Articles
<![CDATA[Pelabelan Kelas Kata Bahasa Jawa Menggunakan Hidden Markov Model ]]>
<![CDATA[Mursyit, Mohammad]]>;
<![CDATA[Wibawa, Aji Prasetya]]>;
<![CDATA[Zaeni, Ilham Ari Elbaith]]>;
<![CDATA[Rosyid, Harits Ar]]>
<![CDATA[ Mobile and Forensics Vol 2, No 2 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12928/mf.v2i2.2450
<![CDATA[Part of Speech Tagging atau POS Tagging adalah proses memberikan label pada setiap kata dalam sebuah kalimat secara otomatis. Penelitian ini menggunakan algoritma Hidden Markov Model (HMM) untuk proses POS Tagging. Perlakuan untuk unknown words menggunakan Most Probable POS-Tag. Dataset yang digunakan berupa 10 cerita pendek berbahasa Jawa terdiri dari 10.180 kata yang telah diberikan tagsetBahasa Jawa. Pada penelitian ini proses POS Tagging menggunakan dua skenario. Skenario pertama yaitu menggunakan algoritma Hidden Markov Model (HMM) tanpa menggunakan perlakuan untuk unknown words. Skenario yang kedua menggunakan HMM dan Most Probable POS-Tag untuk perlakuan unknown words. Hasil menunjukan skenario pertama menghasilkan akurasi sebesar 45.5% dan skenario kedua menghasilkan akurasi sebesar 70.78%. Most Probable POS-Tag dapat meningkatkan akurasi pada POS Tagging tetapi tidak selalu menunjukan hasil yang benar dalam pemberian label. Most Probable POS-Tag dapat menghilangkan probabilitas bernilai Nol dari POS Tagging Hidden Markov Model. Hasil penelitian ini menunjukan bahwa POS Tagging dengan menggunakan Hidden Markov Model dipengaruhi oleh perlakuan terhadap unknown words, perbendaharaan kata dan hubungan label kata pada dataset.  Part of Speech Tagging or POS Tagging is the process of automatically giving labels to each word in a sentence. This study uses the Hidden Markov Model (HMM) algorithm for the POS Tagging process. Treatment for unknown words uses the Most Probable POS-Tag. The dataset used is in the form of 10 short stories in Javanese consisting of 10,180 words which have been given the Javanese tagset. In this study, the POS Tagging process uses two scenarios. The first scenario is using the Hidden Markov Model (HMM) algorithm without using treatment for unknown words. The second scenario uses HMM and Most Probable POS-Tag for treatment of unknown words. The results show that the first scenario produces an accuracy of 45.5% and the second scenario produces an accuracy of 70.78%. Most Probable POS-Tag can improve accuracy in POS Tagging but does not always produce correct labels. Most Probable POS-Tag can remove zero-value probability from POS Tagging Hidden Markov Model. The results of this study indicate that POS Tagging using the Hidden Markov Model is influenced by the treatment of unknown words, vocabulary and word label relationships in the dataset.]]>
<![CDATA[Single Exponential Smoothing-Multilayer Perceptron Untuk Peramalan Pengunjung Unik Jurnal Elektronik ]]>
<![CDATA[Ferdinand, Miftakhul Anggita Bima]]>;
<![CDATA[Wibawa, Aji Prasetya]]>;
<![CDATA[Zaeni, Ilham Ari Elbaith]]>;
<![CDATA[Rosyid, Harits Ar]]>
<![CDATA[ Mobile and Forensics Vol 2, No 2 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12928/mf.v2i2.2034
<![CDATA[Jumlah kunjungan rerata pengunjung unik per hari pada jurnal elektronik menunjukkan bahwa hasil terbitan karya ilmiah website tersebut menarik. Sehingga jumlah pengunjung unik dijadikan indikator penting dalam mengukur keberhasilan sebuah jurnal elektronik untuk memenuhi perluasan, penyebaran dan percepatan sistem akreditasi jurnal. Pengunjung Unik merupakan jumlah pengunjung per Internet Address (IP) yang mengakses sebuah jurnal elektronik dalam kurun waktu tertentu. Terdapat beberapa metode yang biasa digunakan untuk peramalan, diantaranya adalah Multilayer Perceptron (MLP).  