Pengembangan Sistem Pengenalan Pergerakan Prostetik Tangan Bionik Menggunakan Metode K-Nearest Neighbor dengan Fitur Power Spectral Density
Kata Kunci:
Pengembangan Sistem, Pengenalan Pergerakan, Tangan Prostetik Bionik, K-Nearest Neighbor(KNN), Power Spectral Density(PSD)Abstrak
Skripsi ini berfokus pada pengembangan sistem pengenalan pergerakan untuk tangan prostetik bionik menggunakan sensor EMG MyoWare v2. Pengembangan ini penting karena penelitian sebelumnya menunjukkan bahwa akurasi pengenalan gerakan yang dapat dihasilkan oleh tangan prostetik bionik masih menjadi tantangan. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan keterbatasan tersebut dengan menambahkan tahap pre-processing fitur ekstraksi Power Spectral Density (PSD) yang dapat meningkatkan akurasi pengenalan gerakan. Tujuan utama dari penelitian ini adalah untuk menciptakan sistem yang dapat menginterpretasikan pergerakan manusia secara akurat dan efisien, sehingga dapat meningkatkan kualitas hidup bagi individu yang membutuhkan prostetik. Metode K-Nearest Neighbor (KNN) digunakan dalam sistem ini untuk klasifikasi gerakan, dengan Power Spectral Density (PSD) sebagai fitur dalam proses pengenalan. Hasil penelitian menunjukkan bahwa meskipun sistem dapat membaca klasifikasi gerakan dengan baik, fitur ini sangat sensitif terhadap perubahan frekuensi data dan memerlukan komputasi yang cukup besar dibandingkan dengan fitur ekstraksi lainnya. Waktu komputasi yang didapat pada pergerakan tangan rata-rata adalah 0,29 detik, yang menunjukkan peningkatan dibandingkan penelitian sebelumnya dengan waktu komputasi 0,41 detik antar gerakan yang mana terjadi peningkatan sebesar 29,27%. Sensor EMG Myoware menunjukkan tingkat akurasi yang sangat baik dalam pembacaan sinyal EMG. Nilai sinyal yang diperoleh untuk semua variasi gerakan sesuai dengan nilai rentang acuan, dengan nilai tertinggi 2.72 V pada gerakan genggam dan nilai terendah 0.18 V pada gerakan buka. Ini menunjukkan bahwa sensor dapat membaca sinyal dengan akurasi yang tinggi. Rata-rata penggunaan memori adalah 640 Bytes (SRAM) dan 8894 Bytes (FLASH).
Referensi
Abbaspour, Sara, Maria Lindén, Hamid Gholamhosseini, Autumn Naber, dan Max Ortiz-Catalan. “Evaluation of Surface EMG-Based Recognition Algorithms for Decoding Hand Movements.” Medical & Biological Engineering & Computing 58, no. 1 (2019): 83–100. https://doi.org/10.1007/s11517-019-02073-z.
Altın, Cemil, dan Orhan Er. “Comparison of Different Time and Frequency Domain Feature Extraction Methods on Elbow Gesture’s EMG.” European Journal of Interdisciplinary Studies 5, no. 1 (2016): 35. https://doi.org/10.26417/ejis.v5i1.p35-44.
Chakraborty, P., Neogi, B., & Das, A. (2020). Knowledge based database of ARM-muscle and activity characterization during load pull exercise using diagnostic electromyography (D-EMG) signal. Cogent Engineering, 7(1), 1849942. https://doi.org/10.1080/23311916.2020.1849942
Heydarzadeh, M., Birjandtalab, J., & Nourani, M. (2017). EMG spectral analysis for Prosthetic Finger Control. 2017 European Conference on Electrical Engineering and Computer Science (EECS). https://doi.org/10.1109/eecs.2017.33
Heydarzadeh, Mehrdad, Javad Birjandtalab, dan Mehrdad Nourani. “EMG Spectral Analysis for Prosthetic Finger Control.” 2017 European Conference on Electrical Engineering and Computer Science (EECS), 2017. https://doi.org/10.1109/eecs.2017.33.
