Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Elimensi Journal of Electrical Engineering
Putri, Adira
Unknown Affiliation
Automotive Engineering Computer Science & IT Electrical & Electronics Engineering Engineering Mechanical Engineering

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

Found 1 Documents
Search

 1 
Aplikasi Deep Learning dalam Pengolahan Sinyal EMG untuk Pengenalan Gesture Tangan pada Prostesis Adaptif Putri, Adira
Journal of Electrical Engineering Vol. 2 No. 02 (2024): Elimensi : Journal of Electrical Engineering
Publisher : Cattleya Darmaya Fortuna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54209/elimensi.v2i02.423

Abstract

Penelitian ini mengembangkan sistem pengenalan gesture tangan berbasis sinyal elektromiografi (EMG) menggunakan teknik Deep Learning untuk aplikasi prostesis adaptif. Dalam penelitian ini, kami menggabungkan Jaringan Saraf Konvolusional (CNN) untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk pemodelan urutan temporal sinyal EMG, dengan tujuan meningkatkan akurasi dan responsivitas sistem pengenalan gesture tangan. Model ini dilatih dengan data sinyal EMG yang dikumpulkan dari berbagai individu dengan berbagai tingkat pengalaman dan kondisi fisik, kemudian diuji menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa kombinasi CNN dan LSTM mampu meningkatkan akurasi pengenalan gesture tangan, mencapai akurasi 92,3%, dengan F1-score 92,5%, dibandingkan dengan hanya menggunakan CNN. Selain itu, sistem yang dikembangkan menunjukkan latensi yang rendah (±50 ms) sehingga mampu merespons input secara real-time, yang esensial untuk pengendalian prostesis adaptif. Uji coba implementasi pada prototipe prostesis menunjukkan bahwa pengguna dapat mengendalikan prostesis dengan presisi yang tinggi dalam berbagai gesture tangan. Penelitian ini memberikan kontribusi signifikan dalam pengembangan prostesis adaptif yang lebih responsif dan alami, serta membuka peluang untuk pengembangan lebih lanjut pada sistem kontrol berbasis sinyal EMG dengan pendekatan Deep Learning.
Co-Authors