Dalam bidang medis exoskeleton dapat membantu proses rehabilitasi dari stroke ataupun

cedera tulang belakang, sehingga diperlukan sistem kendali yang lebih baik. Tujuan
penelitian ini yaitu mengembangkan kendali eksoskeleton lengan menggunakan pengenalan
pola suara melalui Machine Learning dengan perintah “Naik” dan “Turun”. Keuntungan dari
metode yang diusulkan adalah sistem kendali yang sederhana dengan menggunakan perintah
suara. Hal ini dicapai dengan membandingkan hasil dari dua ekstraksi fitur Mel-Frequency
Ceptral Coefficient (MFFC) dan Zero-Crossing Rate (ZCR) untuk mendapatkan akurasi
terbaik. Pengembangan eksoskeleton lengan ini terdiri dari desain lengan 3D, microphone,
Raspberry pi 4 B+, USB soundcard 7.1, driver motor L298N, dan linier actuator. Microphone
digunakan untuk merekam sinyal suara dan disimpan dalam format wav. Selanjutnya data di
ekstraksi fitur menggunakan program Phyton baik untuk MFCC maupun ZCR dan disimpan
dalam format csv. Kemudian data dilakukan training menggunakan lagoritma machine
learning untuk mendapatkan model machine learning yang akan ditanamkan pada Raspberry
pi. Raspberry pi akan melakukan klasifikasi perintah yang diberikan dan driver motor L298N
akan memberikan logika High-Low untuk menggerakan linear aktuator sesuai dengan
perintah yang diberikan. Dari penelitian ini, didapatkan hasil akurasi sukses pada perintah
“Naik” sebesar 86% dan perintah “Turun” sebesar 74%. Penelitian ini menunjukkan desain
kendali eksoskeleton lengan melalui perintah suara menggunakan machine learning.
Penelitian ini dapat membantu proses rehabilitasi pasien stroke.

In the medical field, the exoskeleton can help the rehabilitation process from stroke or spinal
cord injury, so a better control system is needed. The purpose of this research is to develop an
exoskeleton control arm using voice pattern recognition through Machine Learning with the
command "Naik" and "Turun". The advantage of the proposed method is a simple control
system using voice commands. This is achieved by comparing the results of the two feature
extraction Mel-Frequency Cepstral Coefficient (MFFC) and Zero-Crossing Rate (ZCR) to get
the best accuracy. The development of this arm exoskeleton consists of a 3D arm design,
microphone, Raspberry pi 4 B +, USB soundcard 7.1, motor driver L298N, and linear
actuator. The microphone is used to record voice signals and saved in wav format.
Furthermore, the data is extracted using the Python program for both MFCC and ZCR and
saved in csv format. Then the data is trained using machine learning algorithms to get a
machine learning model that will be embedded in the Raspberry pi. Raspberry pi will classify
the command given and the L298N motor driver will provide High-Low logic to drive the
linear actuator according to the command given. From this research, the results obtained
success accuracy on the command "Naik" by 86% and command "Turun" by 74%. This study
demonstrates the control design of the arm exoskeleton through voice commands using
machine learning. This research can help the rehabilitation process of stroke patients.