Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 1, No. 1, Januari 2017, hlm. x-x
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Analisis Perbandingan Fitur Waveform Length, Mean Absolute Value, dan
Root Mean Square Pada Lengan Prostetik Bionik
Syauqi1, Edita Rosana Widasari2
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1syauqi19@student.ub.ac.id, 2editarosanaw@ub.ac.id
Abstrak
Berdasarkan data Kementerian Sosial Republik Indonesia tahun 2021 mencatat jumlah penyandang
disabilitas di Indonesia mencapai 22,97 juta jiwa, dengan disabilitas fisik pada tangan menjadi salah
satu kelompok terbesar. Disabilitas tangan berdampak signifikan pada aktivitas sehari-hari, sehingga
pengembangan lengan prostetik menjadi Solusi untuk menggantikan fungsi tangan tersebut. Dalam
pengembangannya terdapat beberapa tantangan yang dihadapi seperti keterbatasan gerakan,
ketidaknyamanan dalam mobilitas, dan noise pada perekaman sinyal akibat penggunaan kabel yang
panjang. Oleh karena itu, Penelitian ini mengembangkan lengan prostetik dengan Wearable
Electromyography Armband Sensor dan pendekatan ekstraksi fitur Waveform Length (WL), Mean
Absolute Value (MAV), serta Root Mean Square (RMS) untuk meningkatkan akurasi dan variasi
pengenalan gerakan otot lengan bawah. Hasil pengujian terhadap 10 gerakan menunjukkan bahwa
sensor Oymotion gForce200 Gesture Armband akurat dalam merekam sinyal EMG. Ekstraksi fitur WL
terbukti paling efektif dalam klasifikasi sinyal EMG, berdasarkan analisis Independent Sample T-Test
dan perbandingan nilai dengan teknik Ratio Games. Kemudian, MAV menunjukkan waktu komputasi
paling efisien, meskipun perbedaannya tidak signifikan, sementara penggunaan memori dari ketiga
metode serupa. Penelitian ini menjabarkan secara jelas dalam pemilihan fitur ekstraksi yang optimal
untuk meningkatkan akurasi dan variasi gerakan pada lengan prostetik bionik.
Kata kunci: Wearable Electromyography Armband Sensor, Waveform Length, Mean Absolute Value, Root Mean
Square, Lengan Prostetik Bionik.
Abstract
Based on data from the Ministry of Social Affairs of the Republic of Indonesia in 2021, the number
of persons with disabilities in Indonesia reached 22.97 million, with physical disabilities of the
hands being one of the largest groups. Hand disabilities significantly impact daily activities,
making the development of prosthetic arms a crucial solution to replace hand functions. However,
this development faces challenges such as limited movement, discomfort in mobility, and noise in
signal recording caused by long cables. This study developed a prosthetic arm using a Wearable
Electromyography Armband Sensor and feature extraction approaches such as Waveform Length
(WL), Mean Absolute Value (MAV), and Root Mean Square (RMS) to improve the accuracy and
variation in recognizing lower arm muscle movements. Tests on 10 different movements showed
that the Oymotion gForce200 Gesture Armband sensor recorded EMG signals accurately. WL was
the most effective feature extraction method for classifying EMG signals, as verified by Independent
Sample T-Test and Ratio Games analysis. MAV achieved the fastest computation time, but the
differences were not significant, and memory usage across the three methods was similar.This study
provides a clear basis for selecting optimal feature extraction techniques to enhance the accuracy
and variation of movements in bionic prosthetic arms.
.Keywords: Wearable Electromyography Armband Sensor, Waveform Length, Mean Absolute Value, Root Mean
Square, Bionic Prosthetic Arm
seseorang yang memiliki keterbatasan baik fisik,
intelektual, mental dan/atau sensorik dalam
jangka waktu yang lama (Wiraputra, et al, 2021).
Berdasarkan data Kementerian Sosial Republik
1. PENDAHULUAN
Penyandang
Disabilitas
Fakultas Ilmu Komputer
Universitas Brawijaya
merupakan
1
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Indonesia tahun 2021 mencatat bahwa jumlah
penyandang disabilitas mencapai 22,97 juta
jiwa, dengan variasi disabilitas meliputi fisik
(1,2 juta jiwa), mental (149 ribu jiwa), sensorik
(3,07 juta jiwa), dan intelektual (1,7 juta jiwa).
Penyandang disabilitas fisik menjadi salah satu
kelompok terbesar yang terdiri dari berbagai
individu dengan cacat pada anggota tubuh, baik
karena kelahiran, penyakit, atau kecelakaan.
Disabilitas fisik terdiri dari berbagai jenis salah
satunya pada tangan.
Disabilitas pada tangan memiliki dampak
yang cukup signifikan, mengingat pentingnya
peran tangan dalam aktivitas sehari-hari.
Penyandang disabilitas tangan terdiri menjadi
dua bagian, yakni lengan atas dan lengan bawah
(Dawwas, et al, 2023). Selain itu, mereka juga
mengalami keterbatasan dalam beraktivitas
karena kehilangan fungsi tangan. Oleh karena
itu, dibutuhkan sebuah tangan prostetik yang
dapat menggantikan fungsi tangan tersebut.
Tangan prostetik adalah alat prostetik yang
memiliki kemampuan robotik dan dapat
digerakkan oleh pengguna hanya dengan
menggunakan kemampuan otot lengan (Wijaya,
2024). Elektromiografi (EMG) merupakan
teknik medis untuk mengukur respon otot
terhadap stimulasi saraf selama otot berkontraksi
(Abyanto, et al, 2019). Dengan memanfaatkan
sinyal EMG, tangan prostetik dapat digerakkan
melalui respon otot pengguna. Dengan
demikian, tangan prostetik ini dapat
menggantikan fungsi dari tangan.
Pada penelitiaan Eko, et al (2024) telah
dilakukan pengembangan prostetik tangan
bionik bawah siku dengan menggunakan sensor
EMG
Myoware.
Namun,
dalam
pengembangannya terdapat hambatan di mana
penggunaan sensor EMG Myoware yang masih
melibatkan penggunaan kabel yang panjang.
Penggunaan kabel tersebut mengurangi
kenyamanan dalam mobilitas pengguna dan
menghasilkan sinyal dengan noise, sehingga
mempengaruhi kualitas sinyal yang diperoleh.
Dalam upaya mengatasi hal tersebut, maka pada
penelitian ini diusulkan penggunaan wearable
electromyography sensor berupa Gforce200
Gesture Armband. Pada penelitian M. Arozi, et
al (2020) menunjukkan bahwa penggunaan
wearable electromyography sensor memiliki
tingkat akurasi sebesar 98,09 persen, sehingga
sensor ini menjadi perangkat input yang baik
dalam mengendalikan lengan prostetik bionik.
Selain itu, pada penelitian tersebut hanya dapat
mengenali sebanyak delapan pergerakan tangan
Fakultas Ilmu Komputer, Universitas Brawijaya
2
saja. Dalam penelitian ini, sistem akan
dikembangkan lebih lanjut, sehingga mampu
mengenali sebanyak 10 gerakan tangan. Hal
yang menjadi dasar dalam penambahan 2
gerakan ini adalah pentingnya keberagaman pola
gerakan tangan dalam aktivitas sehari-hari.
Kontrol prostetik yang baik membutuhkan
variasi gerakan yang lebih luas untuk
meningkatkan fleksibilitas dan kemampuan
sistem dalam mendukung aktivitas pengguna
(Guo, et al, 2024).
Analisis sinyal EMG merupakan suatu hal
yang penting dalam mengontrol lengan prostetik
(Widasari, et al, 2024). Dalam desain lengan
prostetik berbasis EMG, salah satu aspek yang
perlu diperhatikan adalah pemilihan metode
ekstraksi fitur. Ekstraksi fitur merupakan proses
yang digunakan untuk mendapatkan lebih
banyak informasi dari sinyal dengan
menghilangkan noise dan mengambil data
penting, sehingga dengan metode yang tepat
akan menentukan akurasi dari lengan prostetik
dalam
menafsirkan
gerakan
pengguna
(Triwiyanto, et al, 2021). Oleh karena itu, untuk
mendapatkan data yang akurat dan konsisten
dari setiap sampel dibutuhkan suatu metode
ekstraksi fitur. Namun, tantangan utama dalam
pengembangan lengan prostetik berbasis EMG
adalah pemilihan dan penerapan metode
ekstraksi fitur yang dapat secara efektif
menangani variabilitas dalam sinyal EMG untuk
memastikan akurasi gerakan. Tanpa metode
ekstraksi fitur yang tepat maka dapat
mempengaruhi kinerja dari lengan prostetik
(Muldayani, et al, 2020).
Permasalahan di atas menjadi dasar untuk
penelitian ini. Dalam penelitian ini akan
dilakukan analisis sinyal EMG dengan
pengambilan fitur menggunakan domain waktu.
Fitur yang sering digunakan dalam klasifikasi
sinyal EMG biasanya berada pada domain
waktu, di mana fitur ini lebih cepat dalam hal
kalkulasi karena tidak memerlukan transformasi
matematis (Rahayuningsih, et al, 2018). Oleh
karena itu, pada penelitian ini akan dilakukan
analisis terhadap fitur Waveform Length (WL),
Mean Absolute Value (MAV), dan Root Mean
Square (RMS). Fitur-fitur tersebut dipilih karena
memiliki karakteristik yang berbeda-beda dalam
mengenali pola gerakan pada lengan prostetik
bionik. Dengan demikian, semakin beragam pola
yang dihasilkan oleh setiap fitur, maka semakin
tinggi keberhasilan dalam membedakan gerakan
pada gerakan lengan prostetik bionik
(Muldayani, et al, 2020).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Penelitian ini akan membandingkan kinerja
dari setiap ekstraksi fitur untuk menentukan
ekstraksi fitur yang paling efisien dalam
mendeteksi pergerakan otot lengan bawah.
Dalam mencapai keberhasilan akurasi yang
optimal pada lengan prostetik ini akan sangat
bergantung pada pemilihan ekstraksi fitur yang
tepat. Oleh karena itu, penelitian ini akan fokus
pada pengolahan sinyal EMG dengan
membandingkan ekstraksi fitur, menghitung
waktu komputasi, dan menghitung penggunaan
memori
untuk
setiap ekstraksi
fitur.
Perbandingan fitur dilakukan melalui analisis
Independent Sample T-Test dan Ratio Games
untuk menguji apakah terdapat perbedaan nilai
yang berbeda secara signifikan antara ekstraksi
ketiga fitur tersebut, sehingga dapat membantu
dalam
pengambilan
keputusan
terkait
keefektifan
ekstraksi
fitur.
Dengan
mempertimbangkan ketiga aspek tersebut,
penelitian ini bertujuan untuk menemukan
ekstraksi fitur terbaik untuk lengan prostetik.
Ketiga fitur yaitu Waveform Length (WL),
Mean Absolute Value (MAV), dan Root Mean
Square (RMS) ini memiliki karakteristik dan
keunggulan yang berbeda dalam mengekstraksi
informasi penting dari sinyal EMG. Setiap
karakteristik fitur ini akan mempengaruhi
keakuratan dan responsivitas dari prostetik
lengan. Peneliti menggunakan hipotesis awal
(H0) yang didasarkan pada asumsi bahwa tidak
ada perbedaan signifikan antara nilai ekstraksi
fitur terhadap Waveform Length (WL), Mean
Absolute Value (MAV), dan Root Mean Square
(RMS) dalam mengklasifikasikan pergerakan
lengan prostetik bionik berdasarkan sinyal
EMG, sedangkan hipotesis alternatif (H1)
menunjukan bahwa nilai ekstraksi fitur terhadap
Waveform Length (WL), Mean Absolute Value
(MAV), dan Root Mean Square (RMS)
berpengaruh
secara
signifikan
dalam
mengklasifikasikan pergerakan lengan prostetik
bionik berdasarkan sinyal EMG. Dengan
demikian, salah satu ekstraksi fitur lebih efektif
dibandingkan
yang
lainnya
dalam
mengklasifikasikan pergerakan lengan prostetik
bionik berdasarkan sinyal EMG.
Kemudian, pengembangan lengan prostetik
ini juga perlu memperhatikan efisiensi terhadap
waktu komputasi dan penggunaan memori. Pada
penelitian ini, akan dilakukan analisis terhadap
waktu komputasi karena lengan prostetik harus
mampu merespon sinyal EMG secara real-time.
Waktu komputasi dari lengan prostetik tidak
boleh terlalu lama, karena dapat menyebabkan
Fakultas Ilmu Komputer, Universitas Brawijaya
3
jeda pada pergerakan dari lengan prostetik
bionik yang berdampak pada kenyamanan dan
efektivitas pengguna. Selain itu, pada penelitian
ini juga akan dilakukan analisis terhadap
penggunaan memori karena lengan prostetik ini
memiliki keterbatasan sumber daya perangkat
keras. Penggunaan memori dari lengan prostetik
harus sesuai, karena penggunaan memori yang
terlalu besar dapat membebani perangkat dan
mengurangi stabilitas kinerja.
Berdasarkan permasalahan yang telah
dipaparkan di atas, maka pada penelitian ini
sistem akan dimulai dari proses pengambilan
data berupa sinyal EMG. Selanjutnya, dilakukan
proses filter dengan menggunakan filter gaussian
untuk membersihkan sinyal dari noise.
Kemudian, dilakukan perbandingan ekstraksi
fitur terhadap tiga ekstraksi fitur yang berbeda
untuk menentukan nilai fitur mana yang paling
efektif dalam mengenali pola pergerakan,
sehingga dapat digunakan untuk klasifikasi
gerakan tangan dengan menggunakan Support
Vector Machine (SVM). Dengan demikian,
penelitian ini dapat memberikan pemahaman
yang lebih jelas dalam menentukan ekstraksi
fitur yang tepat dalam pengembangan prostetik
lengan bionik pada penelitian selanjutnya.
2. DASAR TEORI
2.1. Electromyograph (EMG)
Electromyograph (EMG) adalah sebuah
alat eletronik yang dapat digunakan untuk
memantau aktivitas otot dengan keluaran berupa
sinyal. Dalam proses untuk memperoleh sinyal
EMG
dapat
dilakukan
dengan
cara
menempelkan elektroda pada bagian tertentu
sebagai media penangkap kontraksi otot. Pada
umumnya elektroda ini akan ditempelkan pada
permukaan kulit bagian luar manusia.
Kemudian, sinyal yang didapatkan oleh EMG
merupakan bagian Di mana elektroda tersebut
dipasang (Sahroni, 2020).
2.2. Amputasi Transradial
Amputasi
transradial
merupakan
pembedahan yang melibatkan pemotongan pada
lengan bagian bawah khususnya pada tulang
radius dan ulna (Japari, et al, 2022). Terdapat
banyak kasus amputasi di Indonesia seperti sejak
lahir atau congenital, bencana alam, penyakit
musculoskeletal, tumor, gigitan Binatang buas,
dan sebagainya. Amputasi transradial tidak
hanya mengurangi mobilitas seseorang, akan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
tetapi juga menyebabkan penurunan kualitas
hidup seseorang. Dengan demikian, diperlukan
rehabilitasi medis berupa pemberian alat bantu
prostetik untuk mengembalikan fungsi tangan
yang hilang tersebut (Syaifuddin, 2023).
2.3. Prostetik Tangan Bionik
Prostetik adalah sebuah perangkat buatan
untuk menggantikan sebagian atau seluruh
ekstremitas yang hilang (Nugroho, et al, 2021).
Salah satu jenis prostetik yang dirancang khusus
untuk penderita amputasi transradial adalah
tangan prostetik bionik. Tangan prostetik bionik
ini telah dirancang untuk menggantikan anggota
tubuh yang hilang terutama pada bagian bawah
lengan. Selain itu, tangan prostetik juga
memiliki fitur-fitur yang canggih sehingga dapat
dikendalikan dengan sinyal pendeteksi otot.
2.4. Gerakan Gesture Tangan
Kontrol prostetik yang baik membutuhkan
variasi gerakan yang lebih luas untuk
meningkatkan fleksibilitas dan kemampuan
sistem dalam mendukung aktivitas pengguna
(Guo, et al, 2024). Variasi gesture tangan pada
penelitian ini dapat dilihat pada Gambar 1. Pada
penelitian ini, akan menggunakan sebanyak
sepuluh variasi gerakan. Gerakan yang akan
diklasifikasikan seperti Open (0), Close (1), Fine
Grip (2), Pointer (3), Agree (4), Two (5), Three
(6), Four (7), Pinch (8), Half Close (9).
4
filter gaussian yang akan diterapkan pada sinyal
EMG dapat dihitung dengan Persamaan (1).
−𝑥2
𝑔(𝑥) =
2.5. Filter Gaussian
Filter Gaussian merupakan salah satu jenis
filter yang diterapkan pada sinyal untuk dengan
tujuan mengurangi atau menghilangkan
komponen-komponen sinyal yang tidak
dibutuhkan, terutama komponen frekuensi tinggi
yang dapat menyebabkan noise. Penggunaan
filter ini akan menyaring komponen dari
frekuensi tinggi sinyal yang menyebabkan noise,
sedangkan komponen dari frekuensi rendah yang
memiliki informasi penting dalam sinyal akan
dipertahankan (Ghalyan, et al, 2018). Bobot
Fakultas Ilmu Komputer, Universitas Brawijaya
√2𝜋𝜎 2
(1)
Berdasarkan persamaan di atas, maka g(x)
merupakan nilai kernel gaussian, x merupakan
jarak dari titik tengah kernel, σ merupakan
simpangan baku untuk mengontrol lebar
distribusi gaussian, π merupakan konstanta
dengan nilai 3,14, dan e adalah bilangan euler.
2.6. Ekstraksi Fitur Waveform Length, Mean
Absolute Value, dan Root Mean Square
Pada penelitian ini menggunakan fitur
dalam domain waktu, yaitu Waveform Length
(WL), Mean Absolute Value (MAV), dan Root
Mean Square (RMS) karena nilai-nilai dari fitur
tersebut memiliki karakteristik yang berbedabeda dalam mengenali pola gerakan gerakan.
Dengan demikian, semakin beragam pola yang
dihasilkan oleh setiap fitur, maka semakin tinggi
keberhasilan dalam membedakan gerakan pada
gerakan lengan prostetik bionik (Muldayani, et
al, 2020). Fitur WL, MAV, dan, RMS dapat
dihitung dengan Persamaan (2), (3), dan (4).
𝑁−1 |𝑥
WL = ∑𝑛=1
𝑛+1 − 𝑥𝑛|
(2)
Berdasarkan persamaan di atas, maka N
merepresentasikan panjang sinyal dan Xn
merepresentasikan sinyal EMG dalam sebuah
segmen.
𝑀𝐴𝑉 =
Gambar 1. Variasi Gesture Tangan: (0) Open, (1)
Close, (2) Fine Grip, (3) Pointer, (4) Agree, (5)
Two, (6) Three, (7) Four, (8) Pinch, dan (9) Half
Close.
𝑒 2𝜎2
1
𝑁
∑𝑁
𝑘=1|𝑥𝑘 |
(3)
Berdasarkan persamaan di atas, maka N
merupakan lebar data dan Xk merupakan sinyal
EMG domain waktu diskrit.
1
𝑅𝑀𝑆 = √ ∑𝑁
𝑘=1 𝑥𝑘 2
𝑁
(4)
Berdasarkan persamaan di atas, maka N
merupakan lebar data dan Xk merupakan sinyal
EMG domain waktu diskrit.
2.7. Support Vector Machine
Support
Vector
Machine
(SVM)
merupakan algoritma pembelajaran mesin untuk
mengklasifikasikan
sinyal.
