Perancangan Sistem Kontrol Robot Prostetik Tangan Berbasis Convolutional Neural Network – Long-Short Term Memory Menggunakan Electromyograph

Abstract

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.