Perancangan Sistem Kontrol Robot Prostetik Tangan Berbasis Convolutional Neural Network – Long-short Term Memory Menggunakan Electromyograph
"Prostetik Robot Robot Robot Perancangan" Tangan Berbasis Convolutional Neural Network - "Long-short Term Memory Menggunakan Electromiograph"
Tahun 2023 · Penulis: Aldhilah Ilham Permana Triaji
Faculty of Engineering, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
"Prostetik Robot Robot Robot Perancangan" Tangan Berbasis Convolutional Neural Network - "Long-short Term Memory Menggunakan Electromiograph"
Kehilangan bagian tubuh pada manusia terutama bagian tangan dapat disebabkan oleh dua faktor yaitu kelainan kongenital dan atau amputasi dikarenakan kecelakaan. Robot prostetik tangan diharapkan dapat menggantikan fungsi tangan manusia dalam kegiatan sehari-hari. Pada penelitian ini, sistem kontrol robot prostetik tangan dikembangkan agar dapat bergerak sesuai dengan pergerakan sudut jari. Penelitian ini dikembangkan sebagai inovasi untuk rehabilitasi penderita disabilitas amputasi. Sinyal otot EMG (electromyograph) direkam dan digunakan sebagai masukan pelatihan model deep learning untuk memprediksi pergerakan sudut jari. Metode deep learning yang digunakan adalah Convolutional Neural Network - Long-Short Term Memory (CNN-LSTM). Penelitian dimulai dengan pengambilan data berupa perekaman sinyal EMG dan pergerakan sudut jari reponden kondisi sehat. Pengambilan data dibantu dengan Myo Armband untuk merekam sinyal EMG sebagai masukan dan Smart Glove untuk merekam perubahan sudut jari tangan sebagai target. Kedua jenis data diambil dengan mengikuti prosedur yang telah ditetapkan yaitu perulangan gerakan menggenggam, membuka, dan istirahat. Perekaman sensor EMG menghasilkan 8 sinyal sesuai dengan 8 sensor yang melingkar pada Myo Armband. Data mentah diolah melalui pre-processing yang terdiri dari filtering, windowing, dan fitur ekstraksi dengan Root Mean Square (RMS) untuk kemudian dilatih pada sistem pembelajaran deep learning metode CNN-LSTM untuk melakukan regresi. Model CNN-LSTM yang digunakan memiliki arsitektur 3 layer CNN dan 1 layer LSTM. Pengujian pertama adalah menguji arsitektur CNN-LSTM dengan melakukan perbandingan performa model untuk melakukan regresi. Pengujian ini menghasilkan nilai prediksi dari setiap model pembelajaran. Performa terbaik pada deep learning didapatkan oleh model CNN-LSTM dengan rata-rata skor prediksi yang didapat dari empat data responden adalah 0,561105 dengan parameter R2 (Coefficient of Determination), 17,236134 pada parameter RMSE (Root Mean Square Error). Pada machine learning model KNN memiliki performa terbaik dengan 0,866251 dengan parameter R2 (Coefficient of Determination), 11,397701 pada parameter RMSE (Root Mean Square Error). Pengujian realtime dilakukan untuk mengetahui kinerja model yang telah didapatkan untuk prediksi pada data baru pada tiap responden.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,840
Tahun 2024 · Penulis: Dandy Satrio Wibowo
Penggunaan Pre-Trained Convolutional Neural Networks dan Explainable AI dalam Klasifikasi Penyakit Alzheimer berdasarkan Citra MRI Otak
Penyakit Alzheimer adalah penyakit yang menyebabkan kematian pada sel-sel saraf otak dan menurunkan volume otak seiring berjalannya waktu. Penyakit Alzheimer memiliki lima tahapan perkembangannya, yaitu tahap preclinical, mild cognitive impairment (MCI), mild,
- Cosine 0,833
Tahun 2025 · Penulis: Nabillah Salsabilla
Klasifikasi Kanker Paru Menggunakan InceptionV3 Dan EfficientNet Dengan Visualisasi Grad-CAM Untuk Mendukung Diagnosis Klinis
Kanker paru merupakan salah satu penyakit dengan penderita terbanyak didunia. Kanker paru sangat sulit diagnosis karena timbul dan menunjukkan gejala pada stadium lanjutan. Oleh karena itu, untuk meminimalisir kejadian tersebut, membutuhkan dukungan keputusan
- Cosine 0,833
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat