<![CDATA[Penyandang disabilitas dengan keterbatasan fungsi tangan memerlukan perangkat bantu untuk mendukung aktivitas sehari-hari secara mandiri, salah satunya melalui pengembangan lengan prostetik bionik berbasis sinyal electromyography (EMG). Di Indonesia, prevalensi penyandang disabilitas mencapai sekitar 1,43% dari populasi, dengan 1,17% mengalami gangguan fungsi jari dan tangan, sehingga diperlukan sistem prostetik yang efektif dan adaptif. Sistem kendali prostetik konvensional umumnya masih menghasilkan gerakan yang terbatas dan bersifat statis, sehingga belum mampu merepresentasikan gerakan tangan manusia secara kompleks. Perkembangan metode machine learning, khususnya Convolutional Neural Network (CNN), memungkinkan peningkatan kemampuan kendali, namun implementasinya pada perangkat tertanam menghadapi keterbatasan sumber daya berupa konsumsi daya, waktu komputasi, dan penggunaan memori. Penelitian ini bertujuan mengevaluasi kinerja tiga mikrokontroler low-power, yaitu ESP32-S3, ESP32-S2, dan Arduino Nano 33 BLE Sense, dalam mengimplementasikan model CNN terkuantisasi INT8 untuk sistem kendali lengan prostetik bionik berbasis EMG. Sinyal EMG diperoleh menggunakan sensor OYMotion gForce200 dan diekstraksi menjadi fitur Waveform Length (WL), Mean Absolute Value (MAV), Root Mean Square (RMS), dan Amplitude of the First Burst (AFB). Evaluasi dilakukan berdasarkan konsumsi daya, waktu komputasi, dan penggunaan memori. Hasil pengujian menunjukkan bahwa Arduino Nano 33 BLE Sense memiliki konsumsi daya terendah sebesar 5,07 Wh pada pengujian satu jam, waktu komputasi tercepat sebesar 41 ms dan penggunaan memori (ROM) sebesar 385 KB, sehingga menjadi platform paling efisien.]]>
Copyrights © 2026