Pada
SVM
menggunakan pendekatan supervised learning,
di mana algoritma ini membutuhkan data yang
telah diberi label atau memiliki kelas agar dapat
bekerja (Rabbani, et al, 2023). Dalam konteks
sinyal EMG, maka data dari hasil perekaman
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sinyal EMG selama gerakan tangan tertentu akan
diberikan label untuk mempelajari pola dari
sinyal. Pada algoritma SVM akan ditemukan
hyperplane optimal untuk memisahkan kelas
data yang berbeda dengan margin terbesar. Hal
ini bertujuan untuk meningkatkan akurasi
klasifikasi dan mengurangi tingkat kesalahan.
Kemudian, terdapat titik-titik data yang terletak
paling dekat dengan hyperplane yang disebut
dengan support vector (Rabbani, et al, 2023).
Dalam hal ini, rumus dari SVM dapat dituliskan
dengan Persamaan (5)
𝑓 (𝑥) = 𝑠𝑖𝑔𝑛 (𝑤. 𝑥 + 𝑏)
5
3. METODE PENELITIAN
3.1. Gambaran Umum Sistem
Keseluruhan sistem mencakup beberapa
tahapan yang melibatkan input, proses, dan
output yang saling terhubung agar sistem dapat
beroperasi dengan sesuai. Proses keseluruhan
sistem dapat dilihat pada Gambar 3.
(5)
Berdasarkan persamaan di atas, f(x)
merupakan fungsi prediksi, w adalah vektor
normal hyperplane, x adalah vektor fitur input,
dan b adalah bias atau intercept.
Gambar 3. Diagram Blok Sistem
Gambar 2. Klasifikasi SVM
Dalam analisis sinyal EMG, SVM menggunakan
kernel trick dengan jenis Radial Basis Function
(RBF). Kernel RBF memungkinkan SVM dapat
memetakan data dari ruang input ke ruang fitur
dengan dimensi yang lebih tinggi, sehingga data
yang tidak dapat dipisahkan menjadi dapat
dipisahkan oleh hyperplane. Penggunaan kernel
RBF dikarenakan memiliki fleksibilitas dalam
menangani hubungan non-linear dari nilai-nilai
fitur yang digunakan. dengan demikian, hal ini
dapat membantu meningkatkan performa
klasifikasi sinyal berdasarkan aktivitas otot yang
direpresentasikan oleh nilai dari fitur-fitur yang
diekstraksi. Dalam hal ini, kernel RBF dapat
dirumuskan dengan Persamaan (6)
𝐾 (𝑥1 , 𝑥2 ) = 𝑒𝑥𝑝 (−
||𝑥1 −𝑥2 ||2
2𝜎 2
)
(6)
Berdasarkan persamaan di atas,
𝐾 (𝑥1 , 𝑥2 ) merupakan fungsi kernel untuk
mengukur kesamaan antara dua titik 𝑥1 𝑑𝑎𝑛 𝑥2 ,
||𝑥1 −𝑥2 || merupakan jarak euclidean antara dua
vektor 𝑥1 𝑑𝑎𝑛 𝑥2 , dan 𝜎 merupakan skala untuk
menentukan lebar dari fungsi RBF.
Fakultas Ilmu Komputer, Universitas Brawijaya
Pada tahap input, akan dilakukan pembacaan
sinyal EMG yang ditangkap
dengan
menggunakan sensor Oymotion gForce 200.
Sinyal tersebut akan menjadi input awal yang
dihasilkan melalui aktivitas otot. Kemudian,
sinyal EMG akan memasuki tahap proses yang
diawali dengan filtering sinyal untuk
membersihkan sinyal EMG agar tidak terdapat
noise. Selanjutnya, dilakukan proses ekstraksi
fitur yang dilakukan dengan menggunakan
Waveform Length (WL), Mean Absolute Value,
dan Root Mean Square (RMS) untuk menyaring
dan merangkum informasi penting dari sinyal
yang dapat menggambarkan pergerakan dari
otot. Kemudian, tahapan terakhir dari proses
adalah klasifikasi sinyal, di mana fitur-fitur yang
telah diekstraksi dianalisis dan dikelompokkan
dengan menggunakan algoritma Support Vector
Machine (SVM) untuk mengenali pola setiap
gerakan. Seluruh tahapan dari proses tersebut
akan diterapkan melalui kode program yang
diunggah pada ESP32-S3. Kemudian, hasil dari
klasifikasi SVM akan digunakan untuk
mengontrol pergerakan dari tangan prostetik
bionik yang memiliki peran sebagai output dari
sistem.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
3.2. Teknik Pengumpulan Data
6
Gambar 4. Skematik Komponen Perangkat Keras
Teknik pengumpulan data dalam penelitian
ini dilakukan secara langsung dengan
menggunakan Wearable Electromyography
Armband Sensor pada beberapa subjek yang
berbeda. Sensor ini akan digunakan untuk
merekam sinyal EMG yang berasal dari otot
lengan bagian bawah subjek penelitian pada saat
otot berkontraksi. Data yang diperoleh dari
sensor ini berperan penting dalam analisis fitur
pada penelitian ini. Kemudian, terdapat beberapa
tahapan dalam proses pengumpulan data dari
beberapa
subjek
penelitian.
Pertama,
memasangkan gForce200 Gesture Armband
Sensor pada lengan kanan bagian bawah subjek
dengan keadaan setiap elektroda sensor
bersentuhan langsung dengan kulit dari subjek.
Lalu, mengatur posisi tangan dari subjek agar
sesuai dengan gerakan yang telah ditentukan
dalam waktu tiga detik untuk masing-masing
gerakan. Kemudian, melakukan perekaman data
dari masing-masing gerakan dari subjek dan
menyimpan data tersebut untuk dilakukan
analisis lebih lanjut untuk proses filter, ekstraksi
fitur, dan klasifikasi Support Vector Machine
(SVM).
Modul Oymotion gForceJoint BLE to
UART Adapter terhubung dengan ESP32-S3
yang berfungsi untuk mengirimkan data berupa
sinyal EMG yang direkam oleh Armband sensor.
Perekaman sinyal EMG yang dihasilkan oleh
kontraksi otot akan digunakan dalam
menentukan gerakan dari lengan prostetik.
Sinyal ini akan diolah untuk mengontrol servo
agar sesuai dengan pergerakan tangan prostetik
yang diinginkan. Servo ini berperan sebagai
aktuator sistem yang terhubung secara langsung
ke jari prostetik dengan memanfaatkan benang
nilon, sehingga pergerakan dari servo dapat
menarik jari prostetik untuk dapat bergerak
sesuai dengan data yang diperoleh melalui
sensor. Kemudian, komponen terakhir adalah
baterai yang berfungsi sebagai sumber daya
utama untuk mengoperasikan seluruh sistem.
Pada sistem ini menggunakan sebanyak empat
buah baterai dengan masing-masing tegangan
sebesar 3,7V yang dirangkai secara seri yang
menyebabkan daya yang dihasilkan berlebih,
sehingga digunakan modul XL4015 untuk
menurunkan daya pada tegangan yang sesuai
dengan kebutuhan sistem. Baterai ini akan
memberikan daya pada ESP32-S3 dan servo.
