Abstrak
Manusia dapat melakukan perkerjaannya dalam kondisi sehat, maka kesehatan adalah hal
paling penting dalam kehidupan. Tetapi banyaknya manusia yang tidak dapat melakukan pekerjaannya
dikarenakan keterbatasan fisik, yang biasa disebut penyandang disabiltas. Teknik biomedis adalah
ilmu medis yang menggunakan ilmu medis dan desain insinyur untuk memecahkan masalah
kesehatan. Electromyograhy (EMG) salah satu ilmu biomedis yang dapat mendeteksi sinyal yang
dihasilkan kontraksi pada otot, dengan menggunakan EMG dapat membuat sistem pedeteksian sinyal
kontraksi otot terutama pada otot lengan. Pada sistem ini akan membantu pedeteksian kontraksi otot
lengan untuk penyandang disabilitas pada lengan. Pedeteksian dilakukan pada perubahan derajat
lengan, derajat yang dideteksi yaitu 0, 30, 60, 90, 120, 150, dan 180 dejarat. Sinyal-sinyal yang
diterima oleh EMG memiliki noise yang dapat menganggu pedeteksian, maka diperlukannya
pengalusan sinyal berupa metode exponential moving average (EMA). Exponential moving average
mempunyai nilai bobot untuk melakukan pengahulan, nilai yang dipakai yaitu 0.1 dan 0.3. Setelah
melakukan penghalusan sinyal, maka dilakukannya pendeteksian perubahan derajat dengan
menggunakan metode klasifikasi decision tree. Kemudian hasil dari klasifikasi akan ditampilkan pada
LED dan LCD.
Kata kunci: sinyal otot, gerakan lengan, elektromiographi, Exponential Moving Average, decision
tree
Abstract
Humans can carry out their work in a healthy condition, so health is the most important thing in
life. But many people are unable to do their jobs due to physical limitations, commonly called persons
with disabilities. Biomedical engineering is medical science that uses medical science and design
engineers to solve health problems. Electromyograhy (EMG), one of the biomedical sciences that can
detect signals generated by contractions in muscles, using EMG can make the system of detecting
signals of muscle contractions, especially in the arm muscles. This system will help detect arm muscle
contractions for people with disabilities in the arms. Detection is performed on changes in the degree
of the arm, the degrees detected are 0, 30, 60, 90, 120, 150, and 180 degrees. Signals received by
EMG have noise that can interfere with detection, so signal refining is required in the form of an
exponential moving average (EMA) method. Exponential moving average has a weighting value to
make a reward, the value used is 0.1 and 0.3. After refining the signal, the detection of degree changes
is performed using the decision tree classification method. Then the results of the classification will be
displayed on the LED and LCD.
Keywords: muscle signal, arm movement, electromyography, Exponential Moving Average, decision
tree
2. PERANCANGAN DAN
IMPLEMENTASI
Perancangan dan implementasi
menjelaskan komponen perangkat keras dan
perangkat lunak yang digunakan pada sistem Gambar 2. Peletakan Elektroda
pengenalan pergerakan seperti gambar 1.
sistem membutuhkan sebuah input yang dapat untuk mendeteksi pergerakkan lengan otot atas.
menerjemahkan sinyal electromyography Program yang akan diimplementasikan pada
(EMG) dari lengan otot ke mikrokontroler. mikrokontroler yaitu klasifikiasi decision tree
Kemudian beberapa rangkaian output yaitu untuk pergerakkan lengan otot.
