digilib@itb.ac.id +62 812 2508 8800

KOMBINASI FITUR SINYAL EMG UNTUK KLASIFIKASI GERAKAN JARI TANGAN

Penulis : Firzal Arland [23220078]
Kontributor / Dosen Pembimbing :
  • Dr. Ir. Agung Wahyu, M.T., I.P.M., ASEAN Eng.
Jenis Koleksi : Tesis
Penerbit : Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : EMG, Multi Fitur Ekstraksi, Transformasi Data, Machine Learning.
Sumber :
Staf Input/Edit : Dessy Rondang Monaomi  
File : 1 file
Tanggal Input : 12 Agu 2023

23220078 FIRZAL ARLAND.pdf
PUBLIC Dessy Rondang Monaomi

Saat ini di Indonesia teknologi di bidang robotik dan AI semakin maju dan pesat. Dikutip dari laman KEMENKES, teknologi bedah robotika sudah mulai berjalan dari Pusat Bedah Robotik Indonesia sejak tahun 2021. Perkembangan teknologi pada bidang rehabilitasi seperti deteksi kekuatan otot pada pasien stroke dengan menggunakan EMG. EMG merupakan teknik pengukuran yang digunakan untuk merekam aktivitas listrik yang dihasilkan oleh otot-otot tubuh manusia. Penggunaan EMG pun sudah banyak diteleti pada bidang medis. Salah satu penelitian menggunakan EMG yaitu deteksi gerakan jari tangan menggunakan MyoArmband. MyoArmband merupakan sebuah modul EMG yang akan mendeteksi kontraksi otot pada pengguna. MyoArmband berbentuk seperti gelang dan memiliki delapan buah kanal EMG. Namun penelitian menggunakan MyoArmband menjadi sebuah kendala, karena harganya yang cukup mahal dan membutuhkan sistem yang cukup kompleks. Oleh sebab itu dalam penelitian ini akan mengusulkan pemakaian Myoware sebanyak tiga kanal yang berguna untuk membaca aktivitas otot tangan. Tiga kanal Myoware akan di letakan pada area lengan bawah untuk mendeteksi gerakan jari tangan. Nilai yang didapat akan disimpan dalam bentuk data CSV. Data yang tersimpan akan melalui tahap ekstraksi fitur untuk mendapatkan fitur-fiturnya. Ekstraksi Fitur yang dilakukan seperti RMS, MAV, VAR, dan IEMG pada domain waktu. Pengambilan fitur ini nantinya akan dikombinasikan agar performa klasifikasi bisa semakin baik. Selain itu penelitian ini juga membandingkan penggunaan transformasi data berupa StandardScaler yang akan diolah menggunakan beberapa metode klasifikasi machine learning di antaranya k- Nearest Neighbour (KNN), Decision Tree (DT), dan Random Forest (RF). Hasil dari penelitian ini adalah dengan melakukan kombinasi fitur untuk klasifikasi gerakan jari tangan dapat menambah nilai akurasi dari klasifikasi yang dilakukan. Kombinasi fitur yang mendapatkan nilai akurasi paling tinggi yaitu pada kombinasi RMS+MAV+VAR dengan menggunakan StandardScaler. Nilai akurasi yang didapat mencapai 95,19% dengan nilai presisi 95.15%, sensitivitas 95,2% dan spesifisitas 98,8%.

Artikel Terkait