Pengembangan Model Prediksi Sudut Sendi Jari Berbasis Atcnet dengan Incremental Learning pada Sistem Robotik Rehabilitas

Abstract

Prediksi sudut sendi jari berbasis surface electromyography (sEMG) merupakan komponen penting dalam pengembangan sistem robotik rehabilitasi yang adaptif dan berkelanjutan. Namun, karakteristik sinyal sEMG yang bersifat nonlinier, tidak stasioner, serta bervariasi antar sesi sering menyebabkan penurunan kinerja model apabila menggunakan pendekatan pembelajaran statis. Penelitian ini bertujuan mengembangkan model prediksi sudut sendi jari berbasis Attention Temporal Convolutional Network (ATCNet) dengan menerapkan skema Incremental Learning untuk meningkatkan kemampuan adaptasi model terhadap data baru tanpa menghilangkan pengetahuan yang telah dipelajari sebelumnya. Data sEMG dikumpulkan menggunakan Myo Armband dengan delapan kanal sinyal, sedangkan sudut sendi jari diperoleh dari ekstraksi 15 landmark tangan menggunakan MediaPipe. Evaluasi awal dilakukan pada skenario intra sesi menggunakan data Sesi 1, kemudian dilanjutkan dengan pengujian lintas sesi menggunakan pendekatan Incremental Learning. Kinerja model dievaluasi menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Correlation Coefficient (CC). Hasil pengujian intra sesi menunjukkan bahwa model ATCNet mampu memprediksi sudut sendi jari secara kontinu dengan tingkat akurasi yang baik, dengan nilai RMSE berada pada kisaran 14,47–36,74, MAE sebesar 7,06–31,17, dan nilai CC sebesar 0,67–0,82. Pada pengujian lintas sesi, penerapan Incremental Learning terbukti mampu menurunkan kesalahan prediksi dibandingkan pendekatan non-incremental, dengan nilai RMSE menurun hingga kisaran 18–23, MAE sekitar 11–13, serta nilai CC yang meningkat dan stabil pada kisaran 0,74–0,84. Konfigurasi terbaik diperoleh pada adapt fraction 30% dan replay ratio 5%, dengan nilai mean after CC sebesar 0,806 serta peningkatan korelasi ΔCC sekitar 0,10, sementara performa pada data awal tetap terjaga pada kisaran 0,79–0,83. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan Incremental Learning pada model ATCNet efektif dalam menjaga stabilitas kinerja dan meningkatkan adaptasi model terhadap data baru, sehingga berpotensi diterapkan pada sistem robotik rehabilitasi jari yang menuntut performa prediksi yang konsisten untuk penggunaan jangka panjang.