Kualitas data berpengaruh besar dalam membangun model MLP yang baik, karena sukses tidaknya permodelan pada MLP sangat dipengaruhi oleh data input. Salah satu cara untuk meningkatkan kualitas data adalah dengan melakukan smoothing pada data tersebut. Pada penelitian ini digunkan metode peramalan Multilayer Perceptron berdasarkan penelitian sebelumnya dengan kombinasi data training dan testing 80%-20% dengan asitektur 2-1-1 dan learning rate 0,4. Selanjutnya untuk meningkatkan kualitas data dilakukan smoothing dengan menerapkan metode Single Exponential Smoothing. Dari penelitian yang dilakukan diperoleh hasil terbaik menggunakan alpha 0.9 dengan hasil akurasi MSE 94.02% dan RMSE 75.54% dengan lama waktu eksekusi 580,27 detik. The number of visits by the average unique visitor per day on electronic journals shows that the published scientific papers on the website are interesting. So that the number of unique visitors is used as an important indicator in measuring the success of an electronic journal to meet the expansion, dissemination and acceleration of the journal accreditation system. Unique Visitors is the number of visitors per Internet Address (IP) who access an electronic journal within a certain period of time. There are several methods commonly used for forecasting, including the Multilayer Perceptron (MLP). Data quality has a big influence in building a good MLP model, because the success or failure of modeling in MLP is greatly influenced by the input data. One way to improve data quality is by smoothing the data. In this study, the Multilayer Perceptron forecasting method was used based on previous research with a combination of training data and testing 80% -20% with a 2-1-1 architecture and a learning rate of 0.4. Furthermore, to improve data quality, smoothing is done by applying the Single Exponential Smoothing method. From the research conducted, the best results were obtained using alpha 0.9 with MSE accuracy of 94.02% and RMSE 75.54% with a long execution time of 580.27 seconds.]]>
<![CDATA[Single Exponential Smoothing-Multilayer Perceptron Untuk Peramalan Pengunjung Unik Jurnal Elektronik ]]>
<![CDATA[Ferdinand, Miftakhul Anggita Bima]]>;
<![CDATA[Wibawa, Aji Prasetya]]>;
<![CDATA[Zaeni, Ilham Ari Elbaith]]>;
<![CDATA[Rosyid, Harits Ar]]>
<![CDATA[ Mobile and Forensics Vol. 2 No. 2 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12928/mf.v2i2.2034
<![CDATA[Jumlah kunjungan rerata pengunjung unik per hari pada jurnal elektronik menunjukkan bahwa hasil terbitan karya ilmiah website tersebut menarik. Sehingga jumlah pengunjung unik dijadikan indikator penting dalam mengukur keberhasilan sebuah jurnal elektronik untuk memenuhi perluasan, penyebaran dan percepatan sistem akreditasi jurnal. Pengunjung Unik merupakan jumlah pengunjung per Internet Address (IP) yang mengakses sebuah jurnal elektronik dalam kurun waktu tertentu. Terdapat beberapa metode yang biasa digunakan untuk peramalan, diantaranya adalah Multilayer Perceptron (MLP). Kualitas data berpengaruh besar dalam membangun model MLP yang baik, karena sukses tidaknya permodelan pada MLP sangat dipengaruhi oleh data input. Salah satu cara untuk meningkatkan kualitas data adalah dengan melakukan smoothing pada data tersebut. Pada penelitian ini digunkan metode peramalan Multilayer Perceptron berdasarkan penelitian sebelumnya dengan kombinasi data training dan testing 80%-20% dengan asitektur 2-1-1 dan learning rate 0,4. Selanjutnya untuk meningkatkan kualitas data dilakukan smoothing dengan menerapkan metode Single Exponential Smoothing. Dari penelitian yang dilakukan diperoleh hasil terbaik menggunakan alpha 0.9 dengan hasil akurasi MSE 94.02% dan RMSE 75.54% dengan lama waktu eksekusi 580,27 detik. The number of visits by the average unique visitor per day on electronic journals shows that the published scientific papers on the website are interesting. So that the number of