See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/369975095

Klasifikasi Gerak Robot Humanoid Berbasis Gelombang Otak Manusia

Conference Paper · May 2022

CITATIONS READS

0 18

3 authors, including:

Muh. Abri Yansyah Muh Anshar

Universitas Hasanuddin Universitas Hasanuddin
2 PUBLICATIONS 0 CITATIONS 30 PUBLICATIONS 61 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Evolving Robot Empathy through the Generation of Artificial Pain in an Adaptive Self-Awareness Framework for Human-Robot Collaborative Tasks View project

Extraoral Mobile Guided Channel E-MAGiC UH View project

All content following this page was uploaded by Muh Anshar on 13 April 2023.

The user has requested enhancement of the downloaded file.

 Prosiding Seminar Nasional Elektroteknik dan Teknologi Informasi 2022

Klasifikasi Gerak Robot Humanoid Berbasis

Gelombang Otak Manusia
Muh. Abri Yansyah
Departemen Teknik Elektro,
Universitas Hasanuddin
Centre for Social-Cognitive Robotics
and Advanced Artificial Intelligence
Studies
Makassar, Sulawesi Selatan
muhabriyansyah@mail.com
Muh. Anshar
Departemen Teknik Elektro,
Universitas Hasanuddin
Centre for Social-Cognitive Robotics
and Advanced Artificial Intelligence
Studies
Makassar, Sulawesi Selatan
asnhar@ft.unhas.ac.id
A. Ejah Umraeni Salam
Departemen Teknik Elektro,
Universitas Hasanuddin
Control Systems and Instrumentation
studies
Makassar, Sulawesi Selatan
ejah@unhas.ac.id

