<![CDATA[Penelitian ini bertujuan untuk mengembangkan sistem pengenalan gesture tangan berbasis sinyal elektromiografi (EMG) menggunakan teknik Deep Learning, khususnya dengan menggabungkan Jaringan Saraf Konvolusional (CNN) dan Long Short-Term Memory (LSTM), untuk pengendalian prostesis adaptif. Model yang dikembangkan diuji menggunakan data sinyal EMG yang dikumpulkan dari berbagai peserta dengan variasi fisiologis yang berbeda. Hasil evaluasi menunjukkan bahwa kombinasi CNN dan LSTM dapat meningkatkan akurasi pengenalan gesture tangan, dengan akurasi mencapai 92,3% dan F1-score 92,5%, dibandingkan dengan model CNN yang hanya mencapai akurasi 84,2%. Sistem yang dikembangkan mampu mengidentifikasi berbagai gesture tangan, seperti menggenggam, merentangkan jari, dan gerakan rotasi tangan, dengan latensi yang rendah (rata-rata 50 ms), yang memungkinkan pengendalian prostesis secara real-time. Selain itu, uji coba implementasi pada prototipe prostesis menunjukkan bahwa pengguna dapat mengendalikan prostesis dengan presisi yang tinggi dan responsif, memberikan pengalaman yang lebih alami dan intuitif. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi prostesis adaptif berbasis EMG yang lebih efektif dan responsif, serta membuka potensi aplikasi lebih lanjut dalam bidang rehabilitasi dan perangkat bantuan medis.]]>
Copyrights © 2025