unique visitors is used as an important indicator in measuring the success of an electronic journal to meet the expansion, dissemination and acceleration of the journal accreditation system. Unique Visitors is the number of visitors per Internet Address (IP) who access an electronic journal within a certain period of time. There are several methods commonly used for forecasting, including the Multilayer Perceptron (MLP). Data quality has a big influence in building a good MLP model, because the success or failure of modeling in MLP is greatly influenced by the input data. One way to improve data quality is by smoothing the data. In this study, the Multilayer Perceptron forecasting method was used based on previous research with a combination of training data and testing 80% -20% with a 2-1-1 architecture and a learning rate of 0.4. Furthermore, to improve data quality, smoothing is done by applying the Single Exponential Smoothing method. From the research conducted, the best results were obtained using alpha 0.9 with MSE accuracy of 94.02% and RMSE 75.54% with a long execution time of 580.27 seconds.]]>
<![CDATA[Pelabelan Kelas Kata Bahasa Jawa Menggunakan Hidden Markov Model ]]>
<![CDATA[Mursyit, Mohammad]]>;
<![CDATA[Wibawa, Aji Prasetya]]>;
<![CDATA[Zaeni, Ilham Ari Elbaith]]>;
<![CDATA[Rosyid, Harits Ar]]>
<![CDATA[ Mobile and Forensics Vol. 2 No. 2 (2020) ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12928/mf.v2i2.2450
<![CDATA[Part of Speech Tagging atau POS Tagging adalah proses memberikan label pada setiap kata dalam sebuah kalimat secara otomatis. Penelitian ini menggunakan algoritma Hidden Markov Model (HMM) untuk proses POS Tagging. Perlakuan untuk unknown words menggunakan Most Probable POS-Tag. Dataset yang digunakan berupa 10 cerita pendek berbahasa Jawa terdiri dari 10.180 kata yang telah diberikan tagset Bahasa Jawa. Pada penelitian ini proses POS Tagging menggunakan dua skenario. Skenario pertama yaitu menggunakan algoritma Hidden Markov Model (HMM) tanpa menggunakan perlakuan untuk unknown words. Skenario yang kedua menggunakan HMM dan Most Probable POS-Tag untuk perlakuan unknown words. Hasil menunjukan skenario pertama menghasilkan akurasi sebesar 45.5% dan skenario kedua menghasilkan akurasi sebesar 70.78%. Most Probable POS-Tag dapat meningkatkan akurasi pada POS Tagging tetapi tidak selalu menunjukan hasil yang benar dalam pemberian label. Most Probable POS-Tag dapat menghilangkan probabilitas bernilai Nol dari POS Tagging Hidden Markov Model. Hasil penelitian ini menunjukan bahwa POS Tagging dengan menggunakan Hidden Markov Model dipengaruhi oleh perlakuan terhadap unknown words, perbendaharaan kata dan hubungan label kata pada dataset. Part of Speech Tagging or POS Tagging is the process of automatically giving labels to each word in a sentence. This study uses the Hidden Markov Model (HMM) algorithm for the POS Tagging process. Treatment for unknown words uses the Most Probable POS-Tag. The dataset used is in the form of 10 short stories in Javanese consisting of 10,180 words which have been given the Javanese tagset. In this study, the POS Tagging process uses two scenarios. The first scenario is using the Hidden Markov Model (HMM) algorithm without using treatment for unknown words. The second scenario uses HMM and Most Probable POS-Tag for treatment of unknown words. The results show that the first scenario produces an accuracy of 45.5% and the second scenario produces an accuracy of 70.78%. Most Probable POS-Tag can improve accuracy in POS Tagging but does not always produce correct labels. Most Probable POS-Tag can remove zero-value probability from POS Tagging Hidden Markov Model. The results of this study indicate that POS Tagging using the Hidden Markov Model is influenced by the treatment of unknown words, vocabulary and word label relationships in the dataset.]]>