4. PERANCANGAN DAN
IMPLEMENTASI
4.2. Perancangan Perangkat Lunak
4.1. Perancangan Perangkat Keras
Perancangan sistem lengan prostetik bionik
yang dilakukan pada penelitian ini menggunakan
perangkat keras yang terdiri dari beberapa
komponen yang saling terhubung untuk
mengubah sinyal EMG dari pergerakan tangan
melalui sensor menjadi tindakan berupa
pergerakan jari pada lengan prostetik.
Kemudian, pada sistem ini menggunakan
mikrokontroler dengan tipe ESP32-S3 yang
berperan sebagai pemrosesan utama dalam
mengintegrasikan dan mengontrol seluruh
komponen pada sistem. Pengintegrasian setiap
komponen pada sistem dapat dilihat pada
Gambar 4.
Gambar 5. Flowchart Sistem Utama
Perancangan perangkat lunak digunakan
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sebagai pedoman dalam memahami alur kerja
sistem dari awal hingga akhir seperti pada
Gambar 5. Dalam perancangan perangkat lunak
program diawali dengan inisialisasi pin, variabel
dan koneksi UART guna untuk memastikan
perangkat yang digunakan dapat berkomunikasi
dengan sensor. Kemudian, program akan
mengakuisisi atau membaca sinyal EMG mentah
dari sensor Armband. Kemudian, sinyal EMG
mentah tersebut akan dilakukan proses dengan
filter gaussian untuk membersihkan sinyal dari
noise. Kemudian, dilakukan ekstraksi fitur pada
sinyal EMG untuk mendapatkan informasi
penting dalam mengenali pola gerakan.
Kemudian, program akan menjalankan metode
Support Vector Machine (SVM) untuk
mengklasifikasikan setiap gerakan dengan
menggunakan data dari hasil dari ekstraksi fitur.
Kemudian, hasil dari klasifikasi tersebut akan
menghasilkan output ke servo yang akan
menggerakkan jari pada lengan prostetik bionik.
7
Implementasi perangkat lunak terdapat beberapa
tahapan seperti inisialisasi dan akuisisi sinyal
EMG, penerapan filter gaussian, penerapan
ekstraksi fitur, klasifikasi SVM, penggerak
servo, dan pengukuran kinerja sistem. Hasil
keluaran dari implementasi perangkat lunak
dapat dilihat pada Gambar 6.
4.3. Implementasi Sistem
Implementasi sistem terdiri dari dua bagian,
yaitu implementasi perangkat keras dan
implementasi perangkat lunak. Implementasi
setiap komponen perangkat keras dilakukan
dengan menghubungkan baterai ke Printed
Circuit Board (PCB) yang akan mengalirkan
daya kepada setiap komponen seperti servo dan
ESP32-S3. Pada sistem ini menggunakan
sebanyak empat buah baterai dengan masingmasing tegangan sebesar 3,7V yang dirangkai
secara seri yang menyebabkan tegangan yang
dihasilkan berlebih, sehingga digunakan modul
XL4015 untuk menurunkan daya pada tegangan
yang sesuai dengan kebutuhan sistem.
Kemudian, ESP32-S3 berperan sebagai
pemrosesan utama dalam mengintegrasikan dan
mengontrol seluruh komponen pada sistem.
Modul Oymotion gForceJoint BLE to UART
Adapter terhubung dengan ESP32-S3 agar dapat
memperoleh daya, sehingga dapat mengirimkan
data berupa sinyal EMG yang direkam oleh
Armband sensor. Kemudian, terdapat lima buah
servo yang dihubungkan ke ESP32-S3 yang
berperan sebagai aktuator sistem yang terhubung
secara langsung ke jari pada lengan prostetik
dengan memanfaatkan benang nilon, sehingga
pergerakan dari servo dapat menarik jari pada
lengan prostetik untuk dapat bergerak sesuai
dengan data yang diperoleh melalui sensor.
Kemudian, implementasi perangkat lunak
dilakukan pada platform Arduino IDE.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 6. Hasil Keluaran Implementasi Perangkat
Lunak
5. PENGUJIAN DAN ANALISIS
5.1. Pengujian Tingkat Akurasi Pembacaan
Sensor
Pengujian ini dilakukan untuk mengetahui
tingkat akurasi dari sensor gForce200 Gesture
Armband dalam membaca sinyal EMG.
Pengujian akan dilakukan pada 5 subjek yang
berbeda dengan menganalisis hasil pembacaan
sinyal untuk 10 gerakan berbeda. Akurasi
pembacaan sensor gForce200 Gesture Armband
dalam deteksi sinyal EMG dapat diuji dengan
melakukan pengukuran yang membandingkan
sinyal hasil pembacaan sensor dengan standar
atau perangkat referensi yang sudah terkalibrasi.
Pengujian ini mencakup proses perekaman
sinyal EMG yang diterima oleh mikrokontroler
melalui BLE to UART Adapter yang disesuaikan
dengan rentang dari tegangan operasional
ESP32-S3, yakni antara 0 hingga 3,3V. Oleh
karena itu, keluaran dari BLE to UART akan diuji
guna untuk memastikan kesesuaiannya dengan
tegangan referensi dari ESP32-S3. Hasil
pengujian dapat dilihat pada Tabel 1.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pada setiap gerakan, sehingga terdapat cukup
bukti untuk menolak H0. Oleh karena itu,
berdasarkan Tabel 3. Dapat disimpulkan bahwa
terdapat perbedaan signifikan antara nilai dari
fitur MAV dan WL pada setiap gerakan.
Perhitungan dari metode Independent
Sample T-Test dapat dilihat pada Tabel 4. yang
menguji ekstraksi fitur RMS dan WL.
Tabel 1. Hasil Pengujian Akurasi Sensor
Su
bj
ek
RataRata
Pemb
acaan
Sensor
Nilai
Mini
mal
(V)
Nilai
Maks
imal
(V)
Tegangan Referensi
(V) (Oymotion
Technologies, 2021)
ketera
ngan
1
2
3
4
5
2.424
2.401
2.199
2.38
2.221
0
0
0.03
0
0.14
3.3
3.3
3.3
3.3
3.3
0-3.3
0-3.3
0-3.3
0-3.3
0-3.3
Sesuai
Sesuai
Sesuai
Sesuai
Sesuai
8
Tabel 4. Pengujian Hipotesis RMS dan WL
5.2. Pengujian Hipotesis Ekstraksi Fitur
Sistem
RMS – WL
Pengujian hipotesis ekstraksi fitur
dilakukan dengan menggunakan Independent
Sample T-Test untuk mengetahui metode
ekstraksi fitur yang paling baik dalam mengenali
pola gerakan tangan. Adapun dasar pengambilan
keputusan dari setiap pengujian antar fitur dapat
dilihat pada Tabel 2.
