Rekonstruksi Gerak Tari Tradisional Menggunakan Hidden Markov Model Multimodal

Abstrak

Pelestarian tari tradisional pada era digital memerlukan pendekatan komputasi yang tidak hanya mampu merekam bentuk gerak, tetapi juga mempertahankan kontinuitas dan karakteristik stilistik yang menjadi identitas koreografis. Penelitian ini mengusulkan evaluasi perbandingan tiga jenis model emisi pada Hidden Markov Model (HMM), yaitu Single-Gaussian, Gaussian Mixture Model (GMM-HMM), dan Multinomial HMM, dalam konteks rekonstruksi gerak Tari Bedoyo Majapahit berbasis markerless motion capture. Data skeleton 3D dengan 3.341 frame dan 33 titik sendi diproses melalui normalisasi dan filtrasi low-pass, kemudian direduksi dimensinya menggunakan Principal Component Analysis (PCA) untuk mempertahankan struktur spasial-temporal utama. Evaluasi dilakukan menggunakan tiga metrik utama—Mean Squared Error (MSE), Dynamic Time Warping (DTW), dan Fréchet distance—untuk mengukur kesetiaan geometri, kesesuaian temporal, serta kemiripan bentuk lintasan. Hasil menunjukkan bahwa GMM-HMM memberikan performa terbaik dengan nilai MSE terendah, keselarasan temporal paling stabil, dan jarak Fréchet paling kecil dibanding dua model lainnya. Temuan ini merefleksikan bahwa koreografi tradisional memiliki sifat multimodal yang tidak dapat direpresentasikan secara optimal oleh emisi unimodal atau berbasis diskret. Selain unggul secara numerik, model GMM-HMM juga lebih mampu mempertahankan kelengkungan trajektori dan mikro-ekspresi gerak yang merepresentasikan prinsip wiraga, wirama, dan wirasa dalam tari Jawa. Dengan demikian, pendekatan ini tidak hanya memberikan kontribusi teknis dalam pelestarian gerak, tetapi juga memfasilitasi kesetiaan estetika budaya pada proses rekonstruksi digital. Penelitian ini menjadi landasan bagi pengembangan sistem pembelajaran tari berbasis AI dan aplikasi interaktif pada tahap selanjutnya.