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

ABSTRAK Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 1 Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 2 Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 3 Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 4 Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 5 Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

COVER Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

DAFTAR PUSTAKA Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

LAMPIRAN Joel Abednego
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Kebutuhan akan sistem bantu mobilitas tangan sangat nyata dalam mengatasi kendala yang dihadapi manusia dalam melakukan tugas-tugas yang bersifat baik canggih maupun sederhana, baik itu lengan pakaian antariksa bermotor dalam eksplorasi luar angkasa maupun lengan prostetik untuk kehidupan sehari-hari bagi mereka yang kehilangan anggota badan. Studi ini mengusulkan solusi dengan mengintegrasikan model klasifikasi gestur berbasis EMG untuk suatu sistem bantu mobilitas tangan. Sinyal elektromiografi permukaan (sEMG) dari aktivitas flexor digitorum profundus digunakan untuk klasifikasi gestur. Empat algoritma machine learning—Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree (DT), dan Random Forest Classifier (RFC)—digunakan untuk klasifikasi, setelah ekstraksi fitur domain waktu dari sinyal EMG. Hypermarameter yang optimal digunakan, pada SVM digunakan kernel linear, nearest neighbor sebanyak satu untuk KNN, dan entropy criterion untuk DT dan RFC. Hasil menunjukkan bahwa semua model mencapai akurasi, presisi, skor F1, dan recall sebesar 100%. Namun, waktu komputasi bervariasi, dengan KNN muncul sebagai yang tercepat (0.29 detik), diikuti oleh DT (0.299 detik), SVM (0.973 detik), dan RFC (5.485 detik). Studi ini menyimpulkan bahwa model pembelajaran mesin ini secara efektif mengklasifikasikan gestur (Precision Closed, Power Grip, Precision Open, and Lateral Pinch) berdasarkan data EMG yang diperoleh. Untuk meningkatkan model, penelitian kedepannya sebaiknya mengeksplorasi algoritma alternatif seperti neural network dan meningkatkan keragaman data gestur. Integrasi ini menjanjikan peningkatan signifikan dalam sistem bantu mobilitas tangan untuk individu dalam berbagai konteks.