<![CDATA[Exploration of genetic network programming with two-stage reinforcement learning for mobile robot ]]>
<![CDATA[Siti Sendari]]>;
<![CDATA[Arif Nur Afandi]]>;
<![CDATA[Ilham Ari Elbaith Zaeni]]>;
<![CDATA[Yogi Dwi Mahandi]]>;
<![CDATA[Kotaro Hirasawa]]>;
<![CDATA[Hsien-I Lin]]>
<![CDATA[ TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 17, No 3: June 2019 ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12928/telkomnika.v17i3.12232
<![CDATA[This paper observes the exploration of Genetic Network Programming Two-Stage Reinforcement Learning for mobile robot navigation. The proposed method aims to observe its exploration when inexperienced environments used in the implementation. In order to deal with this situation, individuals are trained firstly in the training phase, that is, they learn the environment with ϵ-greedy policy and learning rate α parameters. Here, two cases are studied, i.e., case A for low exploration and case B for high exploration. In the implementation, the individuals implemented to get experience and learn a new environment on-line. Then, the performance of learning processes are observed due to the environmental changes.]]>
<![CDATA[Perangkat Pengukuran Data Tumbuh Kembang dan Kesehatan pada Siswa TK ]]>
<![CDATA[Ilham Ari Elbaith Zaeni]]>;
<![CDATA[I Made Wirawan]]>;
<![CDATA[Muhammad Iqbal Akbar]]>;
<![CDATA[Retno Indah Rokhmawati]]>;
<![CDATA[Dessy Rif’a Anzani]]>
<![CDATA[ TEKNO: Jurnal Teknologi Elektro dan Kejuruan Vol 32, No 1 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.17977/um034v32i1p175-184
<![CDATA[Proses tumbuh kembang anak merupakan hal penting yang harus diperhatikan sejak dini untuk mencapai perkembangan yang optimal. Antropometri gizi berhubungan dengan berbagai macam pengukuran dimensi tubuh dan komposisi tubuh dari berbagai tingkat umur dan tingkat gizi. Ukuran antropometri terdiri dari berat badan dan tinggi badan. Tanda-tanda vital meliputi detak jantung, pernapasan (laju pernapasan), tekanan darah, dan suhu membantu menyadari masalah sejak dini atau menghilangkan kekhawatiran tentang keadaan anak. Penelitian ini bertujuan mengembangkan perangkat pengukuran data tumbuh kembang dan kesehatan pada siswa TK. Sistem Elektronik yang dikembangkan terdiri dari Mikrokontroler sebagai perangkat utama yang akan membaca input dari tombol setting dan beberapa sensor. Sensor yang dipasang terdiri dari sensor berat badan, sensor tinggi badan, sensor suhu badan, dan sensor denyut jantung serta oksimeter. Sensor untuk berat badan, tinggi badan, detak jantung, dan saturasi oksigen diuji selama tahap pengembangan. Data dari sensor akan ditransfer ke database melalui Wi-Fi menggunakan ESP8266. Informasi dalam database ini selanjutnya akan disimpan dan ditampilkan sebagai tabel dan grafik. Hasil pengujian pembacaan sensor menunjukkan bahwa pembacaan sensor mampu bekerja dengan baik. ESP8266 juga mampu mengirim data ke database. Data pembacaan sensor database dapat disajikan pada halaman website. Gadget pemantau data tumbuh kembang anak TK, serta kesehatannya, dapat berjalan dengan baik.]]>
<![CDATA[Stemming javanese affix words using nazief and adriani modifications ]]>
<![CDATA[Aji Prasetya Wibawa]]>;
<![CDATA[Felix Andika Dwiyanto]]>;
<![CDATA[Ilham Ari Elbaith Zaeni]]>;
<![CDATA[Rizal Kholif Nurrohman]]>;
<![CDATA[AN Afandi]]>
<![CDATA[ Jurnal Informatika Vol 14, No 1 (2020): January 2020 ]]>
Publisher : <![CDATA[Universitas Ahmad Dahlan ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26555/jifo.v14i1.a17106
