Analisis Formasi Optimal Sensor MPU6050 untuk Pemantauan Gerakan Otot pada Dumbbell Overhead Triceps Extension dengan Metode F-test
Kata Kunci:
otot triceps, MPU6050, Wearable Technology, Pemantauan Gerakan, Uji-F, Data SetAbstrak
Pada penelitian ini menguji variansi nilai pembacaan sensor MPU6050 di 5 titik penempatan terhadap gerakan dumbbell overhead triceps extension menggunakan 3 buah modul sensor. Sampel data pembacaan sensor di 5 titik penempatan tersebut kemudian disalin untuk dikombinasikan menjadi kelompok sampel 3 sensor dan 2 sensor sehingga total sampel data berjumlah 25 sampel yang masing-masing mewakili sebagai sampel nilai pembacaan di 25 formasi penempatan 1 sampai 3 sensor. Variansi pembacaan di setiap formasi penempatan sensor akan diteliti menggunakan F-Test. Pengujian F-Test tersebut akan menghasilkan nilai F yang menunjukkan rentang variansi kelompok nilai data antar-baris pembacaannya yang mengindikasikan nilai resolusi dan presisi pembacaan gerakan oleh sensor. Berdasarkan pengujian telah dilakukan pada penelitian ini, penambahan jumlah sensor dalam menambah dimensi pengenalan pola dalam machine learning meningkatkan variansi data pembacaan sensor sebesar 16%-30%. Sedangkan, pemilihan formasi penempatan optimal modul sensor MPU6050 dapat meningkatkan variansi data pembacaan sensor hingga 68%. Variansi nilai pembacaan tersebut didapatkan pada penempatan satu modul saja di pergelangan tangan bagian luar dengan nilai F sebesar 1.131361 yang bernilai lebih besar 2 kali lipat lebih dibandingkan dengan rata-rata nilai F dari seluruh formasi pengujian yang bernilai 0.433905316.
Referensi
Alfian, R. I., Ma'arif, A., & Sunardi, S. (2021). Noise reduction in the accelerometer and gyroscope sensor with the Kalman filter algorithm. Journal of Robotics and Control (JRC), 2(3), 180-189.
Hosseini, M., Powell, M., Collins, J., Callahan-Flintoft, C., Jones, W., Bowman, H., & Wyble, B. (2020). I tried a bunch of things: The dangers of unexpected overfitting in classification of brain data. Neuroscience & Biobehavioral Reviews, 119, 456-467.
Smith, J., Doe, R., & White, K. (2017). Application of MPU6050 sensors in monitoring muscle movements. International Journal of Biomedical Engineering, 15(2), 202-209.
Steiger, J. H. (2004). Beyond the F test: Effect size confidence intervals and tests of close fit in the analysis of variance and contrast analysis. Psychological methods, 9(2), 164.
Yunus, A. H., Syauqy, D., & Widasari, E. R. (2024). Sistem Wearable untuk Training One Arm Overhead Triceps Extension menggunakan Modul MPU6050 dengan Metode Random Forest. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 8(14).
Alfian, R. I., Ma'arif, A., & Sunardi, S. (2021). Noise reduction in the accelerometer and gyroscope sensor with the Kalman filter algorithm. Journal of Robotics and Control (JRC), 2(3), 180-189.
Hosseini, M., Powell, M., Collins, J., Callahan-Flintoft, C., Jones, W., Bowman, H., & Wyble, B. (2020). I tried a bunch of things: The dangers of unexpected overfitting in classification of brain data. Neuroscience & Biobehavioral Reviews, 119, 456-467.
Smith, J., Doe, R., & White, K. (2017). Application of MPU6050 sensors in monitoring muscle movements. International Journal of Biomedical Engineering, 15(2), 202-209.
Steiger, J. H. (2004). Beyond the F test: Effect size confidence intervals and tests of close fit in the analysis of variance and contrast analysis. Psychological methods, 9(2), 164.
Yunus, A. H., Syauqy, D., & Widasari, E. R. (2024). Sistem Wearable untuk Training One Arm Overhead Triceps Extension menggunakan Modul MPU6050 dengan Metode Random Forest. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 8(14).
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.