Implementasi Convolutional Neural Network Pada Lengan Prostetik Bionik Berbasis Wearable Electromyography Armband Sensor.

Daniswara, Muhammad Ananta and Edita Rosana Widasari, S.T.,M.T., M.Eng., Ph.D. (2025) Implementasi Convolutional Neural Network Pada Lengan Prostetik Bionik Berbasis Wearable Electromyography Armband Sensor. Sarjana thesis, Universitas Brawijaya.

Abstract

Jumlah penyandang disabilitas di Indonesia mencapai 22,97 juta jiwa, sekitar 8,5% dari total penduduk. Di era modern seperti saat ini masih ada harapan untuk penyandang disabilitas yaitu dengan menggunakan lengan prostetik bionik. Penelitian ini bertujuan mengembangkan sistem lengan prostetik bionik yang dapat meniru gerakan tangan manusia dengan akurat dan efisien, untuk meningkatkan kualitas hidup penyandang amputasi. Penelitian ini berfokus pada implementasi Convolutional Neural Network (CNN) pada Lengan Prostetik Bionik berbasis Wearable Electromyography Armband Sensor. Tipe sensor yang digunakan yaitu menggunakan sensor Oymotion gForce200 Armband Gesture. Pengembangan ini dilakukan karena penelitian sebelumnya menggunakan sensor berkabel Myoware V2 yang memiliki tantangan dalam akurasi gerakan dan memiliki banyak noise dalam akuisisi data. Sensor Oymotion gForce200 dilengkapi dengan 8 channel elektroda, meningkatkan akurasi pembacaan sinyal EMG dan rentan terdahap noise. Penelitian ini menggunakan empat fitur yaitu Root Mean Square (RMS), Waveform Length (WL), Mean Average Value (MAV), dan Amplitude First Burst (AFB), yang dihitung sesuai rumus dan digunakan sebagai input untuk klasifikasi Convolutional Neural Network (CNN). Hasil pengujian sensor memiliki akurasi sebesar 100% dengan nilai yang sesuai yaitu 0- 3,3 V. Selanjutnya, hasil pelatihan akurasi model CNN sebesar 94,83% dengan learning rate 0,1 dan 100 epochs. Sensor Oymotion gForce200 berhasil mengklasifikasikan gerakan pada sistem dengan akurasi 80%, meskipun masih ada tantangan terkait karakteristik sinyal individu. Waktu komputasi untuk setiap gerakan adalah 0,046 detik, menunjukkan bahwa sistem ini memenuhi kriteria untuk digunakan secara real-time dalam aplikasi prostetik. Penelitian ini diharapkan dapat memberikan kontribusi signifikan bagi pengembangan teknologi bantuan bagi penyandang disabilitas di Indonesia.

English Abstract

The number of people with disabilities in Indonesia reaches 22.97 million, about 8.5% of the total population. In this modern era, there is still hope for people with disabilities to use bionic prosthetic arms. This research aims to develop a bionic prosthetic arm system that can mimic human hand movements accurately and efficiently, to improve the quality of life of amputees. This research focuses on the implementation of a Convolutional Neural Network (CNN) on a Bionic Prosthetic Arm based on Wearable Electromyography Armband Sensor. The type of sensor used is the Oymotion gForce200 Armband Gesture sensor. This development was carried out because previous research used Myoware V2 wired sensors which have challenges in movement accuracy and have a lot of noise in data acquisition. The Oymotion gForce200 sensor is equipped with 8 channel electrodes, improving the accuracy of EMG signal readings and is prone to noise. This research uses four features namely Root Mean Square (RMS), Waveform Length (WL), Mean Average Value (MAV), and Amplitude First Burst (AFB), which are calculated according to the formula and used as input for Convolutional Neural Network (CNN) classification. The sensor test results have an accuracy of 100% with the corresponding value of 0-3.3 V. Furthermore, the training result of the CNN model accuracy is 94.83% with a learning rate of 0.1 and 100 epochs. The Oymotion gForce200 sensor successfully classified the gestures in the system with 80% accuracy, although there are still challenges related to individual signal characteristics. The computation time for each movement was 0.046 seconds, indicating that the system meets the criteria for real-time use in prosthetic applications. This research is expected to make a significant contribution to the development of assistive technology for people with disabilities in Indonesia.

Item Type:	Thesis (Sarjana)
Identification Number:	052515
Uncontrolled Keywords:	Penyandang Disabilitas, Convolutional Neural Network (CNN),Lengan Prostetik Bionik, Electromyography (EMG),Sensor Oymotion gForce200, Real-time Sistem.
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	S Sucipto
Date Deposited:	13 Feb 2025 04:09
Last Modified:	13 Feb 2025 04:09
URI:	http://repository.ub.ac.id/id/eprint/236617

Text (DALAM MASA EMBARGO) Muhammad Ananta Daniswara.pdf Restricted to Registered users only Download (11MB)

Actions (login required)

View Item