“Implementasi Wearable Device untuk Sistem Pendeteksi Kelelahan Otot Biceps Menggunakan Metode Support Vector Machine” ini dapat terselesaikan

Dasamuka, Tetron Jaguar and Edita Rosana Widasar, S.T., M.T., M.Eng., Ph.D. (2024) “Implementasi Wearable Device untuk Sistem Pendeteksi Kelelahan Otot Biceps Menggunakan Metode Support Vector Machine” ini dapat terselesaikan. Sarjana thesis, Universitas Brawijaya.

Abstract

Kelelahan adalah gejala umum yang dialami oleh banyak orang dan berhubungan dengan banyak kondisi kesehatan. Ini adalah kondisi dimana seseorang mengalami perasaan lemah, kekurangan energi yang signifikan dan merasa sulit untuk melakukan aktivitas sehari-hari. Kelelahan otot adalah penurunan kekuatan maksimal atau produksi tenaga karena aktivitas kontraktil, dan dapat disebabkan oleh berbagai gangguan neurologis, otot, kardiovaskular, penuaan, dan kelemahan. Tujuan dari penelitian ini adalah mengevaluasi tingkat akurasi pembacaan Myoware Muscle Sensor dalam membaca aktivitas otot untuk mendeteksi kelelahan otot. Evaluasi akurasi sensor dibutuhkan karena hasil pembacaan sensor akan langsung mempengaruhi validitas temuan serta efektivitas keseluruhan sistem yang digunakan pada penelitian ini. Hasil penelitian menunjukkan Myoware Muscle Sensor mampu membaca aktivitas otot biceps dengan baik sebesar 100%, mengandalkan elektromyografi (EMG) untuk mendeteksi sinyal listrik yang dihasilkan oleh kontraksi otot. Penggunaan algoritma Support Vector Machine (SVM) dengan fitur Root Mean Square (RMS) dalam sistem pendeteksi kelelahan otot biceps menunjukkan tingkat akurasi yang tinggi sebesar 84%. Waktu komputasi mikrokontroler dalam mengolah data EMG dan menjalankan algoritma SVM cukup efisien untuk kebutuhan real-time dengan rata-rata 650ms. Sistem keseluruhan yang dirancang untuk mendeteksi kelelahan otot, mulai dari sensor input, pemrosesan sinyal, hingga output hasil klasifikasi, 100% bekerja dengan baik dan sesuai harapan.

English Abstract

Fatigue is a common symptom experienced by many people and is associated with many health conditions. It is a condition where a person feels significantly weak, lacking in energy, and finds it difficult to carry out daily activities. Muscle fatigue is a decrease in maximum strength or energy production due to contractile activity, and can be caused by a variety of neurological, muscular, cardiovascular, aging, and weakness disorders. The purpose of this study is to evaluate the accuracy of Myoware Muscle Sensor readings in reading muscle activity to detect muscle fatigue. Evaluation of the accuracy of the sensor is needed because the results of the sensor readings will directly affect the validity of the findings as well as the effectiveness of the overall system used in this study. The results indicate that the Myoware Muscle Sensor is capable of accurately reading biceps muscle activity at 100%, relying on electromyography (EMG) to detect electrical signals generated by muscle contractions. The use of the Support Vector Machine (SVM) algorithm with the Root Mean Square (RMS) feature in the biceps muscle fatigue detection system shows a high accuracy level of 84%. The microcontroller's computing time in processing EMG data and running SVM algorithms is quite efficient for real-time needs, averaging 650ms. The overall system designed to detect muscle fatigue, from input sensors, signal processing, to the output of the classification results, works 100% effectively and as expected.

Item Type:	Thesis (Sarjana)
Identification Number:	052415
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	Sugeng Moelyono
Date Deposited:	28 Nov 2024 04:25
Last Modified:	28 Nov 2024 04:25
URI:	http://repository.ub.ac.id/id/eprint/229267

Text (DALAM MASA EMBARGO) Tetron Jaguar Dasamuka.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item