<![CDATA[Kehilangan anggota tubuh, khususnya tangan, dapat menurunkan kemandirian dan kualitas hidup penyandang disabilitas. Di Indonesia tercatat sekitar 22,97 juta jiwa penyandang disabilitas (8,5% penduduk), sehingga dibutuhkan teknologi lengan prostetik bionik yang nyaman dan mudah dikendalikan. Salah satu pendekatan yang banyak digunakan adalah pemanfaatan sinyal surface electromyography (sEMG) sebagai masukan untuk mengenali gesture tangan, namun penelitian sebelumnya dengan ekstraksi fitur konvensional dan model CNN berukuran besar masih menghadapi keterbatasan akurasi real-time dan beban komputasi yang tinggi. Penelitian ini mengusulkan sistem pengenalan gesture tangan berbasis Spatio-Temporal Feature Set (STFS) dan lightweight satu dimensi Convolutional Neural Network (1-D CNN) yang diimplementasikan pada mikrokontroler ESP32-S3 untuk mengendalikan lengan prostetik bionik. Data sEMG delapan kanal direkam menggunakan gelang OyMotion gForce200 dari lima subjek untuk sepuluh gesture tangan, kemudian diproses melalui windowing, full-wave rectification, moving RMS, ekstraksi fitur STFS, dan normalisasi sebelum digunakan untuk melatih model lightweight 1-D CNN. Model terbaik dikonversi ke bentuk int8 dan dijalankan menggunakan TensorFlow Lite Micro pada ESP32-S3 untuk menggerakkan lima servo jari lengan prostetik. Hasil pengujian menunjukkan bahwa keluaran tegangan sensor yang diperoleh dari konversi ADC 8-bit berada pada rentang 0–3,3 V sehingga sesuai dengan spesifikasi modul gForceJoint, sedangkan sistem klasifikasi menghasilkan rata-rata akurasi sebesar 84% pada lima subjek. Rata-rata waktu komputasi inferensi sekitar 58,4 ms per window dengan penggunaan flash memory 581.737 byte, SRAM 38.464 byte, dan sisa memori heap dinamis sekitar 353.116 byte. Dengan demikian, kombinasi STFS dan lightweight 1-D CNN dinilai layak untuk diimplementasikan pada mikrokontroler berdaya rendah sebagai sistem pengenalan gesture lengan prostetik bionik secara mendekati real-time, meskipun masih terdapat keterbatasan dalam membedakan gesture dengan pola aktivasi otot yang sangat mirip.]]>
Copyrights © 2026