Abstrak— Perkembangan pesat teknologi merupakan motor
penggerak majunya industri teknologi robotika. Saat ini robot
mampu melakukan proses meniru pergerakkan makhluk
hidup terutama manusia. Manusia mampu menggerakkan
tangannya dengan menggerakkan otak mereka untuk
menggerakkan tangannya. Saat otak bekerja terdapat
tegangan listrik yang kecil berosilasi yang disebut sebagai
gelombang otak. Gelombang otak manusia dapat diketahui
dengan perangkat Electroencephalograph (EEG) yang
diletakkan di kepala. Penelitian ini akan
mengimplementasikan teknologi EEG dalam teknologi
NeuroSky MindWave untuk mengendalikan gerak robot,
seperti robot humanoid. Saat manusia berpikir, sensor
merekam nilai EEG pengguna. Lalu data tersebut dikirim ke
mikrokontroller untuk diolah menjadi perintah gera pada
motor servo Dynamixel yang ada pada Robot. Hasil gerakan
motor membentuk gerakan pada robot humanoid. Gelombang
otak yang ditangkap oleh EEG dari Neurosky akan dipecah 10
parameter yaitu Delta, Theta, Low Alpha, High Alpha, Low
Beta, High Beta, Low Gamma, Mid Gamma, Attention, dan
Meditation. Dari parameter yang ada diklasifikasikan menjadi
empat bagian yaitu ke depan, ke belakang, kanan, dan kiri.
Dengan menguji performa pada sistem robot humanoid
dengan pengendalian gelombang otak manusia yang dimana
terdiri dari pengujian satu gerakan berulang dan kombinasi
dua gerakan. Data Set di setiap parameter didapatkan dari
rentang dominan yang sering muncul dari subjek secara acak.
Hasil yang didapatkan dalam pengujian gerak satu arah
secara berulang dengan akurasi 60 – 100%. Adapun dengan
kombinasi dua gerakkan yang didapatkan akurasi 40 – 90%.
Akurasi yang didapatkan sangat bervariasi dikarenakan
konsistensi subjek saat mengintuisi gerak robot dapat
meningkatkan akurasi dalam mengklasifikasikan gerak yang
dilakukan pada robot humanoid.
Kata Kunci—Robot Humanoid, Neursky Mindwave, EEG
I. PENDAHULUAN
Perkembangan pesat teknologi merupakan motor
penggerak majunya industri teknologi robotika. Perubahan
ini berimbas pada mekanisme kendali yang digunakan pada
Robot. Mekanisme kendali gerak pada robot sebagian besar
merupakan proses meniru atau imitasi dari pergerakan
makhluk hidup terutama pergerakan manusia. Proses meniru
dapat dilakukan dengan kendali internal dan kendali
eksternal. Proses meniru secara internal sering disebut juga
sebagai imitasi diri yang dimana dilakukan untuk diri sendiri
atau dilakukan oleh orang lain untuk seseorang [1]. Pada
proses meniru terhadap diri sendiri, seperti hewan atau robot
yang dimana motoric penggerak searah memiliki sensor
yang memungkin untuk mendapatkan kondisi setimbang
saat bergerak [2]. Proses imitasi kendali secara ekternal
merupakan proses meniru gerakan yang mana dipengaruhi
dari kondisi sekitarnya. Pada kendali ini dipengaruhi berupa
memberikan sentuhan, bersuara, dan gerak. Salah satu
imitasi kendali secara eksternal adalah melihat dan
mengikuti pergerakan objek yang ada di depannya dengan
bantuan kamera yang dimana mampu meningkatkan
interaksi robot dan manusia menjadi lebih mudah digunakan
dari pengendalian lainnya [3]. Karena metode meniru ini
berdasarkan lingkungan sekitarnya, salah satu faktor yang
membuat kinerja menurun saat bekerja yaitu tingkat
pencahayaan ruangan. Karena hal tersebut
menjadikaninteraksi robot dan manusia menjadi tidak
terkordinasi [4]. Hal tersebut dapat mengurangi pengalaman
dalam berinteraksi dengan robot. Saat ini manusia dapat
berinteraksi dengan robot tanpa melakukan gerakan tapi
dengan media berpikir. Dengan media berpikir, mampu
meningkatkan pengalaman interaksi manusia dan robot
menjadi lebih bersahabat.
Otak adalah organ yang sangat rumit. Itu karena dapat
mengendalikan kecerdasan, indera tubuh, gerakan tubuh,
dan perilaku. Otak merupakan sebuah kumpulan dari
beberapa bagian yang bekerja saling berkordinasi yang
berfungsi secara khusus dan tertentu. Semua aktivitas di
otak menimbulkan kejutan listrik yang sangat kecil. Kejutan
listrik yang kecil disebut sebagai gelombang otak.
Gelombang otak adalah tegangan listrik yang berosilasi di
otak yang hanya berukuran seperjuta volt [5]. Gelombang
otak manusia terdiri dari berbagai macam gelombang yang
terdiri dari gelombang Alpha, Beta, Gamma, Delta, dan
Theta. Gelombang tersebut dapat diketahui dengan
perangkat Electroencephalograph (EEG) [6]. Perangkat
EEG diletakkan di kepala manusia untuk menangkap
aktivitas otak, dengan antar muka menggunakan sistem
Brain Computer Interface (BCI) [7].
Teknologi BCI dengan EEG mampu menjadi
mekanisme pengendali pada gerak robot. Penelitian ini akan
mengimplementasikan teknologi BCI dan EEG dalam
teknologi NeuroSky MindWave untuk melakukan interaksi
Robot Humanoid melalui Gelombang Otak Manusia.
II. TINJAUAN PUSTAKA
A. Electroencephalograph (EEG)
Otak manusia memiliki fungsi yang sangat besar
terhadap kegiatan manusia itu sendiri. Pada otak manusia

