tangan
dalam tari Bedoyo Majapahit.
Korelasi antara kecepatan bahu dan siku menghasilkan
nilai 0,714616, sehingga terdapat hubungan positif
yang kuat antara kecepatan bahu dan siku. Hal tersebut
berarti bahwa ketika kecepatan bahu meningkat,
kecepatan siku cenderung juga meningkat. Dalam
konteks tari, hal ini mungkin menunjukkan bahwa
gerakan bahu dan siku saling berkoordinasi dalam
eksekusi gerakan.
Korelasi antara kecepatan bahu dan pergelangan
menghasilkan nilai 0,534955, menunjukkan hubungan
antara kecepatan bahu dan pergelangan adalah positif
tetapi lebih lemah dibandingkan dengan hubungan
antara bahu dan siku. Ini menunjukkan bahwa ada
kecenderungan bahwa saat kecepatan bahu meningkat,
kecepatan pergelangan juga meningkat, tetapi tidak
sekuat hubungan antara bahu dan siku.

Tabel 7. Hasil rata rata kecepatan per cluster
Kecepatan bahu
(m/s)
Cluster 0,097339
rendah
Cluster 0,564027
sedang
Cluster 0,447744
tinggi

Kecepatan
siku (m/s)
0,092492

Kecepatan
pergelangan (m/s)
0,091916

1,307827

1,888714

0,456987

0,487540

Gambar 12. Grafik pengelompokan kecepatan bahu berdasar cluster.

Korelasi antara kecepatan siku dan pergelangan
menghasilkan nilai 0,843206, hal ini menunjukkan
hubungan positif yang sangat kuat antara kecepatan
siku dan pergelangan dan berarti gerakan siku dan
pergelangan cenderung terjadi secara bersamaan, dan
peningkatan kecepatan pada siku sangat terkait dengan
peningkatan kecepatan pada pergelangan. Dalam tari,
ini mungkin mencerminkan pentingnya sinergi antara
siku dan pergelangan dalam menciptakan gerakan yang
halus dan terkoordinasi.
Sedangkan korelasi diagonal terdapat angka 1,000000
menunjukkan bahwa setiap variabel memiliki korelasi
sempurna dengan dirinya sendiri. Ini adalah hal yang
normal dalam matriks korelasi. Hasil korelasi ini dapat
dilihat pada Gambar 11.

Gambar 13. Grafik pengelompokan kecepatan siku berdasar cluster.

Gambar 14. Grafik pengelompokan kecepatan pergelangan tangan
berdasarkan cluster.

Gambar 11. Grafik korelasi antara lengan kiri dan kanan.

Untuk pola kecepatan dengan menggunakan K-Mean
dilakukan analisis menghasilkan data cluster seperti
Tabel 7, dan Gambar 12. 13,14

Data cluster pada kecepatan bahu menunjukan rata-rata
kecepatan bahu sebesar 0.097339 m/s, berarti bahwa
gerakan bahu dalam cluster ini relatif lambat, untuk
rata-rata kecepatan bahu sebesar 0.564027 m/s,
menunjukkan kecepatan bahu yang lebih tinggi, yang
bisa berarti gerakan yang lebih aktif atau intens dan
rata-rata kecepatan bahu sebesar 0.447744 m/s,
menunjukkan kecepatan yang berada di antara cluster
rendah dan tinggi.
Untuk kecepatan siku cluster rendah rata-rata kecepatan
siku sebesar 0.092492 m/s., cluster tinggi rata-rata