Gerakan
Alpha
Open
0.01
Close
0.01
Fine
Grip
0.01
Pointer
0.01
Agree
0.01
Two
0.01
Three
0.01
Four
0.01
Tabel 2. Dasar Pengambilan Keputusan
Dasar Pengambilan Keputusan
Hipotesis Nol (H0): Tidak ada perbedaan signifikan antara
nilai antar fitur dalam mengklasifikasikan sinyal EMG. Oleh
karena itu, kedua ekstraksi fitur yang dibandingkan sama
baiknya dalam mengklasifikasikan sinyal EMG.
Hipotesis Alternatif (H1): Ada perbedaan signifikan antara
nilai fitur yang dibandingkan dalam mengklasifikasikan
sinyal EMG. Oleh karena itu, salah satu ekstraksi fitur lebih
baik dibandingkan dengan yang lain dalam
mengklasifikasikan sinyal EMG.
Open
0.01
Close
0.01
Fine Grip
0.01
Pointer
0.01
Agree
0.01
Two
0.01
Three
0.01
Four
0.01
Pinch
0.01
Half
Close
0.01
5.64053E15
7.85239E16
5.6325E12
2.73485E13
6.2444E15
1.62475E16
9.74166E14
1.31478E11
1.2365E13
1.55713E12
0.01
1.39851E13
1.76372E12
26.172
15.623
18.67
23.263
28.627
19.831
14.856
19.572
16.878
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
Hipotes
is
H1
H1
H1
H1
H1
H1
H1
H1
H1
H1
T-Tabel
Hipotes
is
23.55
2.87844
H1
26.356
2.87844
H1
15.758
2.87844
H1
Tabel 5. Pengujian Hipotesis RMS dan MAV
18.824
2.87844
H1
RMS - MAV
23.413
2.87844
H1
28.823
2.87844
H1
19.987
2.87844
H1
14.982
2.87844
H1
19.713
2.87844
H1
17.002
2.87844
H1
MAV – WL
P-Value
Half
Close
1.514E-11
23.377
TTabel
T-Hitung
Tabel 3. Pengujian Hipotesis MAV dan WL
Alpha
0.01
6.41529E15
8.88058E16
6.51149E12
3.14956E13
6.98499E15
1.83314E16
1.11543E13
THitung
Berdasarkan hasil pengujian pada Tabel 4.
nilai alpha selalu lebih besar dari P-Value dan
nilai T-Hitung selalu lebih besar dari T-Tabel
pada setiap gerakan, sehingga terdapat cukup
bukti untuk menolak H0. Oleh karena itu,
berdasarkan Tabel 4. Dapat disimpulkan bahwa
terdapat perbedaan signifikan antara nilai dari
fitur RMS dan WL pada setiap gerakan.
Perhitungan dari metode Independent
Sample T-Test dapat dilihat pada Tabel 5. yang
menguji ekstraksi fitur RMS dan MAV.
Perhitungan dari metode Independent
Sample T-Test dapat dilihat pada Tabel 3. yang
menguji ekstraksi fitur MAV dan WL.
Gerakan
Pinch
P-Value
Berdasarkan hasil pengujian pada Tabel 3.
nilai alpha selalu lebih besar dari P-Value dan
nilai T-Hitung selalu lebih besar dari T-Tabel
Fakultas Ilmu Komputer, Universitas Brawijaya
Gerakan
Alpha
Open
0.01
Close
0.01
Fine
Grip
0.01
Pointer
0.01
Agree
0.01
Two
0.01
Three
0.01
P-Value
0.136757
498
0.148850
735
0.104631
436
0.162067
014
0.212884
462
0.131683
899
0.121781
358
THitung
1.5575
1.5082
1.709
1.458
1.2915
1.5793
1.6239
TTabel
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
2.8784
4
Hipotes
is
H0
H0
H0
H0
H0
H0
H0
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Four
0.01
Pinch
0.01
Half
Close
0.01
0.081232
734
0.167818
643
0.150444
956
1.8471
1.4372
1.502
2.8784
4
2.8784
4
2.8784
4
H0
9
dapat dilihat pada Tabel 8.
H0
Tabel 8. Hasil Pengujian Waktu Komputasi
H0
Rata-Rata Waktu Komputasi (ms)
Berdasarkan hasil pengujian pada Tabel 5.
nilai alpha selalu lebih kecil dari P-Value dan
nilai T-Hitung selalu lebih kecil dari T-Tabel
pada setiap gerakan, sehingga terdapat cukup
bukti untuk menerima H0. Oleh karena itu,
berdasarkan Tabel 5. Dapat disimpulkan bahwa
tidak terdapat perbedaan signifikan antara nilai
dari fitur RMS dan MAV pada setiap gerakan.
Berdasarkan hasil dari Independent
Sample T-Test menunjukkan bahwa
perbedaan nilai signifikan terjadi antara
perbandingan kombinasi ekstraksi fitur
antara MAV dan WL serta RMS dan WL,
sehingga diperlukan teknik Ratio Games
untuk memastikan metode ekstraksi fitur
yang terbaik. Perhitungan dari teknik Ratio
Games dapat dilihat pada Tabel 6 dan Tabel
7.
Tabel 6. Hasil Perbandingan Nilai MAV dan WL
Mean Gesture
With MAV as a
Base
With WL as a
Base
Fitur
Fitur
Fitur
MAV
WL
MAV
WL
MAV
WL
187.63
1602.58
1
8.542
0.117
1
Tabel 7. Hasil Perbandingan Nilai RMS dan WL
Mean Gesture
With RMS as a
Base
With WL as a
Base
Fitur
Fitur
Fitur
RMS
WL
RMS
WL
RMS
WL
199.39
1602.58
1
8.542
0.124
1
Berdasarkan hasil pengujian tersebut
diperoleh nilai fitur terbaik, yaitu WL. Hal ini
dikarenakan nilai dari fitur WL lebih besar
dibandingkan dengan fitur RMS dan MAV
dengan menggunakan teknik Ratio Games.
