Izzati, Dhea Nur Fariza (2023) Pengembangan tangan prostetik dengan kendali sinyal emg dan menerapkan supervised machine learning dan IoT. Skripsi thesis, Politeknik Kesehatan Kemenkes Surabaya.
![[thumbnail of 1. Cover.pdf]](http://repo.poltekkesdepkes-sby.ac.id/style/images/fileicons/text.png) |
Text
1. Cover.pdf Download (80kB) |
|
Text
2. Halaman Persetujuan Pembimbing.pdf Restricted to Repository staff only Download (130kB) |
|
Text
3. Halaman Pengesahan Penguji.pdf Restricted to Repository staff only Download (133kB) |
|
Text
4. Abstrak.pdf Download (60kB) |
|
Text
5. Kata Pengantar.pdf Restricted to Repository staff only Download (179kB) |
|
Text
6. Daftar Isi.pdf Download (169kB) |
|
Text
7. Daftar Tabel.pdf Download (58kB) |
|
Text
8. Daftar Gambar.pdf Download (68kB) |
|
Text
9. Bab 1.pdf Restricted to Repository staff only Download (139kB) |
|
Text
10. Bab 2.pdf Restricted to Repository staff only Download (335kB) |
|
Text
11. Bab 3.pdf Restricted to Repository staff only Download (257kB) |
|
Text
12. Bab 4.pdf Restricted to Repository staff only Download (735kB) |
|
Text
13. Bab 5.pdf Restricted to Repository staff only Download (546kB) |
|
Text
14. Bab 6.pdf Restricted to Repository staff only Download (60kB) |
|
Text
15. Daftar Pustaka.pdf Download (169kB) |
|
Text
16. Lampiran.pdf Restricted to Repository staff only Download (746kB) |
|
Text
17. Artikel.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Penggunaan tangan prostetik sangat dibutuhkan oleh penyandang disabilitas, khususnya pasien yang mengalami amputasi lengan bawah atau telapak. Dengan pengembangan tangan prostetik ini diharapkan akan membantu para penyandang disabilitas amputasi telapak tangan. Dengan menggunakan metode pengenalan machine learning dan monitoring pada platform IoT, hasil dari penyadapan sinyal EMG akan dikelompokkan oleh machine learning dan aktifitas sinyal EMG akan dibaca oleh aplikasi Android. Terdapat 2 klasifikasi pengambilan data sinyal EMG, yaitu responden dengan kebiasaan melatih kekuatan otot tangan dan responden yang tidak terbiasa melatih kekuatan otot tangan. Data sinyal EMG diolah menggunakan sistem pengenalan ekstraksi fitur jenis RMS (Root Means Square), STE (Short Time Energy), dan IEMG (Intregrated Electromyograph). Hasil dari masing- masing ekstraksi fitur berhasil dibandingkan dan diambil yang paling baik diantara ketiganya, hasil paling baik yaitu jenis ekstraksi fitur RMS dengan nilai Euclidean Distance 5938,905. Kemudian platform IoT yang memiliki nilai rata-rata error 1,99%, yang berhasil mengirim data lebih dari satu data perdetik. Softwere android ini mampu memonitoring jarak jauh aktifitas sinyal EMG yang disadap.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Additional Information: | 11SKR20230011 |
| Uncontrolled Keywords: | Ekstraksi Fitur, EMG, IoT |
| Subjects: | R Medicine > Medical Electronics |
| Divisions: | Poltekkes Kemenkes Surabaya > Jurusan Teknologi Elektromedik > Program Studi Sarjana Terapan Teknologi Rekayasa Elektro-medis |
| Depositing User: | Misnawar |
| Date Deposited: | 26 Jan 2024 03:19 |
| Last Modified: | 26 Jan 2024 03:19 |
| URI: | http://repo.poltekkesdepkes-sby.ac.id/id/eprint/7756 |
Actions (login required)
 |
View Item |