<![CDATA[Skripsi ini berfokus pada pengembangan sistem pengenalan pergerakan untuk tangan prostetik bionik menggunakan sensor EMG MyoWare v2. Pengembangan ini penting karena penelitian sebelumnya menunjukkan bahwa akurasi pengenalan gerakan yang dapat dihasilkan oleh tangan prostetik bionik masih menjadi tantangan. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan keterbatasan tersebut dengan menambahkan tahap pre-processing fitur ekstraksi Power Spectral Density (PSD) yang dapat meningkatkan akurasi pengenalan gerakan. Tujuan utama dari penelitian ini adalah untuk menciptakan sistem yang dapat menginterpretasikan pergerakan manusia secara akurat dan efisien, sehingga dapat meningkatkan kualitas hidup bagi individu yang membutuhkan prostetik. Metode K-Nearest Neighbor (KNN) digunakan dalam sistem ini untuk klasifikasi gerakan, dengan Power Spectral Density (PSD) sebagai fitur dalam proses pengenalan. Hasil penelitian menunjukkan bahwa meskipun sistem dapat membaca klasifikasi gerakan dengan baik, fitur ini sangat sensitif terhadap perubahan frekuensi data dan memerlukan komputasi yang cukup besar dibandingkan dengan fitur ekstraksi lainnya. Waktu komputasi yang didapat pada pergerakan tangan rata-rata adalah 0,29 detik, yang menunjukkan peningkatan dibandingkan penelitian sebelumnya dengan waktu komputasi 0,41 detik antar gerakan yang mana terjadi peningkatan sebesar 29,27%. Sensor EMG Myoware menunjukkan tingkat akurasi yang sangat baik dalam pembacaan sinyal EMG. Nilai sinyal yang diperoleh untuk semua variasi gerakan sesuai dengan nilai rentang acuan, dengan nilai tertinggi 2.72 V pada gerakan genggam dan nilai terendah 0.18 V pada gerakan buka. Ini menunjukkan bahwa sensor dapat membaca sinyal dengan akurasi yang tinggi. Rata-rata penggunaan memori adalah 640 Bytes (SRAM) dan 8894 Bytes (FLASH).]]>
Copyrights © 2024
