ABSTRAK Nama : Milyun Ni'ma Shoumi Program Studi : Magister Ilmu Komputer Judul : Pendekatan Sparse Encoding Symmetric Machines (SESM) pada Deep Belief Network (DBN) untuk Analisis dan Sintesis Beberapa Jenis Gerakan Analisis gerak merupakan salah satu topik dalam computer vision yang mempelajari metode untuk mendapatkan informasi dari serangkaian gambar yang dihasilkan oleh video. Sedangkan rekonstruksi gerak merupakan upaya untuk mensimulasikan suatu gerak baru berdasarkan gerakan yang telah ada. Penelitian ini mengusulkan pengembangan sistem analisa dan sintesa gerak yang memanfaatkan deep learning untuk menggali fitur dan struktur hierarki pada berbagai jenis gerakan. Metode yang diusulkan adalah modifikasi Temporal Deep Belief Network (TDBN), dimana TDBN merupakan deep learning dengan dua layer yang terdiri dari lima RBM di layer pertama dan CRBM di layer kedua. Modifikasi dilakukan pada layer pertama dengan mengubah jumlah RBM dan