Implementasi Transfer Learning pada Kursi Roda Listrik dengan Kontrol Suara Berbasis Xception

Abstract

Disabilitas mengacu pada keterbatasan fisik, intelektual, mental, atau sensorik yang kronis, menyulitkan interaksi dengan lingkungan dan pelaksanaan tugas sehari-hari. Salah satu jenisnya adalah kelumpuhan, yang mengganggu kemampuan gerak tubuh dan dapat menyebabkan hilangnya kemampuan bergerak. Menurut Survei Ekonomi Nasional (Susenas) 2022 oleh BPS, terdapat 584.503 individu dengan keterbatasan fisik. Kelumpuhan biasanya disebabkan oleh gangguan otot atau saraf, serta cedera. Gejala ini umumnya muncul di tangan dan kaki. Individu dengan kelumpuhan sering membutuhkan alat bantu untuk mobilitas, seperti kursi roda. Kursi roda tradisional dioperasikan secara manual, baik oleh pengguna maupun orang lain. Namun, beberapa kondisi kesehatan membuat seseorang tidak mampu menggerakkan kursi roda secara manual, sehingga diperlukan bantuan dari orang lain atau kursi roda bertenaga listrik sebagai penggeraknya. Dengan perkembangan teknologi, berbagai variasi pengendali kursi roda listrik telah dikembangkan, termasuk penggunaan kontrol suara. Penelitian ini menerapkan teknik transfer learning dengan tujuan untuk meningkatkan efisiensi dari kinerja model dengan keterbatasan data yang dimiliki dan dengan daya komputasi yang kecil. Konsep kinerja dari teknik ini adalah model yang digunakan tidak dilatih dari awal melainkan hanya mengganti lapisan akhir dari model dengan lapisan baru sesuai dengan kebutuhan. Model yang digunakan pada penelitian ini adalah Xception. Xception sendiri merupakan bagian dari arsitektur CNN yang bekerja dengan memproses input secara terpisah dan kemudian menggabungkan hasilnya sebagai hasil akhir. Xception dipilih karena diyakini mampu meningkatkan efisiensi komputasi dengan cara mengurangi jumlah parameter yang dilatih.Pengujian pada penelitian ini dibagi menjadi 2 bagian, yaitu pengujian offline dan online. Pengujian offline dilakukan tanpa menggunakan kursi roda yang mana seluruh prosesnya hanya dalam komputer dengan input suara berupa file suara. Data yang digunakan pada pengujian ini sebanyak lebih kurang 2500 data per subjek yang terdiri dari 5 sesi dan 10 subjek. Data tersebut dibagi menjadi 5 kelas yaitu maju, mundur, kanan, kiri, stop serta 1 kelas tambahan noise. Parameter yang diterapkan pada model adalah epoch 100, batch size 32, dense layer 1, dan jumlah unit 1024. Pengujian offline terdiri dari cross session yang menghasilkan akurasi rata-rata sebesar 0,685713 (± 0,1589) atau sebesar 68,57% dengan subjek 2 memiliki akurasi tertinggi sebesar 0,877927 (± 0,0496) atau sebesar 87,80%, cross subject menghasilkan akurasi rata-rata sebesar 0,783289 (± 0,1165) atau sebesar 78,32% dengan subjek 1 memiliki akurasi tertinggi sebesar 0,928259 atau sebesar 92,82%. Pengujian online terdiri dari 2 bagian, yaitu pengujian model tanpa menerapkan langsung pada kursi roda dan dengan menerapkannya langsung pada kursi roda. Pengujian ini melibatkan 5 orang responden yang mana masing-masing dari responden akan memberikan perintah pada model yang telah dibuat sebanyak 10 kali. Model yang digunakan adalah model yang memiliki data latih dari 9 responden kecuali responden yang akan diuji. Outputnya pada pengujian tanpa kursi roda adalah hanya menampilkan hasil prediksi pada terminal VS Code, sedangkan pada pengujian dengan kursi roda adalah arah pergerakan dari kursi roda itu sendiri. Hasil rata-rata akurasi dari pengujian menggunakan kursi roda adalah sebesar 67,2% sedangkan rata-rata akurasi dari pengujian dengan kursi roda adalah sebesar 77,2%. Berdasarkan pengujian yang telah dilakukan menunjukkan bahwa Transfer Learning dengan metode Xception efektif dalam mengontrol pergerakan kursi roda. Namun, peningkatan kinerja yang diperoleh tidak signifikan dibandingkan dengan penelitian sebelumnya.