<![CDATA[Pengembangan sistem kendali lengan prostetik bionik berbasis sinyal Electromyography (EMG) menghadapi tantangan dalam menyeimbangkan akurasi pengenalan gerakan dan efisiensi komputasi pada perangkat keras dengan sumber daya terbatas. Model Deep Learning konvensional umumnya memiliki ukuran besar dan waktu komputasi yang tinggi, sedangkan model lightweight sering mengalami penurunan akurasi. Penelitian ini mengusulkan penerapan metode Knowledge Distillation untuk mengompresi model klasifikasi gerakan pada sistem kendali lengan prostetik berbasis mikrokontroler ESP32-S3. Proses penelitian meliputi akuisisi sinyal EMG menggunakan sensor OyMotion gForce200, pelatihan model dengan mentransfer pengetahuan dari Teacher Model ke Student Model berarsitektur Lightweight Convolutional Neural Network (CNN), serta pengujian sistem secara real-time pada lima subjek dengan sepuluh jenis gerakan tangan. Hasil pengujian menunjukkan bahwa ukuran model berhasil direduksi sebesar 95,2% dari 655 KB menjadi 31,4 KB, dengan rata-rata waktu komputasi inferensi sebesar 4,54 ms. Model lightweight CNN mencapai akurasi pelatihan sebesar 98,61% dan rata-rata akurasi klasifikasi gerakan sebesar 74% pada pengujian real-time. Penggunaan memori mikrokontroler tercatat sebesar 31% untuk Flash dan 19% untuk (Static Random Access Memory) SRAM. Hasil ini menunjukkan bahwa Knowledge Distillation efektif dalam menghasilkan sistem kendali lengan prostetik yang responsif dan efisien pada perangkat keras tertanam.]]>
Copyrights © 2026
