Perpustakaan Digital ITB

Elektromiografi (EMG) telah digunakan secara luas dalam pengenalan gerakan untuk rehabilitasi atau kontrol prostetik. Salah satu tantangan dalam pengenalan gerakan berbasis EMG adalah klasifikasi sinyal EMG yang efektif dan akurat. Dalam penelitian ini, akan dilakukan perbandingkan performa dari ekstraksi fitur pada domain waktu, domain frekuensi dan domain waktu-frekuensi dengan metode klasifikasi SVM, KNN dan decision tree terhadap sinyal EMG. Data sinyal EMG diperoleh dari publik dataset dengan total subjek 36 orang. Metode ekstraksi fitur pada domain waktu akan menggunakan fitur-fitur umum seperti Root Mean Square (RMS), mean absolute value (MAV), variance (VAR), zero crossing (ZC) dan Integrated EMG (IEMG), pada domain frekuensi akan menggunakan fitur-fitur dari mean frequency (MNF), median frequency (MDF), mean power (MNP), peak frequency (PKF) dan total power (TP), sedangkan pada domain waktu-frekuensi akan menggunakan Wavelet transform (WT). Klasifikasi sinyal EMG akan menggunakan beberapa metode klasifikasi di antaranya Support vector machine (SVM), k-Nearest Neighbour (K-NN) dan decision tree (DT). Hasil penelitian ini menunjukkan bahwa ektraksi fitur pada domain frekuensi secara signifikan lebih baik dari pada domain waktu ataupun domain waktu-frekuensi dalam klasifikasi sinyal EMG menggunakan metode klasifikasi decision tree dengan akurasi klasifikasi yang lebih tinggi yaitu 99.26%. Hasil penelitian ini dapat menjadi acuan dalam pemilihan metode klasifikasi dan ektraksi fitur sinyal EMG yang lebih akurat dan efektif dalam pengenalan gerakan pada rehabilitasi atau kontrol prostetik.