| dc.description.abstract | Stroke merupakan penyakit yang terjadi ketika otak tidak mendapatkan asupan oksigen dan nutrisi, yang disebabkan oleh penyumbatan (stroke iskemik) atau pecahnya pembuluh darah (stroke hemoragik). Ketika Penyakit stroke menyerang sel otak dapat mati dalam hitungan menit, yang menyebabkan anggota tubuh yang dikendalikan otak tidak dapat berfungsi dengan baik. Penurunan fungsi yang diakibatkan oleh penyakit stroke yang paling sering terjadi adalah kondisi paralis atau kelumpuhan. Pada penelitian ini, kondisi kelumpuhan yang difokuskan sebagai pengembangan teknologi rehabilitasi adalah pada bagian lengan hingga jari tangan. Teknologi yang dikembangkan sebagai inovasi bagi proses rehabilitasi pada penelitian ini adalah robot eksoskeleton tangan dengan sistem prediksi sudut jari tangan berdasarkan sinyal otot (electromyography) yang memanfaatkan sistem cerdas yang memanfaatkan pembelajaran mesin (machine learning)berupa random forest regression dan terintegrasi dengan visualisasi permainan 3D. Pada penelitian ini diawali dengan mengambil data sinyal otot dan data sudut jari dari responden orang sehat. Peralatan yang digunakan adalah sensor otot EMG yaitu Myo armband dan sensor sudut jari tangan yaitu Smart Glove. Kedua jenis data diambil berdasarkan nilai - nilai sudut yang telah ditentukan seperti 0 derajat, 30 derajat, 45 derajat, 60 derajat, 90 derajat, hingga 100 derajat, yang merupakan bagian – bagian dari gerakan tangan membuka hingga menutup. Hasil perekaman akan menghasilkan sinyal otot akan menghasilkan 8 jenis data, karena sensor memiliki 8 elektroda yang melingkar pada otot lengan bawah, dan data sudut jari tangan menghasilkan 5 jenis data yaitu 5 jari tangan. Selanjutnya Data ini akan dilakukan preprocessing sebelum dilatih pada sistem cerdas random forest regression, dengan tahap filtering, windowing dan fitur ekstraksi sinyal EMG untuk mendapatkan informasi dan pola data yang mudah dikenali sistem, setelah itu dilakukan pelatihan sistem cerdas random forest regression dengan parameter n-estimator (jumlah pohon keputusan pada random forest) sebesar 10,50,100 dan 200. Dan ditambah dengan parameter reduksi dimensi data (ncomponent) sinyal EMG dengan fitur ekstraksi berupa principal component analysis (PCA) sebesar 5,6 dan 7. Pengujian pertama yaitu untuk mencari parameter jumlah pohon terbaik pada random forest. Performa terbaik yang dihasilkan adalah pada saat jumlah pohon random forest sebesar 200, karena memiliki tingkat error MSE dari setiap jari tangan paling kecil antara lain jempol sebesar 76.67, telunjuk sebesar 67,27, tengah sebesar 68,08, manis sebesar 69,52, dan kelingking sebesar 75,27, serta nilai R2 paling tinggi antara lain jempol sebesar 0.905, telunjuk sebesar 0.901, tengah sebesar 0.904, manis sebesar 0.906, dan kelingking sebesar 0.903. Pengujian kedua yaitu mencari performa fitur ekstraksi time – domain MAV dan RMS. Fitur ektraksi yang terbaik adalah fitur RMS dengan tingkat error MSE dari setiap jari tangan paling kecil antara lain jempol sebesar 2,47, telunjuk sebesar 2,03, tengah sebesar 2,22, manis sebesar 2,14, dan kelingking sebesar 2,42, serta nilai R2 paling tinggi antara lain jempol sebesar 0,9956, telunjuk sebesar 0.9958, tengah sebesar 0.9958, manis sebesar 0.9959, dan kelingking sebesar 0.9958. Pengujian ketiga mencari performa terbaik dari parameter fitur ekstrkasi reduksi data yaitu PCA menggunakan fitur ekstraksi terbaik sebelumnya yaitu RMS. Parameter terbaik dari PCA yaitu saat reduksi dimensi data menjadi 7 kolom, dengan tingkat error MSE dari setiap jari tangan paling kecil antara lain jempol sebesar 3,56, telunjuk sebesar 3,05, tengah sebesar 3,22, manis sebesar 3,19, dan kelingking sebesar 3,61, serta nilai R2 paling tinggi antara lain jempol sebesar 0,9939, telunjuk sebesar 0.9938, tengah sebesar 0.9940, manis sebesar 0.9941, dan kelingking sebesar 0.9938. | en_US |
