Indonesia adalah negara kepulauan yang dikaruniai kekayaan budaya yang luar biasa melimpah. Pelestarian seni budaya, khususnya tari tradisional, bukan sekadar upaya menjaga warisan leluhur, melainkan juga langkah krusial dalam mempertahankan identitas nasional sekaligus mendongkrak potensi sektor ekonomi kreatif. Seni tari tradisional bertindak sebagai media ekspresi jiwa dan sarana pendidikan karakter yang berharga bagi generasi muda penerus bangsa.

Di Provinsi Jawa Barat sendiri, seni tari seperti Tari Merak, Tari Topeng, dan Jaipongan terus hidup dan diwariskan dari generasi ke generasi melalui komunitas seni dan sanggar. Sebagai contoh, Kota Bandung memiliki potensi pelestarian yang sangat masif dengan keberadaan sekitar 711 sanggar seni yang tersebar di 30 kecamatan. Angka ini membuktikan bahwa pendidikan nonformal melalui sanggar memegang peranan sebagai tulang punggung pelestarian budaya lokal. Namun, di balik potensi dan antusiasme yang besar tersebut, proses pembelajaran di sanggar tari nyatanya masih dihadapkan pada sejumlah tantangan struktural dan teknis yang menghambat efektivitas pelatihan.

Tantangan di Balik Latihan Konvensional

Namun, di balik besarnya potensi dan tingginya antusiasme tersebut, proses pembelajaran di dalam sanggar tari nyatanya masih dihadapkan pada sejumlah tantangan struktural dan teknis yang cukup krusial. Jika kita menilik lebih dekat ke dalam ruang latihan sanggar-sanggar tari saat ini, metode pembelajaran yang diterapkan pada umumnya masih bersifat sangat konvensional. Prosesnya berjalan linier dan berulang: seorang instruktur mendemonstrasikan sebuah gerakan atau koreografi, kemudian para peserta latihan akan mencoba mengamati, mengingat, dan menirunya secara langsung.

Sepintas, metode pembelajaran tatap muka ini tampak ideal. Akan tetapi, kelemahan utama dari metode konvensional ini terletak pada keterbatasan fisik dan batasan visual dari instruktur itu sendiri. Dalam praktiknya, seorang instruktur tidak akan selalu mampu mendampingi dan mengawasi setiap penari secara mendetail selama durasi pelatihan berlangsung penuh. Evaluasi terhadap ketepatan postur dan teknik gerakan peserta sangat bergantung pada pengamatan subjektif dari kacamata sang pelatih. Akibatnya, koreksi gerakan tidak selalu dapat diberikan secara merata dan menyeluruh kepada setiap individu, terutama dalam kelas reguler dengan jumlah peserta yang banyak.

Tantangan ini lantas menjadi semakin kompleks ketika sesi latihan dilakukan secara berkelompok. Dalam tarian kelompok, menjaga harmoni dan sinkronisasi gerakan antarpenari adalah hal yang sangat sulit. Sering kali, penari kesulitan mengidentifikasi bagian gerakan mana yang kurang tepat atau di detik ke berapa mereka mulai kehilangan tempo dan tidak selaras dengan rekan lainnya saat tarian sedang berlangsung. Kesalahan-kesalahan kecil pada sudut siku atau posisi bahu sangat mungkin terlewatkan oleh pandangan instruktur yang harus mengawasi gambaran besarnya.

Sebagai bentuk kompensasi atas masalah ini, para penari umumnya menggunakan metode perekaman video. Mereka merekam sesi latihan mereka secara utuh, lalu meninjau kembali setelah sesi latihan benar-benar selesai untuk mencari dan menganalisis letak kesalahan gerakan mereka. Sayangnya, hal ini justru memunculkan permasalahan baru: proses latihan dan proses evaluasi menjadi terpisah dan terputus. Karena koreksi tidak diberikan secara langsung (real-time), penari kehilangan momentum penting untuk memperbaiki muscle memory mereka saat itu juga. Proses pembelajaran motorik menjadi kurang efektif dan tidak efisien karena otak dan otot harus mengingat kembali kesalahan yang terjadi sebelumnya saat akan diperbaiki nantinya.