rangkaian LED dan LCD I2C, kedua
rangakaian dihubungkan dengan menggunakan 3. PENGUJIAN DAN ANALISIS
bread board. Sistem memiliki delapan buah Pada tahap pengujian dan analisis
LED yang dimana keenam LED berwarna dilakukan terhadap semua sistem sudah
putih, satu buah LED berwarna hijau, dan satu melakukan implementasi. Pengujian
buah LED berwarna merah, semua LED dilaksanakan berdasarkana skenario yang telah
memiliki satu buah resistor sebesar 220Ω yang ditetapkan sebagai berikut. Pengujian pertama
terhubung. Pada rangakaian LCD menggunakan yaitu pengujian bobot dari exponential moving
komponen I2C sebagai kontroller ke average filter, nilai bobot yang diuji ialah nilai
mikrokontroler. Dengan menggunakan I2C EMA rendah 0.1, 0.3, dan 0.6 kemudian nilai
akan mempermudah penggunaan LCD 16x2. EMA tinggi 0.3, 0.5, dan 0.8. Pengujian kedua
Semua rangakaian tersebut akan dihubungkan dilakukan pada pengguna untuk melakukan
dengan arduino sesuai pin-pin yang sudah pengenalan pergerakkan lengan yaitu geraka 0,
dibahas pada perancangan. 30 ,60, 90, 120, 150, dan 180 derajat.
Selajutnya peletak tiga buah elektroda pada
lengan otot atas pada pengguna. Elektroda akan 3.1 Pengujian dan Analisis Exponential
dipasang pada beberapa tempat pada otot bisep, Moving Average filter
elektroda pertama ditempatkan pada otot bisep
yang dekat dengan siku tangan, kemudian Pengujian disini menjelaskan
elektroda kedua ditempatkan sedikit berjauhan bagaimana nilai bobot exponential moving
dengan elektroda pertama pada otot bisep. average (EMA) berpengaruh terhadap
Elektroda terakhir ditempatkan pada lengan pernghalusan sinyal. Sinyal electromyography
yang tidak memiliki otot yaitu terletak pada (EMG) yang sudah diterima akan terjadi
sikut. penghalusan dengan menggunaka nilai EMA
Setelah semua terpasang maka kabel probe rendah dan nilai EMA tinggi yang berbeda.
akan dipasang pada setiap elektroda yang Dengan melakukan tujuan terhadap nilai bobot
memiliki ketentuan seperti kabel probe EMA rendah dan EMA tinggi dapat
berwarna kuning dipasang pada elektroda memperhalus sinyal electromyography (EMG)
pertama, kabel probe berwarna merah dipasang dengan Optimal. Bobot yang digunakan pada
pada elektroda kedua, dan kable probe warna pengujian disini memiliki nilai bobot EMA low
hijau dipasang pada elektroda terakhir. Tata 0.1, 0.3 , dan 0.6 dan EMA tinggi 0.3, 0.5, dan
letak bisa dilihat pada gambar 7. 0.8.
Terlihat pada gambar 8 sinyal yang
dihasilkan pada bobot ini memberikan respon
dan peredaman noise yang cukup baik, nilai
yang telah terfilter berwarna biru dan sinyal asli
berwarna merah. Pada saat sinyal mendapat
kontraksi awal sinyal terfilter mampu meredam
noise dan tidak terlalu jauh dengan sinyal asli
nya dan saat berhenti kontraksi sinyal dapat
kembali pada nilai awal dengan cepat tanpa
terlalu jauh dengan sinyal aslinya.
Pada gambar 6.2 sama seperti gambar
pengujian sebelumnya sinyal berwarna merah
Gambar 7. Peletakkan Elektroda Pada Lengan adalah sinyal asli sedangkan sinyal berwarna
biru. Saat kontraski terjadi peningkatan nilai
2.3.2 Implementasi Perangkat Lunak sinyal dapat meredam noise tetapi sinyal terlalu
Impelementasi perangkat lunak akan jauh dari sinyal aslinya, kemudia saat kontraski
mejelaskan proses realisasi diagram alir dari berenti sinyal dengan cepat meredam tetapi
perancangan yang sudah dibahas sebelumnya sinyal dihasilkan sama seperti sebelum nya
Pengujian dilakukan pada beberapa derajat tertentu yang memiliki akurasi yang
subjek yang memiliki umur dan jenis kelamin rendah pada setiap pengujian pengenalan
yang berbeda. Hasil pengujian akan berupa pergerakkan yaitu pergerakkan 120 derajat.
akurasi pergerakkan dari seluruh subjek yang di
uji. Rata-rata akurasi berasal dari akurasi 3.3 Pengujian dan Analisis Pergerakkan
perubahan derajat pada setiap gerakkan yang Lengan Otot
dilakukan subjek terlihat pada tabel. Pada tahap ini menjelaskan pengujian delay
Tabel 1. Akurasi Gerakkan Subjek pada Setiap pada sistem pengenalan pergerakkan lengan.