<![CDATA[Stemming is the process of finding a basic word with several stages of affix removal. The main reason for stemming is to check spelling and machine translation and to support the effectiveness of the retrieval process. This study uses the Nazief and Adriani algorithm for stemming Javanese-influenced words. The first step taken is data collection and making a basic word dictionary. Then do the stemming process. Before stemming, modifications are made to the rules. The rules of the Nazief and Adriani algorithm, which are based on the morphology rules of the Indonesian language, are modified to suit the morphological rules of the Javanese language. Of the 366 words that were tested, it produced 351 correct basic words and 15 basic words that experienced errors. The results show that this algorithm can be used for stemming Javanese with an accuracy value of 95.9%.]]>
<![CDATA[Penghapusan Kolom dan Baris Pertama pada Matriks Distance Untuk Optimasi Spell Checker Damerau-Levenshtein Distance ]]>
<![CDATA[Puji Santoso]]>;
<![CDATA[Pundhi Yuliawati]]>;
<![CDATA[Ridwan Shalahuddin]]>;
<![CDATA[Ilham Ari Elbaith Zaeni]]>
<![CDATA[ Sains, Aplikasi, Komputasi dan Teknologi Informasi Vol 2, No 2 (2020): Sains, Aplikasi, Komputasi dan Teknologi Informasi ]]>
Publisher : <![CDATA[Universitas Mulawarman ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30872/jsakti.v2i2.2669
<![CDATA[Damerau-Levenshtein Distance menentukan jarak atau jumlah minimum operasi yang dibutuhkan untuk mengubah satu string menjadi string lain, di mana operasi yang digunakan untuk menentukan tingkat kemiripian antar String adalah insertion, deletion, substitution dan transposition. Algoritma ini sendiri dapat juga digunakan untuk mengoreksi kesalahan kata. Namun, Algoritma Damerau-Levenshtein Distance mempunyai kelemahan, yaitu waktu pemrosesan yang lama. Pada perhitungan jarak antara dua string dengan algoritma Damerau-Levenshtein, setiap huruf dari kedua string akan dibandingkan dengan membuat matriks distance. Karena Kamus Bahasa Indonesia memiliki lebih dari 30.000 kata dasar, operasi perhitungan jarak akan dilakukan lebih dari 30.000 kali untuk setiap kesalahan. Penelitian ini mengusulkan peningkatan untuk mempersingkat waktu pemrosesan algoritma Damerau-Levenshtein dengan mengurangi baris dan kolom matriks distance. Hasil akhir yang diharapkan dari penelitian ini adalah waktu pemrosesan menjadi lebih cepat tanpa harus mengorbankan akurasi.]]>
<![CDATA[Kendali Model Kursi Roda dengan Electromyograf dan Accelerometer Menggunakan Metode Jaringan Saraf Tiruan ]]>
<![CDATA[Adib Nur Sasongko]]>;
<![CDATA[Ilham Ari Elbaith Zaeni]]>;
<![CDATA[Anik Nur Handayani]]>
<![CDATA[ ALINIER: Journal of Artificial Intelligence & Applications Vol. 1 No. 2 (2020): ALINIER Journal of Artificial Intelligence & Applications ]]>
Publisher : <![CDATA[Program Studi Teknik Elektro S1 ITN Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (833.264 KB)
|
DOI: 10.36040/alinier.v1i2.2969
<![CDATA[Kursi roda digunakan sebagai alat bantu untuk berpindah tempat bagi orang yang memiliki disabilitas pada bagian kaki. Namun, kursi roda konvensional biasanya dijalankan dengan mendorong kursi roda tersebut atau pengguna mengendalikan sendiri roda dari kursi roda yang dikendarainya. Namun untuk pengguna yang juga memiliki disabilitas pada tangannya tidak dapat mengendalikan sendiri kursi roda konvensional. Sebuah robot kursi roda dirancang untuk memudahkan para pengguna yang memiliki disabilitas khusus pada kaki dan tangannya. Robot ini dirancang untuk dapat dijalankan dengan menggerakkan otot pada dahi dan dengan cara memiringkan kepala. Jaringan saraf tiruan digunakan untuk memprediksi nilai sensor selanjutnya dan membandingkan dengan data nilai sensor sebelumnya untuk menentukan adanya kontraksi pada otot. Robot kursi roda ini dibuat dengan tiga bagian utama yaitu masukan dengan menggunakan sensor EMG (Electromyograf) dan sensor Accelerometer, sistem pengendali berbasis Arduino UNO dan sistem aktuator dengan menggunakan motor DC. Electromyograf (EMG) merupakan