Hadirnya Inovasi Gandara

Berangkat dari kegelisahan terhadap masalah tersebut, tim kami menginisiasi sebuah produk inovasi teknologi yang kami beri nama Gandara. Gandara adalah sebuah aplikasi mobile cerdas yang dirancang khusus untuk mengubah cara kita mempelajari tari tradisional. Aplikasi ini memadukan kehebatan Kecerdasan Buatan (Artificial Intelligence / AI) berbasis computer vision dengan perangkat keras cerdas berbasis Internet of Things (IoT). Tujuan utamanya adalah untuk menganalisis gerakan tubuh penari secara real-time dan memberikan umpan balik seketika terhadap tingkat kesesuaian gerakan pengguna dengan koreografi yang sedang dipelajari.

Pengembangan inovasi untuk pembelajaran tari sejatinya bukanlah hal yang benar-benar baru. Sebelumnya, terdapat sistem seperti MoveAlly yang menggunakan teknologi computer vision (YOLO dan MediaPipe) untuk deteksi penari, serta SyncUp dari Universitas Tokyo yang fokus pada sinkronisasi gerakan berbasis video. Akan tetapi, inovasi-inovasi pendahulu tersebut masih memiliki satu celah kelemahan utama: mereka masih bergantung pada analisis pasca-latihan. Pengguna baru bisa mengetahui kesalahannya setelah latihan usai. Di sinilah letak kebaruan dan keunggulan kompetitif yang ditawarkan oleh Gandara.

Mengupas Teknologi Cerdas di Balik Gandara

Gandara tidak sekadar merekam, tetapi ia “memahami” setiap lekuk gerakan penari melalui serangkaian teknologi mutakhir. Berikut adalah pondasi teknologi yang membangun sistem Gandara:

1. Analisis Spasial Berbasis Computer Vision

Sistem pengenalan visual pada Gandara memanfaatkan framework MediaPipe dari Google. MediaPipe mampu mendeteksi dan mengekstraksi 33 titik kunci (keypoints) pada tubuh manusia secara real-time. Untuk mencapai tingkat akurasi yang tinggi, kami menggunakan pendekatan Convolutional Neural Network (CNN) yang dioptimalkan menggunakan arsitektur pretrained MobileNetV2. Pada aplikasi ini, instruktur dapat menetapkan batasan evaluasi khusus pada titik-titik tubuh krusial dalam tarian, seperti leher, bahu, siku, pergelangan tangan, tulang belakang (spine), pinggul, hingga pergelangan kaki.

2. Integrasi Perangkat IoT (Inertial Measurement Unit)

Analisis visual melalui kamera saja terkadang tidak cukup untuk menangkap kedalaman dan kekuatan suatu gerakan. Oleh karena itu, Gandara dilengkapi dengan perangkat wearable IoT. Kami menggunakan mikrokontroler ESP32-S3 sebagai pusat kendali, yang terhubung dengan modul MPU9250. Modul MPU9250 ini dipasang di pergelangan tangan dan pergelangan kaki penari. Sensor ini merupakan Inertial Measurement Unit (IMU) yang memadukan accelerometer, gyroscope, dan magnetometer untuk membaca sudut, kecepatan, percepatan, serta rotasi gerakan secara sangat komprehensif.

3. Pemrosesan Data Temporal dengan LSTM

Gerakan tarian bukanlah gambar diam, melainkan rangkaian data seiring berjalannya waktu (time-series). Untuk menganalisis pola temporal ini, data yang dikumpulkan dari kamera (CNN) dan sensor IoT digabungkan dan diproses menggunakan algoritma Long Short-Term Memory (LSTM) di dalam cloud server (Azure). LSTM sangat unggul dalam memodelkan hubungan pergerakan dari waktu ke waktu, sehingga sistem dapat memberikan evaluasi yang stabil dan tidak bias.

Umpan Balik Real-Time: Kunci Adaptasi Motorik

Fitur paling revolusioner dari Gandara adalah kemampuannya memberikan umpan balik (feedback) saat penari sedang bergerak. Umpan balik dalam pembelajaran motorik terbukti secara ilmiah dapat mempercepat adaptasi dan konsistensi gerakan. Saat sistem mendeteksi ketidaksesuaian postur, misalnya posisi bahu yang kurang tinggi atau rotasi pergelangan tangan yang kurang tepat, perangkat wearable pada tubuh penari akan langsung memberikan respons berupa getaran (haptic feedback).

Penggunaan getaran ini dirancang secara matang agar instruksi koreksi dapat diterima seketika oleh penari tanpa harus mengganggu pendengaran mereka terhadap irama musik pengiring tarian. Sementara itu, instruktur dapat melihat rekapan kesalahan secara detail melalui visualisasi deskriptif di aplikasi mobile, lengkap dengan informasi titik tubuh yang salah beserta detik kejadiannya.