Perubahan Derajat Delay berperan sebagai waktu pada akuisisi
Akurasi data yang menerima sinyal dari sensor analog.
Gerakkan Rata-rata Pengujian akan menguji beberapa delay yang
Subjek Setiap
sebenarnya Akurasi
Gerakkan akan dipakai pada sistem. Pengenalan dilakukan
0° 100% pada setiap perubahan gerakan seperti
30 ° 20%
pengujian sebelumnya. Delay tidak
60 ° 40%
1 90 ° 60% 46% memperngaruh nilai bobot yang ditentukan
120 ° 20% pada rumusan exponential moving average.
150 ° 40% Pengujian ini mencari delay yang optimal pada
180 ° 40% sistem pengenalan gerakan agar sistem
Tabel 2. Rata-Rata Akurasi mendapat data yang baik. Dikarenakan delay
mempengaruhi akurasi sistem pengenalan
Rata-Rata Rata-rata Akurasi pergerakkan lengan pengujian bisa diliat pada
Subjek
Akurasi Keseluruhan
1 46% tabel 3.
2 54% Tabel 3. Rata-Rata Akurasi Delay
3 46%
4 49% Rata-Rata
Subjek Delay
5 51% Akurasi
49% 49%
6
7 54% 20ms 51%
8 46% 2 50ms 26%
9 46% 100ms 34%
10 49% Pengujian delay dapat disimpulkan bahwa
Subjek 1 berjenis kelamin perempuan, penggunaan delay yang berbeda dapat
sedangkan subjek 2 berjenis kelamin laki-laki. mempengaruhi klasifikasi sistem pengenalan
Total akurasi pada kedua subjek memiliki rata- pergerakkan lengan. Delay yang optimal
rata akurasi subjek 1 bernilai 46% dan subjek 2 menggunakan 20ms dikarenakan akurasinya
bernilai 54%. Subjek ketiga berjenis kelamin lebih tinggi dibanding kedua delay selanjutnya
laki-laki dengan umur 12 tahun dan subjek yaitu 50ms dan 100ms.
keempat berjenis kelamin perempuan berumur
15 tahun. Dengan rata-rata akurasi subjek 3 4. PENUTUP
bernilai 46% dan akurasi subjek 4 49%.
Pada bab ini, menjelaskan kesimpulan dan
Pengujian selanjutnya dilakukan 3 subjek laki-
saran terhadap peneilitian yang sudah dilakukan
laki umur berbeda. Rata-rata akurasi pada
yaitu dengan judul “Sistem Pengenalan
subjek memiliki nilai berbeda yaitu 51% pada
Pergerakkan Lengan Menggunakan Exponential
subjek 5, 49% pada subjek 6, dan 54% pada
Moving Average dengan Metode Decision Tree
sunjek 7. Kemudian pengujian pada 3 subjek
Berbasis EMG”. Kesimpulan berisi jawaban
perempuan dengan umur yang berbeda. Nilai
dari rumusan masalah yang telah dibuat berupa
rata-rata akurasi terhadap 3 subjek ini bernilai
penjelasan pada pengujian dan analisis.
46% pada subjek 8, 46% pada subjek 9, dan
Kemudian saran adalah penejelasan peneliti
49% pada subjek 10.
memberi usulan kepada penelitian selanjutnya
Pada hasil pengujian dapat disimpulkan
yang terkait agar melakukan atau menggunakan
bahwa, setiap umur berbeda umur maupun
metode dan perangkat yang lebih baik.
kelamin memiliki perbedaan akurasi. Perbedaan
jenis kelamin sangat mempengaruhi pada
4.1 Kesimpulan
sistem pengenalan pergerakkan. Jenis kelamin
laki-laki cenderung lebih baik akurasi nya dari Beberapa kesimpulan hasil dari pengujian
pada jenis kelamin perempuan. Pada perubahan penellitian ini dengan judul “Sistem Pengenalan