Latihan push-up secara mandiri sering dilakukan tanpa pengawasan profesional sehingga kesalahan teknik kerap tidak disadari dan dapat menurunkan efektivitas latihan serta meningkatkan risiko cedera. Penelitian ini mengembangkan aplikasi mobile berbasis computer vision untuk mengevaluasi kualitas gerakan push-up secara real-time pada platform Android. Pose tubuh diekstraksi menggunakan MoveNet Thunder yang menghasilkan 17 keypoint per frame, kemudian direkayasa menjadi 81 fitur yang mencakup koordinat sendi, sudut biomekanik, confidence score, indikator keypoint hilang, dan kecepatan antar-frame. Sekuens 30 frame diklasifikasikan menggunakan model Bidirectional Gated Recurrent Unit (BiGRU) 48 unit yang diikuti lapisan GRU searah 24 unit. Dataset berjumlah 220 video push-up (110 benar dan 110 salah) yang dikumpulkan dari dataset publik Kaggle, perekaman mandiri, dan platform berbagi video daring, divalidasi oleh pelatih kebugaran bersertifikat, dan dibagi dengan skema stratified split 70:15:15 yang divalidasi melalui 500 Monte Carlo trials. Model terbaik dari tiga kali pelatihan dengan seed berbeda memperoleh akurasi uji 85,36%, precision 85,13%, recall 84,85%, F1-score 84,98%, dan ROC-AUC 0,8992, melampaui target minimum 80%. Confusion matrix atas 239 segmen data uji menunjukkan 83 true negative, 121 true positive, 19 false positive, dan 16 false negative. Model dikonversi ke TensorFlow Lite dan diintegrasikan ke aplikasi Android bernama KINETIC yang dibangun dengan Kotlin dan Jetpack Compose, menampilkan skeleton overlay real-time, penghitung repetisi, dan umpan balik biomekanik. Black-box testing pada 56 test case seluruhnya berhasil, dan User Acceptance Testing terhadap 12 responden menghasilkan rata-rata 4,13 dari 5 (82,6%), yang menunjukkan penerimaan pengguna yang baik