<![CDATA[Berdasarkan data Kementerian Sosial Republik Indonesia tahun 2021 mencatat jumlah penyandang disabilitas di Indonesia mencapai 22,97 juta jiwa, dengan disabilitas fisik pada tangan menjadi salah satu kelompok terbesar. Disabilitas tangan berdampak signifikan pada aktivitas sehari-hari, sehingga pengembangan lengan prostetik menjadi Solusi untuk menggantikan fungsi tangan tersebut. Dalam pengembangannya terdapat beberapa tantangan yang dihadapi seperti keterbatasan gerakan, ketidaknyamanan dalam mobilitas, dan noise pada perekaman sinyal akibat penggunaan kabel yang panjang. Oleh karena itu, Penelitian ini mengembangkan lengan prostetik dengan Wearable Electromyography Armband Sensor dan pendekatan ekstraksi fitur Waveform Length (WL), Mean Absolute Value (MAV), serta Root Mean Square (RMS) untuk meningkatkan akurasi dan variasi pengenalan gerakan otot lengan bawah. Hasil pengujian terhadap 10 gerakan menunjukkan bahwa sensor Oymotion gForce200 Gesture Armband akurat dalam merekam sinyal EMG. Ekstraksi fitur WL terbukti paling efektif dalam klasifikasi sinyal EMG, berdasarkan analisis Independent Sample T-Test dan perbandingan nilai dengan teknik Ratio Games. Kemudian, MAV menunjukkan waktu komputasi paling efisien, meskipun perbedaannya tidak signifikan, sementara penggunaan memori dari ketiga metode serupa. Penelitian ini menjabarkan secara jelas dalam pemilihan fitur ekstraksi yang optimal untuk meningkatkan akurasi dan variasi gerakan pada lengan prostetik bionik. Kata kunci: Wearable Electromyography Armband Sensor, Waveform Length, Mean Absolute Value, Root Mean Square, Lengan Prostetik Bionik.]]>
Copyrights © 2025