Mahmood, N. T., Al-Muifraje, M. H., Saeed, T. R., & Kaittan, A. H. (2020). Upper Prosthetic design based on EMG: A systematic review. IOP Conference Series: Materials Science and Engineering, 978(1), 012025. https://doi.org/10.1088/1757-899x/978/1/012025
Pamungkas, Daniel, Sumantri R Kurniawan, dan Benrico F Simamora. “Perbandingan Antara Domain Waktu Dan Frekuensi Untuk Pengenalan Sinyal EMG.” Jurnal Rekayasa Elektrika 17, no. 1 (2021): 36–41. https://doi.org/10.17529/jre.v17i1.16844.
Potluri, C., Kumar, P., Anugolu, M., Urfer, A., Chiu, S., Naidu, D. S., & Schoen, M. P. (2010). Frequency domain surface EMG sensor fusion for estimating finger forces. 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. https://doi.org/10.1109/iembs.2010.5627575
Wang, Y., Tian, Y., She, H., Jiang, Y., Yokoi, H., & Liu, Y. (2022). Design of an effective prosthetic hand system for adaptive grasping with the control of Myoelectric Pattern Recognition Approach. Micromachines, 13(2), 219. https://doi.org/10.3390/mi13020219
Abbaspour, Sara, Maria Lindén, Hamid Gholamhosseini, Autumn Naber, dan Max Ortiz-Catalan. “Evaluation of Surface EMG-Based Recognition Algorithms for Decoding Hand Movements.” Medical & Biological Engineering & Computing 58, no. 1 (2019): 83–100. https://doi.org/10.1007/s11517-019-02073-z.
Altın, Cemil, dan Orhan Er. “Comparison of Different Time and Frequency Domain Feature Extraction Methods on Elbow Gesture’s EMG.” European Journal of Interdisciplinary Studies 5, no. 1 (2016): 35. https://doi.org/10.26417/ejis.v5i1.p35-44.
Chakraborty, P., Neogi, B., & Das, A. (2020). Knowledge based database of ARM-muscle and activity characterization during load pull exercise using diagnostic electromyography (D-EMG) signal. Cogent Engineering, 7(1), 1849942. https://doi.org/10.1080/23311916.2020.1849942
Heydarzadeh, M., Birjandtalab, J., & Nourani, M. (2017). EMG spectral analysis for Prosthetic Finger Control. 2017 European Conference on Electrical Engineering and Computer Science (EECS). https://doi.org/10.1109/eecs.2017.33
Heydarzadeh, Mehrdad, Javad Birjandtalab, dan Mehrdad Nourani. “EMG Spectral Analysis for Prosthetic Finger Control.” 2017 European Conference on Electrical Engineering and Computer Science (EECS), 2017. https://doi.org/10.1109/eecs.2017.33.
Mahmood, N. T., Al-Muifraje, M. H., Saeed, T. R., & Kaittan, A. H. (2020). Upper Prosthetic design based on EMG: A systematic review. IOP Conference Series: Materials Science and Engineering, 978(1), 012025. https://doi.org/10.1088/1757-899x/978/1/012025
Pamungkas, Daniel, Sumantri R Kurniawan, dan Benrico F Simamora. “Perbandingan Antara Domain Waktu Dan Frekuensi Untuk Pengenalan Sinyal EMG.” Jurnal Rekayasa Elektrika 17, no. 1 (2021): 36–41. https://doi.org/10.17529/jre.v17i1.16844.
Potluri, C., Kumar, P., Anugolu, M., Urfer, A., Chiu, S., Naidu, D. S., & Schoen, M. P. (2010). Frequency domain surface EMG sensor fusion for estimating finger forces. 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. https://doi.org/10.1109/iembs.2010.5627575
Wang, Y., Tian, Y., She, H., Jiang, Y., Yokoi, H., & Liu, Y. (2022). Design of an effective prosthetic hand system for adaptive grasping with the control of Myoelectric Pattern Recognition Approach. Micromachines, 13(2), 219. https://doi.org/10.3390/mi13020219
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
