ITBITB

Journal of Engineering and Technological SciencesJournal of Engineering and Technological Sciences

Pemanfaatan sinyal elektromyografi (EMG) dapat digunakan untuk mendekode gerakan jari pada robotika ekzoskeleton, prostetik tangan, dan kursi roda bertenaga, sehingga menarik perhatian banyak peneliti. Namun, mendekode setiap gerakan merupakan tugas yang menantang. Keberhasilan penggunaan sinyal EMG bergantung pada pemilihan ekstraksi fitur dan model klasifikasi yang tepat, khususnya pada proses ekstraksi fitur. Oleh karena itu, penelitian ini melakukan evaluasi delapan metode ekstraksi fitur pada berbagai metode pembelajaran mesin, yaitu Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Decision Tree (DT), Naïve Bayes (NB), dan Quadratic Discriminant Analysis (QDA). Dataset dari empat subjek sehat digunakan untuk mengklasifikasikan dua belas gerakan jari. Melalui lima kali cross-validation, hasil menunjukkan bahwa hampir semua ekstraksi fitur yang dipadukan dengan SVM menghasilkan kinerja yang lebih baik dibandingkan kombinasi fitur dan classifier lainnya. Kombinasi nilai absolut rata-rata (MAV) sebagai fitur dan SVM sebagai classifier merupakan yang terbaik, dengan akurasi sebesar 94,01%.

Penelitian ini mengevaluasi beberapa metode ekstraksi fitur yang diterapkan pada lima model klasifikasi untuk memprediksi dua belas pola gerakan tangan berdasarkan sinyal elektromiografi.Hasil menunjukkan bahwa Support Vector Machine dengan fitur mean absolute value (MAV) memberikan akurasi tertinggi sebesar 94,01 %, sedangkan fitur RMS memberikan akurasi rata-rata tertinggi (88,71 %) di semua model pembelajaran mesin.Ke depannya, penelitian ini diharapkan dapat memperluas aplikasi kontrol robot prostetik bagi amputee berdasarkan pola gerakan yang diinginkan.

Penelitian selanjutnya dapat menguji performa Support Vector Machine dengan fitur mean absolute value (MAV) pada data EMG yang diambil dari subjek amputee untuk mengetahui sejauh mana akurasi yang sama dapat dicapai pada populasi yang berbeda; selanjutnya, pengembangan sistem klasifikasi secara real‑time menggunakan kombinasi fitur MAV dan RMS dapat dipelajari untuk menilai responsivitas dan kehandalan kontrol prostetik dalam kondisi penggunaan sehari-hari; terakhir, studi adaptif yang mengeksplorasi teknik ekstraksi fitur dinamis untuk mengatasi variabilitas sinyal akibat perubahan posisi elektroda dan kondisi otot dapat memberikan solusi robust bagi aplikasi jangka panjang. Dengan menggabungkan ketiga arah penelitian ini, diharapkan dapat tercapai sistem kontrol prostetik yang lebih akurat, responsif, dan dapat diandalkan bagi pengguna amputee.

  1. The Risk of Failure Assessment in Bina Marga Standard Designed Prestressed Concrete Girder Bridges under... journals.itb.ac.id/index.php/jets/article/view/20466The Risk of Failure Assessment in Bina Marga Standard Designed Prestressed Concrete Girder Bridges under journals itb ac index php jets article view 20466
Read online
File size377.11 KB
Pages13
DMCAReport

Related /

ads-block-test