©SNETI 2022 168

terjadi perubahan kimiawi yang sangat cepat melalui
rangsangan terjadi pada panca inderanya. Perubahan
kimiawi tersebut memicu efek listrik pada tubuh manusia.
Untuk mengukur segala aktivitas dari otak manusia Yang
dimana adanya pengaruh kimiawi di kepala manusia yang
sangat cepat diperlukan perekam yang disebut
Electroencephalograph (EEG) [8]. Bentuk rekaman hasil
dari EEG dapat dilihat pada Gambar 1.
Gambar 1. Contoh hasil rekaman EEG
B. Gelombang Otak
Gelombang otak adalah tegangan elektrik yang
berosialasi di otak yang hanya berukur per jutaan volt.
Berbagai area pada otak tidak memancarkan frekuensi
gelombang otak yang sama secara bersamaan. Sebuah sinyal
EEG antara elektroda diletakkan pada kulit kepala memiliki
banyak gelombang dengan karakteristik berbeda. Jumlah
data yang besar diterima pada satu rekaman EEG membuat
penafsiran yang sulit. Pola gelombang otak begitu unik
untuk setiap individu [5].
Berdasarkan Gambar 2 merupakana jenis gelombang,
gelombang otak dibagi menjadi 5 jenis gelombang, yaitu:
• Delta
Gelombang Delta mencerminkan aktivitas frekuensi
rendah pada 0.5 – 4 Hz. Gelombang ini sangat sering
ditemukan pada bayi baru lahir, anak – anak, dan
berhubungan dengan tingkat relaksasi dan restorative,
tidur nyenyak [5].
• Theta
Gelombang Theta berkisar pada frekuensi 4 – 7 Hz.
Gelombang Theta memiliki keuntungan untuk
meningkatkan intuisi dan kreaktifikas kita, serta
membuat kita lebih natural. Theta juga terlibat dalam
tidur yang restoratif [5].
• Alpha
Gelombang Alpha pada perekaman EEG terekam pada
rentang 7 – 13 Hz. Gelombang ini mudah ditemukan bila
melamun, istirahat, dan sedang rileks [5].
• Beta
Pada umumnya, gelombang osilasi pada tegangan rendah
pada rentang 13 – 30 Hz. Pada gelombang beta kondisi
optimal membantu lebih focus, mengingat, dan
memecahkan masalah [5].
• Gamma
Gelombang Gamma adalah gelombang dengan osilasi
yang cepat dan biasa ditemukan pada kondisi sadar pada
rentang 25 Hz ke atas. Pada kondisi optimal gelombang
gamma membantu dalam perhatian, fokus, memperkuat
©SNETI 2022
indera (penciuman, penglihatan, dan pendengaran),
kesadaran, pemrosesan mental, dan persepsi [5].
Gambar 2. Jenis - Jenis Gelombang Otak Manusia
C. NeuroSky MindWave
Neurosky Mindwave merupakan salah satu perangkat
EEG yang ada di pasaran dengan antar muka otak ke
komputer atau Brain – Computer Interface (BCI). MindWave
melaporkan pengguna dapat melihat kondisi mental dengan
melihat perhatian atau Attention dan meditasi atau
Meditation yang berdasarkan algoritma eSenseTM yang
telah mereka patenkan. Pada algoritma tersebut dapat
menampilkan frekuensi beberapa gelombang otak.
MindWave dapat digunakan untuk memainkan video gim,
penelitian, atau beberapa pengaplikasian untuk
meningkatkan pengalaman pengguna. Gambar merupakan
NeuroSky MindWave yang akan digunakan [7].
Gambar 2. NeuroSky MindWave
D. Penelitian Terkait
1) “Smart Depth of Anesthesia Monitoring with EEG
Sensors and Agent-based Technology”, Chrystinne O.
Fernandes, Carlos J. P. de Lucena, Daniel de S. e Silva
(2017)
Penelitian ini membahas tentang penggunaan perangkat
EEG dalam memantau pasien secara online. Tujuan dari
penelitian ini yaitu menciptakan sistem Smart Depth of
Anesthesia Monitoring yang dimana mampu meningkatkan
pemantauan secara masif dengan konsep Internet of Thing
(IoT). Selain itu mampu mengukur tingkat aktifitas pasien
secara personal. EEG dari per invidu pasien akan dikirim ke
database untuk ditampilkan ke aplikasi guna memantau
pasien secara real time. Adapun 10 parameter yang
169
digunakan yaitu Attention, Meditation, Delta, Theta, Low
Alpha, High Alpha, Low Beta, High Beta, Low Gamma, dan
Mid Gamma [9].
Perbedaan dari artikel ini dengan penelitian yang akan
saya lakukan adalah pada artikel ini membangun sebuah
sistem pemantauan pengguna perangkat EEG berbasis Iot.
Sedangkan pada penelitian yang saya lakukan adalah
pengendalian dengan menggunakan perangkat EEG yang
dimana robot akan bergerak berdasarkan paremeter dari
perangkat EEG.
2) Controlled wheelchair based on brain computer
interface using Neurosky Mindwave Mobile 2”, K.
Permana, S. K. Wijaya, P. Prajitno (2019)
Penelitian ini membahas peggunaan EEG dengan
antarmuka berbasis BCI untuk mengendalikan kursi roda.
Tujuan dari penelitian ini yaitu pengguna dapat
mengendalikan kursi roda secara otomatis dengan