Dampak Sosial dan Pembangunan Berkelanjutan

Lebih dari sekadar proyek teknologi, Gandara diciptakan dengan visi yang sejalan dengan Sustainable Development Goals (SDGs) yang dicanangkan oleh PBB. Melalui inovasi ini, kami berkontribusi pada pencapaian:

• SDG 4 (Quality Education): Memajukan kualitas pendidikan seni berbasis digital yang lebih interaktif, mudah diakses, dan terukur secara objektif.
• SDG 11 (Sustainable Cities and Communities): Mendukung komunitas sanggar dalam menjaga kelestarian warisan budaya lokal di tengah modernisasi kota.
• SDG 16 (Peace, Justice and Strong Institutions): Membangun kesadaran kolektif yang kuat di kalangan generasi muda untuk mencintai dan mempertahankan identitas budayanya melalui pendekatan yang relevan dengan zaman.

Menjaga warisan budaya di era modern tidak berarti kita harus menolak teknologi. Sebaliknya, teknologi harus diberdayakan sebagai alat untuk melestarikan budaya itu sendiri. Gandara hadir sebagai jembatan yang menghubungkan keindahan tradisi masa lalu dengan kecerdasan komputasi masa depan. Dengan evaluasi gerakan yang objektif dan real-time, proses belajar menari tidak lagi menjadi sesuatu yang penuh dengan kebingungan, melainkan menjadi sebuah pengalaman motorik yang presisi, menyenangkan, dan efektif. Melalui kolaborasi antara seni dan sains, kita dapat memastikan bahwa keindahan gemulai tarian tradisional Indonesia akan terus lestari dan relevan sepanjang masa.

Ditulis oleh: Mohamad Zaki Zakiran, Mahasiswa Program Studi Teknik Informatika, Universitas Komputer Indonesia

Referensi:

• Ayu Sasmi, D. dan Zulfa Hasan, U. (2024). Preservation of Traditional Dance as A Medium of Education and Identity of the Indonesian Nation.
• Dinas Kebudayaan dan Pariwisata Kota Bandung (2023). Identifikasi Potensi Bandung Creative Belt-2023.
• Gamble, M. dan Johnson, N.F. (2025). Enhancing summative assessment and pedagogy of senior secondary dance education through digital technologies.
• Hidayat, S., Muhammad Bachtiar, B. dan Ardian, R. (2025). MEMPERKUAT IDENTITAS NASIONAL MELALUI GENERASI MUDA DALAM MELESTARIKAN BUDAYA LOKAL DI SANGGAR ASTAGIRI KABUPATEN KUNINGAN.
• Jocham, R., Coleman, J. dan Sutherland, J. (2025). Scrum Guide Expansion Pack Section 1.
• Ma, J., Ma, L., Qi, S., Zhang, B. dan Ruan, W. (2025). A practical study of artificial intelligence-based real-time feedback in online physical education teaching.
• Melati Sukma, K., Wahyuningtyas, T. dan Widyawati, I.W. (2023). Keberadaan Sanggar Seni Acharya Budaya dalam Pengembangan Seni Tari di Kabupaten Blitar.
• Mendonca, J. et al. (2025). IMU-based segmental root mean square analysis of gait in individuals with cerebellar ataxia.
• Ni, J. et al. (2024). A Survey on Multimodal Wearable Sensor-based Human Action Recognition.
• Nufus, N., Lestari, D.J., dan Tiyas, W. (2025). Model Pembelajaran Kooperatif Tipe STAD terhadap Keterampilan Menari Siswa SMP Negeri 2 Labuan.
• Singh, A.K., Kumbhare, V.A. dan Arthi, K. (2022). Real-Time Human Pose Detection and Recognition Using MediaPipe.
• Sitoresmi, A. (2024). Tari yang Berasal dari Jawa Barat Adalah Warisan Budaya yang Memukau.
• Soerel, B.F. et al. (2023). An analysis of teachers’ instructions and feedback at a contemporary dance university.
• Tezeract (2021). AI Dance App Case Study: Moveally By Tezeract.
• Yijun, L. (2025). Interdisciplinary Cultural And Humanities Review Dance as a cultural expression.
• Zhou, H. et al. (2023). Multi-Sensor Data Fusion and CNN-LSTM Model for Human Activity Recognition System.
• Zhou, Z., Xu, A. dan Yatani, K. (2021). SyncUp: Vision-based Practice Support for Synchronized Dancing.