5.3. Pengujian Waktu Komputasi Pada
Lengan Prostetik Bionik
Pengujian waktu komputasi pada sistem
dilakukan untuk mengetahui kecepatan
komputasi yang dibutuhkan dalam proses
pengolahan data pada setiap metode ekstraksi
fitur. Hal ini bertujuan untuk menemukan
metode ekstraksi fitur yang mempunyai waktu
komputasi yang paling efisien. Hasil pengujian
Fakultas Ilmu Komputer, Universitas Brawijaya
Subjek
1
2
3
4
5
Rata-Rata
Proses Pengambilan
Fitur
WL RMS MAV
65
65
65
65
65
65
65
65
65
65
65
65
65
65
65
65
65
65
Proses Keseluruhan
Sistem
WL
RMS MAV
1101 1101
1100
1101 1101
1100
1101 1101
1100
1101 1101
1100
1101 1101
1100
1101 1101
1100
Dari hasil pengujian tersebut pada Tabel 8.
waktu komputasi rata-rata tetap konsisten. Pada
proses pengambilan fitur waktu komputasi yang
sama sekitar 65 milidetik. Namun, terdapat
perbedaan pada waktu komputasi pada saat
menjalankan keseluruhan sistem, di mana
perbedaan waktu yang sedikit lebih lama untuk
penggunaan fitur WL dan RMS pada sistem.
Namun, perbedaan waktu tersebut tidak
signifikan, di mana proses keseluruhan sistem
menggunakan fitur WL dan RMS memiliki
waktu komputasi sekitar 1101 milidetik,
sedangkan proses keseluruhan sistem dengan
menggunakan MAV memiliki waktu komputasi
sekitar 1100 milidetik.
5.4. Pengujian Penggunaan Memori Pada
Lengan Prostetik Bionik
Pengujian penggunaan memori dilakukan
untuk mengetahui penggunaan memori RAM
pada ESP32 yang dibutuhkan untuk melakukan
pengolahan data dengan menggunakan setiap
metode ekstraksi fitur. Hal ini bertujuan untuk
menemukan metode ekstraksi fitur yang
memiliki penggunaan memori yang paling
efisien. Hasil pengujian dapat dilihat pada Tabel
9.
Tabel 9. Hasil Pengujian Penggunaan Memori
Rata-Rata Penggunaan Memori (bytes)
Subjek
Proses Pengambilan
Fitur
WL
RMS
MAV
Proses Keseluruhan
Sistem
WL
RMS
MAV
1
36244
36244
36244
36408
36408
36408
2
36244
36244
36244
36408
36408
36408
3
36244
36244
36244
36408
36408
36408
4
36244
36244
36244
36408
36408
36408
5
36244
36244
36244
36408
36408
36408
Rata-Rata
36244
36244
36244
36408
36408
36408
Dari hasil pengujian tersebut pada Tabel 9.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
penggunaan memori rata-rata tetap konsisten.
Kemudian, tidak terdapat perbedaan pada
pengujian penggunaan memori pada setiap fitur
dalam proses pengambilan fitur dan proses
keseluruhan sistem. hal ini dikarenakan
penggunaan variabel yang serupa. Dengan
demikian, dapat disimpulkan bahwa seluruh
metode ekstraksi fitur setara dalam segi
penggunaan memori.
6. KESIMPULAN
Berdasarkan hasil dari pengujian, maka
dapat disimpulkan bahwa tingkat akurasi sensor
sangat baik. Hal ini dibuktikan dari hasil
keluaran sensor selalu berada pada rentang nilai
yang ditentukan, yaitu 0 hingga 3,3V.
Kemudian,
pengujian hipotesis
dengan
independent sample T-Test menunjukkan
terdapat perbedaan signifikan antara kombinasi
dari fitur waveform length dengan mean absolute
value dan waveform length dengan root mean
square. Kemudian, dari hasil tersebut dilakukan
perbandingan nilai dengan menggunakan teknik
Ratio Games yang menunjukkan bahwa fitur
waveform length merupakan metode ekstraksi
fitur terbaik. Kemudian, waktu komputasi pada
sistem lengan prostetik pada saat proses
pengambilan fitur adalah sama, yakni selama 65
milidetik, sedangkan untuk proses keseluruhan
sistem fitur mean absolute value memiliki waktu
komputasi yang paling efisien, yakni selama
1100 milidetik dengan perbedaan yang tidak
signifikan dengan fitur waveform length dan root
mean square, yakni selama 1101 milidetik.
Kemudian, penggunaan memori pada sistem
lengan prostetik diantara ketiga fitur pada saat
proses pengambilan fitur dan proses keseluruhan
sistem adalah sama, yakni sebesar 36244 bytes
pada saat pengambilan fitur dan 36408 bytes
pada saat keseluruhan sistem.
7. DAFTAR PUSTAKA
Abyanto, F.T., 2019. Deteksi kejenuhan
seluruh otot manusia menggunakan
sensor EMG berbasis mikrokontroler
Arduino Uno. Doctoral dissertation,
UNIKA Soegijapranata, Semarang.
Aji, E.P. & Widasari, E.R., 2024. Analisis
perbandingan fitur waveform length,
mean absolute value, dan variance pada
sistem pengenalan pergerakan prostetik
tangan bionik. Jurnal Pengembangan
Teknologi
Informasi
dan
Ilmu
Komputer, 8(2).
Fakultas Ilmu Komputer, Universitas Brawijaya
10
Alfan, A.N. & Ramadhan, V., 2022.
Prototype detektor gas dan monitoring
suhu
berbasis
Arduino
Uno.
PROSISKO: Jurnal Pengembangan
Riset dan Observasi Sistem Komputer,
9(2), pp.61-69.
Alvin Sahroni, S.T., 2020. Pemrosesan dan
klasifikasi sinyal navigasi berbasis
electromyography (EMG) pada otot
lengan bawah.
Arozi, M., Ariyanto, M., Kristianto, A. &
Setiawan, J.D., 2020, September. EMG
signal processing of Myo armband
sensor for prosthetic hand input using
RMS and ANFIS. In 2020 7th
International
Conference
on
Information Technology, Computer,
and
Electrical
Engineering
(ICITACEE), pp. 36-40. IEEE.
Asif, A.R., Waris, A., Gilani, S.O., Jamil,
M., Ashraf, H., Shafique, M. & Niazi,
I.K., 2020. Performance evaluation of
convolutional neural network for hand
gesture recognition using EMG.
Sensors, 20(6), p.1642.
Chen, X., Li, Y., Hu, R., Zhang, X. & Chen,
X., 2020. Hand gesture recognition
based on surface electromyography
using convolutional neural network with
transfer learning method. IEEE Journal
of Biomedical and Health Informatics,
25(4), pp.1292-1304.
Components101, 2019. MG996R Datasheet.
[Online]
Available
at:
https://components101.com/sites/defaul
t/files/component_datasheet/MG996R
%20Datasheet.pdf
Daffa, A.Z., Widasari, E.R. & Syauqy, D.,
2023. Analisis perbandingan metode
ekstraksi fitur mean absolute value, root
mean square, dan variance untuk deteksi
kelelahan otot biceps brachii. Jurnal
Pengembangan Teknologi Informasi
dan Ilmu Komputer, 7(7), pp.34343440.
Dawwas, F., Setiawan, T.A. & Rachman, I.,
2023. Rancang bangun tangan palsu
untuk penyandang disabilitas dengan
menggunakan metode Ulrich. In:
Proceedings Conference On Design
Manufacture Engineering And Its
Application, 7(1).