menggunakan otak pengguna. Sinyal yang terekam dari
perangkat EEG akan diklasifikasikan menjadi 3 parameter
dengan bantuan antarmuka BCI menggunakan MATLAB.
Dari parameter tersebut digunakan untuk membandingkan
sebagai isyarat untuk aktuasi yang diinginkan pengguna
terhadap kursiroda [10].
Perbedaan artikel ini dengan penelitian yang akan
dilakukan adalah pada artikel ini pengguna perangkat EEG
menggunakan 3 parameter untuk mengendalikan kursi roda.
Sedangkan pada penelitan yang dilakukan yaitu perangkat
EEG digunakan untuk mengendalikan robot Humanoid
dengan menggunakan 10 parameter dengan klasifikasi
geraknya menggunakan Arduino IDE.
III. METODOLOGI
A. Rancangan Umum
Awalnya, Manusia memikirkan gerakan apa yang
dinginkan. Dari pikiran manusia tersebut memicu terjadi
gelombang otak yang mana sensor EEG MindWave akan
mendeteksi melalui sensor TGAM. Dari sensor tersebut,
gelombang otak ditransformasikan menjadi isyarat yang
dibagi menjadi beberapa parameter, lalu akan dibawa ke
pengirim untuk dikirimkan ke penerima. Dari isyarat yang
diterima penerima akan diolah oleh mikrokontroller untuk
menginterpresikan perintah yang ada ke motor servo. Hasil
dari perintah tersebut membentuk gerakan pada robot
humanoid. Hal ini dapat dilihat pada Gambar 3 menunjukkan
Block diagram sistem secara umum
Gambar 3. Block Diagram Sistem Secara Umum
B. Rancangan Perangkat Keras (Hardware)
Gambar 4. Block Diagram Perangkat Keras (Hardware)
©SNETI 2022
Pada Gambar 4, penelitian ini menggunakan Perangkat
keras atau hardware terdiri dari sensor EEG MindWave,
dongle receiver MindWave, Arduino Mega 2560, IC
74LS241, IC TXB0108, dan Robot Humanoid. Sensor EEG
Mindwave berfungsi untuk mengukur gelombang otak pada
kepala manusia. Data tersebut dikirimkan menuju ke dongle
receiver yang telah dimodifikasi sebagai penerima secara
nirkabel. Setelah data diterima, data tersebut melalui IC
TXB0108 guna diubah tegangan dari 3.3 V menuju 5 V
yang akan dibawah ke pin serial Arduino Mega2560.
Setelah data masuk ke Arduino Mega 2560, selanjutnya data
tersebut diolah menjadi perintah gerak berupa posisi pada
motor servo yang ada pada robot humanoid. Untuk
mengirim perintah dari Arduino ke Motor yang ada pada
robot humanoid digunakan IC 74LS241 sebagai antarmuka
komunikasi dengan robot humanoid. IC tersebut befungsi
sebagai pemilah data apakah data tersebut dialamatkan
sebagai data dari Transmitter atau data dari Receiver.
Setelah melalui IC 74LS241, Robot humanoid yang terdiri
dari beberapa motor Dynamixel akan bergerak berdasarkan
posisi yang diterima dari Arduino Mega 2560. Posisi dari
kumpulan motor tersebut membentuk sebuah gerakan
manusia pada robot humanoid seperti pada Gambar 6.
Gambar 5. Robot Humanoid Dynamixel AX 12+
C. Rancangan Perangkat Lunak(Software)
Pada Gambar 6, perancangan Software, variable yang
menyangkut pada sistem robot diinisiasikan dan seluruh
parameter yang menyangkut EEG disatukan dalam sebuah
matriks. Saat sistem aktif, sensor Mindwave diperiksa untuk
mengetahui sensor telah terhubung guna mengendalikan
robot. Pada bagian dynamixel dilakukan pemeriksaan saat
dijalankan guna mengetahui apakah motor mengalami gagal
fungsi atau tidak. Setelah sensor dan motorik diperiksa dan
berhasil, maka Mindwave dapat digunakan pengguna dalam
mengendalikan robot humanoid. Saat terhubung sensor
mengirimkan data ke mikroporsesor yang dimana terbagi
jadi 10 parameter. Parameter tersebut adalah Delta, Theta,
Low Alpha, High Alpha, Low Beta, High Beta, Low Gamma,
Mid Gamma, Attention, dan Meditaion. Dari sepuluh
parameter tersebut akan menjadi perintah berdasarkan
klasifikasi parameter yang telah dibuat. Saat data masuk dari
Mindwave nilai tersebut akan diklasifikasikan menjadi
perintah gerak. Nilai - nilai parameter akan dibandingkan
tiap parameter setiap klasifikasi apakah nilai tersebut masuk
dalam rentang klasifikasi tersebut atau tidak. Bila nilai
masuk dalam rentang parameter klasifikasi maka diberi poin
1, namun jika tidak maka diberi poin 0. Setalah
dibandingkan, Nilai dari tiap klasifikasinya akan
170
dibandingkan manakah total poin tertinggi dan memenuhi dari 7 maka robot akan tetap diam. Pada Gambar
batas nilai 7 untuk menggerakkan robot. Namun, jika menunjukkan alur kerja Software kendali robot dengan
klasifikasi yang tertinggi tidak sama dengan atau kurang gelombang otak manusia.