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
179

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)
kecepatan siku sebesar 1.307827 m/s, dan cluster
sedang mempunyai rata-rata kecepatan siku sebesar
0.456987 m/s.
Rata-rata kecepatan pergelangan tangan untuk cluster
rendah sebesar 0.091916 m/s, untuk cluster tinggiratarata kecepatan pergelangan sebesar 1.888714 m/s,
menunjukkan kecepatan yang sangat tinggi, yang
menunjukkan aktivitas yang signifikan pada
pergelangan. Sedangkan cluster sedang nilai rata-rata
kecepatan pergelangan sebesar 0.487540 m/s
4. Kesimpulan
Dari penelitian yang dilakukan dapat disimpulkan
beberapa hal, Kecepatan Gerakan Lengan: Kecepatan
siku lebih tinggi dan bervariasi dibandingkan dengan
bahu dan pergelangan, menunjukkan akselerasi yang
menonjol dalam gerakan tari. Sebagian besar nilai
kecepatan mendekati nol, mencerminkan dominasi
gerakan lambat atau gerakan yang menahan posisi
dalam tari Bedoyo Majapahit.; Distribusi Sudut Siku:
Rata-rata sudut siku kiri lebih besar dibandingkan siku
kanan, namun sudut siku kanan menunjukkan
variabilitas yang sedikit lebih tinggi. Pergelangan
tangan kiri dan kanan memiliki perbedaan rata-rata
pada sumbu y dan z, dengan sumbu z menunjukkan
variabilitas besar, mencerminkan fleksibilitas dan
variasi posisi yang tinggi.; Stabilitas Pola Bahu: Bahu
kiri dan kanan menunjukkan pola distribusi yang stabil,
yang berfungsi sebagai pusat keseimbangan gerakan
lengan dalam koreografi tari.; Simetri dan Ekspresi
Gerakan: Terdapat keseimbangan simetris antara
lengan kiri dan kanan, dengan rentang gerakan terbesar
pada pergelangan tangan. Variasi pada sumbu tertentu,
seperti sumbu z pada pergelangan, menekankan elemen
ekspresif yang kuat.; Korelasi Antar Bagian Tubuh:
Hubungan yang signifikan antara kecepatan bahu, siku,
dan pergelangan menunjukkan harmoni gerakan, di
mana satu bagian tubuh memengaruhi bagian lainnya
untuk menciptakan keselarasan.; Cluster Pola Gerakan
(Cluster Rendah: Gerakan lembut dan anggun,
mencerminkan simbolisme dan ritme tenang yang
menekankan kedamaian dan keindahan. Cluster
Sedang: Gerakan dengan kecepatan sedang,
mencerminkan perubahan dinamis, seperti transisi atau
interaksi dengan musik, yang menunjukkan perpaduan
antara ketenangan dan keaktifan. Cluster Tinggi:
Gerakan cepat dan tajam, menggambarkan elemen
dramatik dan energetik, sering digunakan untuk
mengekspresikan emosi atau menekankan elemen
penting dalam narasi tari). Sehingga secara umum
gerakan lengan dalam tari Bedoyo Majapahit
mencerminkan keseimbangan antara keanggunan,
harmoni, dan dinamika. Kecepatan dan variasi dalam
sudut siku, pergelangan, serta korelasi antarbagian
tubuh menggambarkan keindahan koreografi yang
memadukan ekspresi halus dan energi dramatis,
menciptakan harmoni visual dan makna simbolis dalam

tarian. Hasil penelitian ini memiliki sejumlah implikasi
praktis yang dapat dimanfaatkan oleh sanggar tari dan
lembaga budaya dalam upaya pelestarian tari Bedoyo
Majapahit, seperti untuk pembuatan modul latihan dan
pelatihan berbasis ilmiah yang berasal dari data pola
gerakan lengan yang dihasilkan, pengembangan
teknologi pembelajaran digital seperti augmented
reality (AR) atau virtual reality (VR) dan juga
standarisasi gerakan tari. Penelitian ini terbatas pada
satu penari dan gerakan lengan saja. Penelitian lanjutan
disarankan melibatkan lebih banyak penari, analisis
gerakan tubuh keseluruhan, serta dilakukan dalam
konteks pertunjukan asli untuk hasil lebih representatif.
Ucapan Terimakasih
Ucapan terimakasih kepada LPPM UWKS yang sudah
memberikan pendanaan hibah internal penelitian
melalui Hibah ENIMAS 2024 (Penelitian dan
Pengabdian Pada Masyarakat)
Daftar Rujukan
[1]
[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

Kuswarsantyo, APRESIASI BUDAYA. Lingkaran, 2019.
W. W. T. Lam, Y. M. Tang, and K. N. K. Fong, “A
systematic review of the applications of markerless motion
capture (MMC) technology for clinical measurement in
rehabilitation,” J. Neuroeng. Rehabil., vol. 20, no. 1, pp. 1–
26, Dec. 2023, doi: 10.1186/S12984-023-011869/TABLES/2.
H. ZHENG, R. SHIOYA, C. KATO, and K. HARADA, “
マーカーレスモーションキャプチャによる舞台衣装
を着用時の動作推定,” Proc. Mech. Eng. Congr. Japan,
vol. 2023, no. 0, pp. S235-01, 2023, doi:
10.1299/JSMEMECJ.2023.S235-01.
M. Wang and R. Yu, “Digital production and realization for
traditional dance movements based on Motion Capture
Technology,” Front. Soc. Sci. Technol., vol. 4, no. 11, pp.
13–18, Dec. 2022, doi: 10.25236/FSST.2022.041102.
K. Sun, “Research on Dance Motion Capture Technology
for Visualization Requirements,” Sci. Program., vol. 2022,
2022, doi: 10.1155/2022/2062791.
X. Jiang, “Application of motion capture technology based
on dance big data in dance retrieval,” Appl. Math.
Nonlinear Sci., vol. 8, no. 2, pp. 2927–2938, Jul. 2023, doi:
10.2478/AMNS.2023.2.00009.
L. Zaman, “Model Generatif Berbasis Recurrent Neural
Network Untuk Gerakan Tari Tradisional Indonesia,” Nov.
2020.
N. Kurniati, A. Basuki, and D. Pramadihanto, “Remo
Dance Motion Estimation with Markerless Motion Capture
Using The Optical Flow Method,” Emit. Int. J. Eng.
Technol., vol. 3, no. 1, pp. 1–18, Mar. 2015, doi:
10.24003/EMITTER.V3I1.33.
F. (Fitria) Gustiani, K. (Kevin) Sujono, R. A. (Reza)
Maulana, and D. A. (Dwi) Capah, “Aplikasi Pembelajaran
Tari Tradisional Indonesia Sebagai Media Pengembangan
Bakat Pada Generasi Z Berbasis Web,” J. Ilm. Betrik, vol.
12, no. 3, pp. 278–288, Dec. 2021, doi:
10.36050/BETRIK.V12I3.399.
H. Bhuyan, J. Killi, J. K. Dash, P. P. Das, and S. Paul,
“Motion Recognition in Bharatanatyam Dance,” IEEE
Access, vol. 10, pp. 67128–67139, 2022, doi:
10.1109/ACCESS.2022.3184735.
M. Yoshimura, H. Murasato, T. Kai, A. Kuromiya, K.
Yokoyama, and K. Hachimura, “Analysis of Japanese
dance movements using motion capture system,” Syst.

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
180

Anang Kukuh Adisusilo, Emmy Wahyuningtyas, Wisnu Yudo Untoro
Tematik: Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 11 No. 2 (2024)

[12]

[13]

[14]

Comput. Japan, vol. 37, no. 1, pp. 71–82, Jan. 2006, doi:
10.1002/SCJ.20250.
N. Nakano et al., “Evaluation of 3D Markerless Motion
Capture Accuracy Using OpenPose With Multiple Video
Cameras,” Front. Sport. Act. living, vol. 2, May 2020, doi:
10.3389/FSPOR.2020.00050.
D. D. Vo and R. Butler, “A Review of Deep Learning
Techniques for Markerless Human Motion on Synthetic
Datasets,” Jan. 2022, Accessed: Nov. 04, 2024. [Online].
Available: https://arxiv.org/abs/2201.02503v1
R. R. Bini, F. A. Moura, P. R. P. Santiago, S. Colyer, and

[15]

N. Vanicek, “Special issue themes: Markerless motion
analysis in sport and exercise,” J. Sports Sci., vol. 42, no. 1,
pp. 1–2, Jan. 2024, doi: 10.1080/02640414.2024.2317652.
M. Pardell et al., “Movement Outcomes Acquired via
Markerless Motion Capture Systems Compared with
Marker-Based Systems for Adult Patient Populations: A
Scoping Review,” Biomech. 2024, Vol. 4, Pages 618-632,
vol. 4, no. 4, pp. 618–632, Oct. 2024, doi:
10.3390/BIOMECHANICS4040044.

DOI: https://doi.org/10.38204/tematik.v11i2.2089
Lisensi: Creative Commons Attribution 4.0 International (CC BY 4.0)
181