Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Daniswara, Muhammad Ananta
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Convolutional Neural Network Pada Lengan Prostetik Bionik Berbasis Wearable Electromyography Armband Sensor Daniswara, Muhammad Ananta; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kehilangan tangan akibat amputasi dapat mempengaruhi kesehatan fisiologis dan psikologis penderitanya. Jumlah penyandang disabilitas di Indonesia mencapai 22,97 juta jiwa, sekitar 8,5% dari total penduduk Indonesia. Jumlah tersebut terhitung cukup besar sehingga diperlukan pengembangan teknologi untuk membantu pasien disabilitas, salah satunya tangan prostetik bionik. Penelitian sebelumnya mengembangkan lengan prostetik bionik berbasis sensor berkabel Myoware V2 namun masih terdapat banyak noise dan tantangan dalam akurasi gerakan. Penelitian ini bertujuan untuk mengembangkan sistem lengan prostetik bionik dengan implementasi Convolutional Neural Network (CNN) berbasis Wearable Electromyography Armband Sensor. Tipe sensor yang digunakan adalah sensor Oymotion gForce200 Armband Gesture. . Penelitian ini menggunakan empat fitur yaitu Root Mean Square (RMS), Waveform Length (WL), Mean Average Value (MAV), dan Amplitude First Burst (AFB) dan digunakan sebagai input untuk klasifikasi Convolutional Neural Network (CNN). Hasil pengujian sensor memiliki akurasi sebesar 100% dengan nilai yang sesuai yaitu 0-3,3 V. Selanjutnya, hasil pelatihan akurasi model CNN sebesar 94,83% dengan learning rate 0,1 dan 100 epochs. Sensor Oymotion gForce200 berhasil mengklasifikasikan gerakan pada sistem dengan akurasi 80%, meskipun masih ada tantangan terkait karakteristik sinyal individu. Waktu komputasi untuk setiap gerakan adalah 0,046 detik, menunjukkan bahwa sistem ini memenuhi kriteria untuk digunakan secara real-time dalam aplikasi prostetik.
Co-Authors Edita Rosana Widasari, Edita Rosana