Gambar 6. Diagram Alir Perancangan Perangkat Lunak (Software)

D. Rancangan Pengujian saat subjek membayangkan robot menggerakkan tangannya.

Pengambilan data training memerlukan waktu 2 menit 45
1) Pengujian Satu Gerakan
detik dengan jeda 5 menit yang dilakukan sebanyak dua kali
Pengujian ini bertujuan untuk mengetahui apakah
setiap klasifikasi gerakkan. Hal ini dilakukan untuk
pengguna dapat menggerakkan robot secara beruntun
menghindari kondisi subjek dari kelelahan dan rasa bosan.
dengan batas waktu yang telah ditentukan. Pengujian ini
Pengumpulan data dari subjek dilakukan untuk mengetahui
dilakukan dengan dua tipe pengguna yang terdiri dari tiga
rentang nilai yang sering muncul dari subjek, hasil yang
pengguna dengan data rekam data yang telah terlatih dan
didapatkan yaitu jumlah rentang nilai dominan pada grafik
tiga pengguna acak tanpa ada rekam data terlatih. Pengujian sebagai data set per parameter klasifikasi gerakkan yang
ini memiliki batas tiap gerakkan yang dilakukan secara mana contoh pada Gambar 7 sebagai parameter Theta untuk
berulang dengan rentang tiga menit setiap perulangannya.
klasifikasi gerak ke depan.
Banyaknya gerakan sama yang dilakukan berulang adalah
sebanyak lima kali

2) Pengujian Kombinasi Dua Gerakan

Pengujian ini bertujuan untuk mengetahui apakah
pengguna dapat menggerakkan robot dengan kombinasi dua
gerakkan berbeda. Pengujian ini dilakukan dengan dua tipe
pengguna yang terdiri dari tiga pengguna dengan data rekam
data yang telah terlatih dan tiga pengguna acak tanpa ada
rekam data terlatih. Pengujian ini dilakukan berdasarkan
perintah pengguna apakah gerakan yang robot lakukan telah
sama apa yang diinginkan oleh pengguna. Total gerakkan
yang dapat dilakukan adalah sebanyak sepuluh gerakan.

Gambar 7. Rentang Nilai Paramter Theta ke depan

IV. HASIL DAN PEMBAHASAN
A. Penentuan Data Set Parameter per Klasifikasi
Data training yang dikumpulkan dari 9 orang digunakan
untuk menklasifikasikan pergerakan pada robot. Data set
didapatkkan melalui rentang nilai yang dominan muncul
Dari contoh parameter pada gambar menghasilkan data set
yang digunakan untuk menentukan rentang pada parameter
di setiap klasifikasi gerak. Data set tiap parameternya dapat
dilihat pada Tabel 1 yang mana menunjukkan rentang nilai
parameter pada klasifikasi gerak untuk menggerakkan robot

©SNETI 2022 171

 TABEL I. HASIL TRAINING DATA SET

Parameter Depan Belakang Kanan Kiri Diam

Delta 8708 – 30477 47904 - 65325 13058 - 30469 0 - 17413 47884 - 65296
Theta 30465 – 47874 4352 - 21761 17409 - 34818 0 - 17408 0 - 21763
Low Alpha 0 – 21760 0 - 17408 17408 - 34816 43525 - 60935 0 - 21761
High Alpha 43521 - 60929 43521 - 60929 4352 - 26113 17408 - 39168 17408 - 34816
Low Beta 4352 - 21760 4352 - 21760 13056 - 30464 4352 - 26112 43520 - 60928
High Beta 8704 - 30464 0 - 17409 0 - 17409 34817 - 56577 13056 – 30464
Low Gamma 43520 - 60928 0 - 21760 21761 - 39168 21766 - 43520 8704 - 26112
Mid Gamma 30477 - 47892 43525 - 65287 26114 - 47875 34821 - 56585 34826 - 52239
Attention 27 - 58 26 - 55 24 - 71 36 - 70 14 - 65
Meditation 47 - 70 48 - 68 34 - 71 37 - 68 34 – 80

