Pengenalan Pola Gerak Tangan Fungsional pada Bidang Pertanian Berbasis Electroencephalograph untuk Kontrol Robot Tangan dengan Kombinasi Metode Long Short-Term Memory dan Stacked Autoencoder

Abstract

Electroencephalograph (EEG) bisa diartikan sebagai suatu metode yang akan merekam aktivitas otak dalam bentuk elektrik melalui kulit kepala. Aktivitas yang dilakukan manusia akan memberikan respon yang akan direkam oleh EEG. Penggunaan EEG dalam hal untuk mengukur suatu respon yang ditimbulkan oleh aktivitas otak sangat banyak digunakan di bidang medis untuk mempelajari aktivitas fisiologi dalam memproses inforamasi berupa sensor, pengenalan lingkungan, dan kegiatan kognitif. EEG dapat digunakan untuk menganalisis karakteristik sinyal pada otak dengan metode non-invasif dan menganalisis sinyal otak yang terjadi secara spontan. Pada penelitian ini Sinyal EEG digunakan untuk membantu mengatasi masalah petani di Indonesia yang memiliki kekurangan yaitu disabilitas fisik seperti amputasi tangan. Riset Kesehatan Dasar (Riskesdas) 2019 Badan Litbangkes Kementrian Kesehatan bahwa sebanyak 21,6% penyandang disabilitas bekerja sebagai petani/buruh tani. Dengan menggunakan sinyal EEG yang di implementasikan pada robot tangan sebagai pengganti tangan untuk pekerjaan dibidang pertanian. Penelitian ini diawali dengan melakukan pengambilan data pada responden dengan menggunakan EEG elektrode cap yang memiliki 8 channel elektroda. Sinyal yang ditangkap oleh EEG elektrode cap akan di teruskan pada PC untuk proses training data. Setelah data diterima PC, proses pertama yaitu filtering oleh band pass filter untuk menyaring sinyal yang diperlukan dan membuang sinyal yang tidak diperlukan. Dilanjutkan dengan proses windowing untuk mensegmentasi sinyal. Setelah itu dilakukan proses trainig data dengan menggunaka metode Long Short-Term Memory (Lstm) Dan Stacked Autoencoder (Sae). Hasil dari training data akan diterima oleh Arduino UNO pada robot tangan dan akan memberi perintah pada servo untuk menggerakkan jari-jari tangan robot. Pada percobaan pertama yaitu mencari hasil parameter windowing terbaik, pada percobaan ini windowing diberi beberapa parameter frame berbeda yaitu 60 milidetik, 100 milidetik, 200 milidetik, dan 400 milidetik. Dari beberapa percobaan frame diperoleh hasil paling tinggi pada parameter frame 200 milidetik dengan akurasi 72,81 %. Hasil terbaik ini akan digunakan pada percobaan selanjutnya yaitu percobaan mencari nilai terbaik dari epoch. Pada percobaan ini, epoch diberi beberapa nilai berbeda yaitu 300, 500, 800, dan 1000. Dari hasil percobaan diperoleh hasil terbaik adalah nilai epoch 1000. Hasil terbaik dari percobaan epoch akan digunakan pada percobaan selanjutnya. Percobaan selanjutnya adalah percobaan mengubah jumlah layer pre-training, jumlah layer yang diuji adalah 1 layer, 2 layer, dan 3 layer. Dari pengujian didapat akurasi tertinggi pada jumlah layer 3. Hasil terbaik akan digunakan pada percobaan selanjutnya yaitu percobaan node autoencoder. Karena pada percobaan sebelumnya menggunakan 3 layer maka percobaan kali ini menguji 3 node autoencoder. Pada percobaan node autoencoder 1 didapat nilai tertinggi pada jumlah node 200, pada node autoencoder 2 didapat nilai tertinggi pada jumlah node 150, dan pada node autoencoder 3 didapat nilai tertinggi pada jumlah node 75 dengan akurasi 99,96 %. Model dengan akurasi tertinggi akan di aplikasikan pada setiap responden untuk mengetahui akurasi rata-rata pada pengujian offline dan didapat akurasi rata-rata sebesar 99,89 %. Dilanjutkan pengujian cross Subject untuk mengetahui apakah model ini bersifat subject dependent atau subject independent dan dapat diketahui bahwa model bersifat subject dependent. Pada pengujian realtime dilakukan 2 pengujian yaitu pengujian tanpa robot dan pengujian dengan robot. Pada pengujian tanpa robot model diuji pada setiap responden dan didapat rata-rata akurasi sebesar 41,65 % dengan akurasi tertinggi pada responden R1 sebesar 50 %. Pengujian dilanjutkan dengan menggunakan robot tangan dan didapatkan hasil yang sesuai antara output hasil prediksi pada terminal dan pergerakan robot tangan.