Espressif Systems, 2023. ESP32-S3-
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
WROOM-1 & ESP32-S3-WROOM-1U
Datasheet (Version 1.4). [Online]
Available
at:
https://www.espressif.com/sites/default/
files/documentation/esp32-s3-wroomseries_datasheet_en.pdf
Firdaus, A. et al., 2022. Sosialisasi
penggunaan Microsoft Office kepada
pengurus dan anggota Yayasan Hasanah
Manggala Tama. Praxis: Jurnal
Pengabdian Kepada Masyarakat, 2(1),
pp.61-65.
Ghalyan, I.F., Abouelenin, Z.M. & Kapila,
V., 2018, December. Gaussian filtering
of EMG signals for improved hand
gesture classification. In 2018 IEEE
Signal Processing in Medicine and
Biology Symposium (SPMB), pp.1-6.
IEEE.
Guo, K., Lu, J., Wu, Y., Hu, X. and Yang,
H., 2024. The latest research progress on
bionic artificial hands: A systematic
review. Micromachines, 15(7), p.891.
Heildayana, I., 2021. Penerapan metode
Waterfall pada sistem informasi
penjualan tiket pesawat terbang. Jurnal
Ilmu Data, 1(2).
Japari, H.T.A., 2022. Penanganan kaus
fraktur kominutif Os. carpalis pada owa
Jawa
(Hylobates
moloch)
di
Bontomarannu
Education
Park,
Kabupaten Gowa, Sulawesi Selatan.
Doctoral
dissertation,
Universitas
Hasanuddin.
Kementerian Sosial Republik Indonesia,
2021. Pedoman operasional asistensi
rehabilitasi
sosial
penyandang
disabilitas. Jakarta.
Leonard, C. & Shabrina, N.H., 2020.
Analisis keefektifan penggunaan filter
FIR dan IIR pada sinyal pernapasan
EMGdi dengan simulasi MATLAB.
Ultima Computing: Jurnal Sistem
Komputer, 12(1), pp.29-34.
Li, G., Li, J., Ju, Z., Sun, Y. & Kong, J.,
2019. A novel feature extraction method
for machine learning based on surface
electromyography from healthy brain.
Neural Computing and Applications,
pp.1-10.
Majid, N., 2023. Desain sistem penggerak
webcam pada mobile robot search and
rescue berbasis Android.
Fakultas Ilmu Komputer, Universitas Brawijaya
11
Muldayani, W. et al., 2020. Pengenalan pola
sinyal electromyography (EMG) pada
gerakan
jari
tangan
kanan.
ELKOMIKA: Jurnal Teknik Energi
Elektrik, Teknik Telekomunikasi, &
Teknik Elektronika, 8(3), p.591.
Nugroho, S.A., 2021. Asuhan keperawatan
pada pasien dengan amputasi.
Nursusanto, U. & Hartoyo, H., 2022. Real
time battery monitoring control in mini
generating system. Jurnal Edukasi
Elektro, 6(2), pp.96-104.
OYMotion Technologies, Inc., 2021. gForce
200 User Guide. [Online] Available at:
https://oymotion.github.io/gForce200/g
Force200UserGuide/
Rachmat, D. & Puspita, H., 2020.
Pembuatan alat penstabil suhu pada
modem berbasis mikrokontroler AVR
Atmega 8535. Jurnal Industri Elektro
dan Penerbangan, 7(3).
Rahayuningsih, I., Wibawa, A.D. &
Pramunanto, E., 2018. Klasifikasi
bahasa isyarat Indonesia berbasis sinyal
EMG menggunakan fitur time domain
(MAV, RMS, VAR, SSI). Jurnal Teknik
ITS, 7(1), pp.A175-A180.
Rahman, O.H., Abdillah, G. & Komarudin,
A., 2021. Klasifikasi ujaran kebencian
pada media sosial Twitter menggunakan
Support Vector Machine. Jurnal RESTI
(Rekayasa Sistem dan Teknologi
Informasi), 5(1), pp.17-23.
Rabbani, S. et al., 2023. Perbandingan
evaluasi kernel SVM untuk klasifikasi
sentimen dalam analisis kenaikan harga
BBM. MALCOM: Indonesian Journal
of Machine Learning and Computer
Science, 3(2), pp.153-160.
Selvan, M.P. et al., 2021, March. Prosthetic
hand using EMG. In Journal of Physics:
Conference Series, 1770(1), p.012018.
IOP Publishing.
Setiawan, S.A. & Hidayat, M., 2024.
Prototype lampu penerangan jalan
otomatis menggunakan sensor LDR
berbasis Arduino Uno. PROSISKO:
Jurnal Pengembangan Riset dan
Observasi Sistem Komputer, 11(1),
pp.119-127.
Setyaningsih, E. & Asiatun, K., 2021.
Pengaruh bahan pengikat terhadap
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
ketajaman warna motif jumputan.
Prosiding Pendidikan Teknik Boga
Busana, 16(1).
Syaifuddin, M., 2023. Studi kasus:
Gambaran
pembuatan
transtibial
prosthesis untuk sholat pada pasien
pasca amputasi transtibial. Jurnal
Medika Hutama, 4(4), pp.3541-3545.
Triwiyanto,
T.
et
al.,
2021.
Electromyography feature analysis to
recognize the hand motion in a
prosthetic hand design. Journal of
Biomimetics,
Biomaterials
and
Biomedical Engineering, 50, pp.25-37.
Wijaya, A.P., 2024. Pengembangan sistem
pengenalan pergerakan prostetik tangan
bionik menggunakan metode K-Nearest
Neighbor dengan fitur power spectral
density.
Jurnal
Pengembangan
Teknologi
Informasi
dan
Ilmu
Komputer, 8(6).
Wijaya, F.T.S. & Kuswanto, D., 2019.
Prosthetic hand for kids to escalate kids
creativity and confidence. Tugas Akhir,
Fakultas Desain Kreatif dan Bisnis
Digital, Departemen Desain Produk.
Wibawa, S., 2023. Analisis chatbot
otomatisasi tugas administratif dan
manajemen dalam lingkungan digital
dengan
menggunakan
Python.
INSANtek, 4(1), pp.25-31.
Widasari, E.R. & Setiawan, E., 2024.
Comparative analysis of machine
learning techniques for hand movement
prediction using electromyographic
signals. Journal of Information
Technology and Computer Science,
9(1), pp.34-45.
Wiraputra, A.D., 2021. Perlindungan hukum
terhadap
pekerja
penyandang
disabilitas.
Dharmasisya:
Jurnal
Program Magister Hukum FHUI, 1(1),
p.19.
Fakultas Ilmu Komputer, Universitas Brawijaya
12