B. Hasil Pengujian Robot Mengangkat Tangan Satu Arah robot mengangkat tangan ke depan. Subjek n1, n2, n3, dan
Ketika Subjek Berpikir n6 dapat melakukan sebanyak 5 kali yang tiap periode yang
mereka lakukan di bawah 3 menit dengan akurasi 100 %.
Pada pengujian ini, subjek membanyangkan untuk
Untuk n4 dan n5 terjadi mengalami penurunan intensi fokus
menggerakkan robot satu arah secara berulang sebanyak 5
saat mencoba memikirkan pada periode T4 dan T3
kali dengan satu perulangan maksimal 3 menit. Hal ini
menjadikan akurasi kedua subjek di 80%. Terlihat ketiga
dilakukan untuk menghindari kelelahan pada subjek saat
subjek training yaitu n1, n2, dan n3 mampu menggerakkan
mengendalikan robot. Pengujian ini dilakukan dengan
lengan robot humanoid ke depan dengan rentang waktu di
melibatkan 6 orang yang mana terdiri dari 2 jenis subjek
bawah tiga menit dengan kondisi fokus yang cukup stabil.
yang mana subjek training yang terdiri dari n1, n2, dan n3
Lalu pada n4 dan n5 merupakan subjek non-training yang
serta subjek non-training yang terdiri dari n4, n5, dan n6.
mana berhasil menggerakkan sebanyak 4 kali gerakkan. Hal
Terdapat 4 hasil pengujian yang dilakukan untuk satu
ini dipengaruhi terjadinya kondisi lelah yang terjadi pada
gerakkan yang terdiri dari angkat tangan ke depan, ke
periode T4 dan T3 sehingga focus subjek menurun.
belakang, ke kanan, dan ke kiri.
Kemudian pada n6 berhasil menggerakkan ke depan
Pada Tabel 2 merupakan hasil pengukuran yang
sebanyak 5 kali yang mana merupakan subjek non-training.
dimana subjek memikirkan untuk mengendalikan tangan

TABEL II. ANGKAT TANGAN DI DEPAN

Subjek (n)
Periode (T)
n1 n2 n3 n4 n5 n6
T1 00:02:34,13 00:00:31,64 00:02:58,40 00:00:53,56 00:00:45,70 00:02:20,54
T2 00:02:35,95 00:01:32,10 00:01:11,52 00:00:21,54 00:01:49,81 00:00:14,56
T3 00:01:13,61 00:01:40,45 00:01:04,78 00:02:26,71 Pass 00:01:07,18
T4 00:00:49,41 00:01:57,75 00:00:15,74 Pass 00:02:00,60 00:01:32,91
T5 00:00:25,07 00:01:15,01 00:00:39,97 00:01:13,91 00:02:20,18 00:00:55,65
Akurasi 100% 100% 100% 80% 80% 100%

TABEL III. ANGKAT TANGAN KE BELAKANG

Subjek (n)
Periode (T)
n1 n2 n3 n4 n5 n6
T1 00:01:00,62 00:02:12,40 00:02:08,36 00:00:11,47 00:00:04,63 00:00:42,54
T2 00:02:58,76 00:02:45,38 00:01:49,15 Pass 00:00:17,44 00:00:50,57
T3 00:00:30,83 pass 00:01:04,08 00:00:21,44 00:00:55,96 pass
T4 00:01:13,28 00:02:03,96 00:01:59,45 00:00:32,91 00:01:25,48 00:01:15,62
T5 Pass 00:02:14,96 00:00:37,15 00:02:43,38 Pass 00:00:12,53
Akurasi 80% 80% 100% 80% 80% 80%

