Klasifikasi Pergerakan Jari Tangan Berdasarkan Sinyal EMG Menggunakan Stacked Denoising Autoencoder untuk Mengendalikan Tangan Prostetik

Abstract

Abstrak Elektromiografi (EMG) adalah teknik penelitian yang berkaitan dengan perekaman sinyal myoelectric. Sinyal mioelektrik dibentuk oleh variasi fisiologis dalam keadaan selaput serat otot. Sinyal ini berguna untuk mendiagnosis kesalahan pada sistem saraf perifer. Penggunaan EMG juga bisa menjadi sumber utama dalam pengendalian tangan prostetik karena kenyamanan penggunanya. Tujuan dari penelitian ini adalah untuk mengidentifikasi pergerakan jari tangan manusia melalui sinyal EMG dengan cara klasifikasi. Ada 4 jenis gelombang dalam penelitian ini yang di klasifikasikan yaitu Literal, Grasp, Fist/Hook dan Tip. Metode yang digunakan dalam penelitian ini adalah Deep Neural Network - Stacked Denoising Autoencoder . Hasil pengujian penelitian ini menunjukan akurasi tertinggi sebesar 94%. Dalam studi kasus yang diterapkan penulis mencetak tangan prostetik yang sebelumnya telah dikembangkan mengunakan 3D printing. Kata kunci : Deep Learning, Electromyograph, Tangan Prostetik, Deep Neural Network, Mechine Learning, Stacked Denoising Autoencoder. Abstract Electromyography (EMG) is a research technique related to signal recording myoectric. The myoelectric signal is formed by physiological variation in the state of the muscle fiber membrane. This signal is useful for diagnosing errors in the peripheral nervous system. The use of EMG can also be a major source of prosthetic hand control due to the convenience of its users. The purpose of this project is to identify the movement of human fingers through EMG signals by way of classification. There are 4 types of waves in this study which will be classified as Literal, Grasp, Fist/Hook and Tip. Method that used in this project is Deep Neural Network - Stacked Denoising Autoencoder. The highest accuracy generated in this study was 94%. In a case study the writer applied a prosthetic hand print that had previously been developed using 3D printing. Keywords: Deep Learning, Electromyograph, Prosthetic Hand, Deep Neural Network, Mechine Learning, Stacked Denoising Autoencoder.