<![CDATA[Penelitian ini mengkaji penggunaan sinyal elektromiografi permukaan (sEMG) untuk klasifikasi 10 jenis gerakan tangan menggunakan klasifikasi berbasis pembelajaran mesin. Dalam penelitian ini, sebuah metode berbasis deep learning, Convolutional Neural Network satu dimensi (1D CNN) dengan fitur yang diekstraksi secara otomatis, dibandingkan dengan kinerja sebuah Multi-Layer Perceptron (MLP) dengan ekstraksi fitur manual berbasis domain waktu. Penggunaan CNN dan MLP dalam klasifikasi sinyal sEMG dilakukan untuk mengetahui efektivitas penggunaan fitur otomatis dan yang diekstraksi secara manual. Dataset yang digunakan mencakup 10 gerakan tangan yang dilakukan sebanyak 5 kali repetisi dan direkam dari 40 partisipan dengan jumlah total adalah 2000 data. Proses penelitian meliputi pre-processing, ekstraksi fitur, klasifikasi, dan evaluasi. Hasil menunjukkan bahwa 1D CNN memberikan akurasi pengujian terbaik sebesar 78% dengan skenario pelatihan yang memanfaatkan early stopping. Sebaliknya, MLP mencapai akurasi tertinggi sebesar 61,5% dengan pengaturan learning rate optimal. Performa superior 1D CNN dibandingkan MLP terutama disebabkan oleh kemampuannya melakukan ekstraksi fitur secara otomatis tanpa tergantung pada seleksi fitur manual, yang menjadi faktor kunci pada MLP. Penelitian ini mengindikasikan bahwa 1D CNN lebih efektif untuk klasifikasi sinyal sEMG dalam pengembangan teknologi asistif, khususnya untuk pengenalan gerakan tangan. Hasil ini memberikan kontribusi signifikan dalam pengembangan aplikasi berbasis sEMG, seperti teknologi rehabilitasi dan antarmuka mesin-manusia, dengan potensi meningkatkan akurasi dan efisiensi sistem yang dihasilkan.]]>
Copyrights © 2025