©SNETI 2022 172

 TABEL IV. ANGKAT TANGAN KE KANAN

Subjek (n)
Periode (T)
n1 n2 n3 n4 n5 n6
T1 00:00:53,05 00:00:20,15 00:00:53,86 00:02:09,33 00:02:35,69 00:02:48,58
T2 00:01:47,11 pass pass 00:01:11,20 Pass 00:01:29,19
T3 00:00:50,87 00:01:14,37 00:01:56,58 00:00:30,44 00:02:25,84 pass
T4 00:01:21,45 00:01:15,13 00:02:26,53 pass Pass 00:02:29,72
T5 00:00:11,64 00:00:36,18 00:02:28,36 00:00:08,52 00:00:41,04 00:02:45,07
Akurasi 100% 80% 80% 80% 60% 80%

Pada Tabel 4 merupakan hasil pengukuran yang
dimana subjek memikirkan untuk mengendalikan tangan
robot mengangkat tangan ke belakang. Untuk n1 dapat
melakukan sebanyak 5 kali yang tiap periode yang mereka
lakukan di bawah 3 menit dengan akurasi 100 %. Pada
subjek n2, n3, n4, dan n6 dapat melakukan sebanyak 4 kali
yang tiap periode yang mereka lakukan di bawah 3 menit
dengan akurasi 80 %. Sedangkan n5 dapat melakukan
sebanyak 3 kali yang tiap periode yang mereka lakukan di
bawah 3 menit dengan akurasi 60 %. Terlihat n1 mampu
menggerakan ke kanan di bawah 2 menit. Kemudian n2 dan
n3 hanya mampu menggerakkan lengan robot humanoid ke
kanan 4 kali dikarenakan kondisi fokus yang tidak stabil
pada T2. Lalu pada n4 dan n6 merupakan subjek non-
training yang mana berhasil menggerakkan sebanyak 4 kali
gerakkan. Hal ini dipengaruhi terjadinya kondisi lelah yang
terjadi pada periode T4 dan T3 sehingga focus subjek
menurun. Kemudian pada n5 berhasil menggerakkan ke
depan sebanyak 3 kali dikarenakan focus yang menurun
pada T2 dan T4.

TABEL V. ANGKAT TANGAN KE KIRI

Subjek (n)
Periode (T)
n1 n2 n3 n4 n5 n6
T1 00:00:42,91 00:01:50,45 00:02:10,75 00:02:29,71 00:01:06,98 00:02:05,19
T2 00:00:27,59 00:02:26,44 00:02:52,17 00:00:08,84 00:01:52,02 00:00:15,32
T3 00:02:59,70 00:01:12,26 00:00:53,51 00:01:01,93 00:02:26,48 pass
T4 00:01:31,98 00:00:19,41 00:00:46,54 00:00:52,19 00:00:29,53 00:02:58,92
T5 00:02:43,48 00:02:34,46 00:01:21,92 00:00:39,52 00:01:02,87 pass
Akurasi 100% 100% 100% 100% 100% 60%

Pada Tabel 5 merupakan hasil pengukuran yang
dimana subjek memikirkan untuk mengendalikan tangan
robot mengangkat tangan ke belakang. Untuk n1 sampai n5
dapat melakukan sebanyak 5 kali yang tiap periode yang
mereka lakukan di bawah 3 menit dengan akurasi 100 %.
Sedangkan n6 dapat melakukan sebanyak 3 kali yang tiap
periode yang mereka lakukan di bawah 3 menit dengan
akurasi 60 %. Terlihat ketiga subjek training yaitu n1, n2,
dan n3 mampu menggerakkan lengan robot humanoid ke
kiri dengan rentang waktu di bawah tiga menit dengan
kondisi fokus yang cukup stabil. Lalu pada n4 dan n5
merupakan subjek non-training yang mana berhasil
menggerakkan sebanyak 5 kali gerakkan dengan kondisi
fokus yang cukup stabil. Kemudian pada n6 berhasil
menggerakkan ke depan sebanyak 3 kali dikarenakan
kondisi yang tidak stabil pada T3 dan T5 di atas 3 menit.
Dari ke-empat tabel uji gerakkan berulang terlihat
subjek training memiliki perluang keberhasilan lebih tinggi
dibanding non-training yang mana dibuktikan rentang
akurasi kerja di sekitar 80 – 100%. Sedangkan untuk non –
training subjek, robot memerlukan waktu untuk
mengidentifikasi pola klasifikasi gerak dari gelombang otak
subjek dan hal ini menyebabkan subjek mengalami
kelelahan hingga berakibat daya focus subjek menurun
secara bertahap. Adapun diantara semua tabel dengan
akurasi tertinggi yaitu pada tabel V untuk gerak ke kiri
dengan rata – rata persentase 93,33 % sedangkan terrendah
yaitu tabel IV ke kanan dengan rata – rata persentase 80 %.
C. Hasil Pengujian Robot Mengangkat Tangan Dua Arah
ketika Subjek Berpikir
Pada pengujian ini, subjek membanyangkan untuk
menggerakkan robot dua arah berbeda secara berulang
sebanyak 10 kali yang dimana subjek dengan bebas memlih
dua arah yang dinginknan. Pengujian ini dilakukan dengan
melibatkan 6 orang yang mana terdiri dari 2 jenis subjek
yang mana subjek training yang terdiri dari n1, n2, dan n3
serta subjek non-training yang terdiri dari n4, n5, dan n6.
Terdapat 2 hasil pengujian yang dilakukan untuk dua arah
gerakan yang terdiri dari angkat tangan ke depan atau ke
belakang dan angkat tangan ke kanan atau ke kiri.
Pada Tabel 6 merupakan hasil pengukuran yang
dimana subjek memikirkan untuk mengendalikan tangan
robot mengangkat tangan ke depan atau ke belakang. Untuk
n2 didapatkan akurasi sebesar 90% yang dimana 9 gerakkan
robot mengikuti pikiran subjek. Pada n3, n4, dan n5
didapatkan akurasi sebesar 80% yang dimana 8 gerakkan
robot mengikuti pikiran subjek. Lalu pada n1 didapatkan
akurasi sebesar 70% yang dimana 7 gerakkan robot