peralatan yang digunakan untuk menangkap aktivitas otot manusia yang pada penelitian ini sensor EMG dipasang pada dahi. Accelerometer yang nantinya akan dipasang pada bagian kepala mempunyai fungsi untuk mengukur percepatan akibat gravitasi bumi sehingga dapat digunakan untuk menentukan arah yang akan dituju. Pada penelitian ini hasil yang didapatkan adalah model mampu mendeteksi kontraksi otot dan dapat menentukan arah kursi roda sesuai yang diinginkan. Wheelchairs are used as a tool to move places for people with disabilities in their legs. However, conventional wheelchairs are usually run by pushing the wheelchair or the user controls the wheel himself from the wheelchair he is driving. However, for users who also have disabilities in their hands, they cannot control conventional wheelchairs themselves. A wheelchair robot is designed to make it easier for users who have special disabilities on their feet and hands. This robot is designed to be able to run by moving the muscles on the forehead and by tilting the head. Artificial neural networks are used to predict subsequent sensor values and compare with previous sensor value data to determine the presence of muscle contractions. This wheelchair robot is made with three main parts namely input using an EMG (Electromyograph) sensor and an Accelerometer sensor, a control system based on Arduino UNO and an actuator system using a DC motor. Electromyograph (EMG) is an equipment used to capture human muscle activity which in this study EMG sensors were installed on the forehead. Accelerometer which will be installed on the head has a function to measure the acceleration due to gravity so that it can be used to determine the direction to be headed. In this study the results obtained are the model can detect muscle contractions and can determine the direction of the wheelchair as desired.]]>
<![CDATA[Kendali Model Kursi Roda dengan Electromyograf dan Accelerometer Menggunakan Metode Jaringan Saraf Tiruan ]]>
<![CDATA[M. Adib Nursasongko]]>;
<![CDATA[Ilham Ari Elbaith Zaeni]]>;
<![CDATA[Anik Nur Handayani]]>
<![CDATA[ SinarFe7 Vol. 3 No. 1 (2020): Sinarfe7-3 2020 ]]>
Publisher : <![CDATA[FORTEI Regional VII Jawa Timur ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (682.468 KB)
<![CDATA[Kursi roda digunakan sebagai alat bantu untuk berpindah tempat bagi orang yang memiliki disabilitas pada bagian kaki. Namun, kursi roda konvensional biasanya dijalankan dengan mendorong kursi roda tersebut atau pengguna mengendalikan sendiri roda dari kursi roda yang dikendarainya. Namun untuk pengguna yang juga memiliki disabilitas pada tangannya tidak dapat mengendalikan sendiri kursi roda konvensional. Sebuah robot kursi roda dirancang untuk memudahkan para pengguna yang memiliki disabilitas khusus pada kaki dan tangannya. Robot ini dirancang untuk dapat dijalankan dengan menggerakkan otot pada dahi dan dengan cara memiringkan kepala. Jaringan saraf tiruan digunakan untuk memprediksi nilai sensor selanjutnya dan membandingkan dengan data nilai sensor sebelumnya untuk menentukan adanya kontraksi pada otot. Robot kursi roda ini dibuat dengan tiga bagian utama yaitu masukan dengan menggunakan sensor EMG (Electromyograf) dan sensor Accelerometer, sistem pengendali berbasis Arduino UNO dan sistem aktuator dengan menggunakan motor DC. Electromyograf (EMG) merupakan peralatan yang digunakan untuk menangkap aktivitas otot manusia yang pada penelitian ini sensor EMG dipasang pada dahi. Accelerometer yang nantinya akan dipasang pada bagian kepala mempunyai fungsi untuk mengukur percepatan akibat gravitasi bumi sehingga dapat digunakan untuk menentukan arah yang akan dituju. Pada penelitian ini hasil yang didapatkan adalah model mampu mendeteksi kontraksi otot dan dapat menentukan arah kursi roda sesuai yang diinginkan.]]>
