KENDALI TANGAN PROSTETIK MELALUI PENGENALAN POLA ISYARAT EMG 2 CHANNEL (Machine Learning)

Herdinanta, Dhimas Sugma (2020) KENDALI TANGAN PROSTETIK MELALUI PENGENALAN POLA ISYARAT EMG 2 CHANNEL (Machine Learning). Skripsi thesis, Poltekkes Kemenkes Surabaya.

	Text 1. Cover.pdf Download (51kB)
	Text LEMBAR PENGESAHAN - LEMBAR PERSETUJUAN.pdf Restricted to Repository staff only Download (1MB)
	Text 1. Abstrak Bahasa Indonesia.pdf Download (184kB)
	Text 2. Abstrak Bahasa Inggris.pdf Download (184kB)
	Text 4. Kata Pengantar.pdf Restricted to Repository staff only Download (381kB)
	Text 5. Daftar Isi.pdf Download (220kB)
	Text 6. Daftar Gambar.pdf Restricted to Repository staff only Download (206kB)
	Text 7. Daftar Tabel.pdf Restricted to Repository staff only Download (188kB)
	Text BAB 1.pdf Restricted to Repository staff only Download (407kB)
	Text BAB 2.pdf Restricted to Repository staff only Download (745kB)
	Text BAB 3.pdf Restricted to Repository staff only Download (680kB)
	Text BAB 4.pdf Restricted to Repository staff only Download (1MB)
	Text BAB 5.pdf Restricted to Repository staff only Download (675kB)
	Text BAB 6.pdf Restricted to Repository staff only Download (190kB)
	Text DAFTAR PUSTAKA.pdf Download (313kB)
	Text Listing Program Python.pdf Restricted to Repository staff only Download (218kB)
	Text Draft Seminar.pdf Restricted to Repository staff only Download (740kB)
	Text Rangkaian Keseluruhan.pdf Restricted to Repository staff only Download (43kB)

Abstract

Masih banyaknya masyarakat yang menyandang disabilitas transradial adalah salah satu alas an untuk mengembangkan teknologi tangan prostetik yang dapat digunakan dalam kehidupan sehari-hari. Tujuan dari penelitian ini adalah untuk mengembangkan teknologi tangan prostetik menggunakan pengenalan pola pada mesin (machine learning). Kontrol dari tangan prostetik ini menggunakan sinyal isyarat elektromiografi 2 channel yang mampu mengklasifikasikan 4 gerakan, yaitu menggenggam, fleksi, ekstensi, dan rileks. Sinyal elektromiografi yang didapat dari instrumentasi elektromiografi akan diproses melalui filter dan ekstrasi fitur. Data sinyal elektromiografi akan dikenalkan kepada algoritma machine learning sebagai pola. Metode machine learning yang digunakan adalah k-Nearest Neighbors, Naive Bayes, Decission Tree, dan Support Vector Machine. Data latih yang telah dikenalkan akan diuji kembali untuk mengetahui akurasi dari setiap metode yang digunakan. Data latih yang telah yang telah dievaluasi akan digunakan sebagai data dari machine learning untuk melakukan klasifikasi gerakan. Logika dari keluaran machine learning akan digunakan sebagai logika kontrol tangan prostetik. Berdasarkan hasil evaluasi 80% data latih dari 10 responden didapat akurasi maksimal untuk setiap metode machine learning, yaitu k-Nearest Neighbors 98.1%, Naïve Bayes 97.6%, Decision Tree 98.5%, dan Support Vector Machine 98.3%. Gerakan yang memiliki rata-rata akurasi terbesar adalah gerakan ekstensi sebesar 99.23%, kemudian gerakan rileks 99.06%, gerakan fleksi 96.29%, dan gerakan menggenggam 92.44%. Tangan prostetik ini diharapkan dapat bermanfaat bagi para penyandang disabilitas transradial dalam menjalankan kehidupan sehari-hari.

Item Type:	Thesis (Skripsi)
Contributors:	Contribution Contributor NIDN/NIDK UNSPECIFIED Triwiyanto, Triwiyanto nidn4002057301 UNSPECIFIED Yulianto, Endro nidn4017077601
Additional Information:	11SKR2020061
Uncontrolled Keywords:	Tangan Prostetik; Machine Learning; k-Nearest Neighbors; Naïve Bayes; Decission Tree; Support Vector Machine; Disabilitas Transradial; Elektromiografi.
Subjects:	R Medicine > Medical Electronics > Biomedical Engineering R Medicine > Medical Electronics > Clinical Engineering
Divisions:	Poltekkes Kemenkes Surabaya > Jurusan Teknologi Elektromedik > Program Studi Sarjana Terapan Teknologi Rekayasa Elektro-medis
Depositing User:	Shinta Sisca Zuraida
Date Deposited:	03 Sep 2020 03:50
Last Modified:	26 Nov 2020 04:11
URI:	http://repo.poltekkesdepkes-sby.ac.id/id/eprint/394

Actions (login required)

View Item