Kontrol Robot Tangan Berbasis Prediksi Kekuatan Genggaman Tangan dengan Sensor Mindrove Arband Menggunakan Metode LSTM-SAE

Abstract

Prosthetic Arm adalah salah satu robot yang berbentuk tangan manusia pada umumnya dan bertujuan untuk menirukan aktivitas tangan manusia asli. Prosthetic Arm dibuat dengan tujuan untuk menggantikan bagian tangan yang hilang pada manusia penderita tunadaksa. Kehilangan bagian tubuh pada manusia dapat melalui kelainan bawaan (kondisi lahir), penyakit, dan trauma. Prosthetic bertujuan agar penderita tunadaksa dapat mengembalikan fungsi tangan yang hilang untuk melakukan aktivitas seperti manusia normal lainnya. Prosthetic Arm terdiri atas lengan bawah, telapak tangan dan lima buah jari. Pada penelitian ini, memfokuskan untuk mengembangkan sebuah robot tangan yang dapat melakukan genggaman tangan sesuai dengan kekuatan yang diinginkan. Penelitian ini dikembangkan sebagai inovasi untuk rehabilitasi penderita tunadaksa. Penderita akan menggerakkan robot tangan sesuai kekuatan yang diinginkan berdasarkan sinyal otot EMG (electromyograph) dengan memanfaatkan pembelajaran deep learning pada teknologinya. Metode deep learning yang digunakan adalah Long Short Term Memory – Stacked AutoEncoder (LSTM-SAE). Penelitian ini diawali dengan melakukan percobaan terhadap manusia sehat dan kondisi fisik normal dengan mengambil data sinyal EMG dan data kekuatan genggaman. Alat yang digunakan adalah sensor EMG Mindrove Armband dan Handgrip Dynamometer. Kedua jenis data diambil berdasarkan target kekuatan yang dalam penelitian ini ditetapkan hingga 10 Kg untuk kekuatan maksimal. Perekaman sensor EMG akan menghasilkan 8 sinyal karena sensor Mindrove Armband memiliki 8 channel yang melingkari lengan. Data tersebut kemudian diolah terlebih dahulu melalui tahap pre-processing yang terdiri dari filtering, windowing, dan fitur ekstraksi dengan Root Mean Square (RMS) untuk kemudian dilatih pada sistem pembelajaran Deep Learning dengan metode LSTM-SAE untuk melakukan regresi. Pada layer LSTM yang digunakan dalam model LSTM-SAE akan disetting dengan parameter terbaiknya untuk kemudian digunakan melakukan regresi kekuatan genggaman tangan. Pengujian pertama adalah menguji arsitektur LSTM-SAE dengan melakukan perbandingan performa model untuk melakukan regresi. Pengujian ini menghasilkan nilai prediksi dari setiap model pembelajaran oleh mesin. Performa terbaik didapatkan oleh model LSTM-SAE dengan rata-rata skor prediksi yang didapat dari lima data responden adalah 0,94631 dengan parameter R2 (Coefficient of Determination), 0,56665 pada parameter RMSE (Root Mean Square Error), dan 0.98285 pada parameter CC (Coefficient Correlation). Pengujian kedua melakukan Cross subject dengan melakukan regresi oleh model yang telah dilatih dengan data seorang responden terhadap data lain. Penelitian ini bertujuan untuk mengetahui apakah subjek bersifat dependen atau independen. Target penelitian ini adalah subjek mampu menghasilkan skor prediksi dengan nilai lebih dari 0,8 pada R2, kurang dari 1 pada RMSE, dan kurang dari 0,85 pada CC sehingga dapat dikatakan subject adalah independen. Pengujian ketiga adalah melakukan regresi dengan menggabungkan seluruh data responden untuk dilatih dan diuji kehandalannya dalam memprediksi kekuatan genggaman tangan. Pengujian ini membuktikan bahwa performa deep learning lebih baik dalam menangani jumlah data yang besar dibandingkan dengan machine learning dengan performa terbaik didapatkan oleh model pembelajaran LSTM-SAE berdasarkan rata-rata hasil cross validation. Pengujian keempat membandingkan sensor untuk melihat kinerja sensor dalam melakukan regresi. Sensor yang digunakan pada penelitian ini akan dikomparasi dengan sensor yang digunakan dalam penelitian sebelumnya. Pada pengujian ini mendapati hasil bahwa sensor Mindrove Armband memiliki performa yang tidak lebih baik dari sensor Myo Armband yang digunakan pada penelitian sebelumnya. Pengujian akhir adalah mengimplementasikan alat untuk digunakan penderita tunadaksa dan menguji performa serta kelayakannya untuk digunakan.