<![CDATA[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.]]>
Copyrights © 2024
