Analisis Perbandingan Fitur Waveform Length, Mean Absolute Value, dan Variance pada Sistem Pengenalan Pergerakan Prostetik Tangan Bionik

Abstrak

Meningkatnya jumlah orang yang kehilangan tangan akibat kecelakaan dan penyakit, terutama di negara-negara berkembang seperti Indonesia, menciptakan hambatan besar karena biaya mahal untuk mendapatkan prostetik tangan. Menurut laporan "Disability" tahun 2022 dari Badan Pusat Statistik Indonesia, sekitar 240.000 orang memerlukan prostetik tangan untuk menggerakkan tangan. Kondisi ini berdampak negatif pada kualitas hidup dan kesejahteraan psikologis mereka. Pengembangan prostetik tangan bionik bawah siku yang terjangkau menjadi solusi potensial, meskipun tantangan utama melibatkan konsistensi respons sistem dan keterbatasan gerakan. Oleh karena itu, Penelitian ini mengeksplorasi pendekatan ekstraksi fitur, terutama Mean Absolute Value (MAV), Waveform Length (WL), dan Variance (VAR), untuk meningkatkan akurasi dan variasi gerakan dalam pengenalan gerakan otot lengan bawah pada prostetik tangan bionik. Hasil pengujian terhadap 8 gerakan menunjukkan bahwa pengukuran sensor EMG Myoware akurat, dan ekstraksi fitur MAV terbukti paling efektif dalam mengklasifikasikan sinyal EMG. Analisis statistik Independent Sample T-Test menunjukkan superioritas MAV terhadap WL dan VAR dalam membedakan gerakan. Meskipun perbedaan waktu komputasi dan penggunaan memori tidak signifikan, MAV tetap menjadi pilihan terbaik. Penelitian ini memberikan panduan dalam memilih fitur ekstraksi optimal untuk meningkatkan akurasi dan konsistensi sistem prostetik tangan bionik, berpotensi berkontribusi pada pengembangan yang lebih efisien dan terjangkau serta peningkatan kualitas hidup penyandang disabilitas.