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

ABSTRAK IMAM RAKHMADI
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

COVER
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB I
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

Bab II
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

Bab III
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB IV
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

BAB V
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

DAFTAR PUSTAKA
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

LAMPIRAN
Terbatas  Rina Kania
» Gedung UPT Perpustakaan

Pergelangan tangan merupakan bagian tubuh yang penting bagi manusia untuk melakukan berbagai aktivitas. Gerakan dasar yang terjadi pada pergelangan tangan umumnya melibatkan fleksi, ekstensi, serta kondisi lurus di antara fleksi dan ekstensi (normal). Gerakan ini dapat diidentifikasi dengan sinyal surface electromyography (sEMG). Kemunculan metode sinyal sEMG ini memungkinkan manusia dapat berkomunikasi atau berinteraksi dengan komputer melalui aktivitas otot tubuhnya. Meskipun demikian, akuisisi, pemrosesan sinyal, dan klasifikasi gerakan dari sinyal sEMG ini sangatlah kompleks. Oleh karena itu, penelitian ini bertujuan untuk merancang metode akuisisi dan pemrosesan sinyal sEMG untuk gerakan pergelangan tangan, serta merancang algoritma klasifikasi untuk mengidentifikasi gerakan pergelangan tangan yang meliputi gerakan fleksi, ekstensi, dan normal. Hal tersebut menjadikan penelitian ini sebagai tahap awal pengembangan sistem antarmuka otot-komputer untuk gerakan pergelangan tangan. Tahapan-tahapan utama dalam penelitian ini mencakup akuisisi data menggunakan Cyton Board OpenBCI, pemrosesan sinyal, dan klasifikasi gerakan dengan algoritma support vector machine (SVM) yang dilakukan secara luring dan tidak dalam waktu nyata. Fitur yang digunakan sebagai masukan SVM adalah fitur root mean square (RMS) dengan jendela bergerak. Penelitian ini telah mendapatkan rancangan untuk akuisisi dan pemrosesan sinyal sEMG yang baik sehingga fitur RMS dapat diekstraksi untuk keperluan klasifikasi. Selain itu, rancangan algoritma untuk klasifikasi gerakan yang telah dilakukan mendapatkan performa yang cukup tinggi dengan akurasi 90,27%, presisi 90,61%, sensitivitas 90,17%, dan f1-score 90,27%. Hal ini menunjukkan bahwa antarmuka otot-komputer telah mampu mengklasifikasikan gerakan pergelangan tangan, meliputi fleksi, ekstensi, dan normal dengan tingkat akurasi yang cukup tinggi. Kata kunci: sEMG, Antarmuka Otot-Komputer, RMS, SVM, OpenBCI