©SNETI 2022 173

mengikuti pikiran subjek. Sedangkan n6 didapatkan akurasi
sebesar 40% yang dimana 4 gerakkan robot mengikuti
pikiran subjek. Pada percobaan ini subjek berusaha
menggerakkan lengan robot dua arah yaitu ke depan atau ke
belakang. Konsistensi subjek dalam menentukan arah
mempengaruhi keputusan robot dalam mengambil
klasifikasi gerak. dalam hal ini focus subjek berusaha
menggerakkan kedua lengan robot baik ke depan atau ke
belakang. Hal ini bisa dilihat baik subjek non – training dan
training data di tabelVI mencoba untuk menggerakkan satu
gerakkan diperlukan 3- 7 menit lamanya. Hal ini dapat
membuat subjek mengalami kelelahan sehingga kondisi
akurasi gerak robot menurun seiring kuranya fokus pada
subjek saat mengintuisi gerakkan pada robot.
Pada Tabel 7 merupakan hasil pengukuran yang
dimana subjek memikirkan untuk mengendalikan tangan
robot mengangkat tangan ke kanan atau ke kiri. Untuk n2
didapatkan akurasi sebesar 90% yang dimana 9 gerakkan
robot mengikuti pikiran subjek. Kemudian n5didapatkan
akurasi sebesar 80% yang dimana 8 gerakkan robot
mengikuti pikiran subjek. Pada n4didapatkan akurasi
sebesar 70% yang dimana 7 gerakkan robot mengikuti
pikiran subjek. Untuk n1 dan n3 didapatkan akurasi sebesar
60% yang dimana 6 gerakkan robot mengikuti pikiran
subjek. Sedangkan n6 didapatkan akurasi sebesar 50% yang
dimana 5 gerakkan robot mengikuti pikiran subjek. Pada
percobaan ini subjek berusaha menggerakkan lengan robot
dua arah baik kanan maupun kiri. Konsistensi subjek dalam
menentukan arah mempengaruhi keputusan robot dalam
mengambil klasifikasi gerak. Pada gerakkan ini, subjek
meggerakkan lengan kanan atau lengan kiri robot. Subjek
non – training dan training mencoba untuk menggerakkan
satu gerakkan yang dimana pada tabel VII terlihat beberapa
kondisi diperlukan 2 - 4 menit lamanya. Respon yang lebih
baik dari percobaan gerak depan atau belakang. Namun,
subjek konsistensi subjek dalam menentukan gerakkan
masih belum sepenuhnya bisa dilakukan. Hanya saja subjek
n2 dominan mampu focus terhadap gerak yang dinginkan.
Adapun beberapa kondisi subjek yang mereka rasakan yaitu
kelelahan setelah mencaoba beberapa gerakkan. Hal ini
dapat membuat subjek mengalaki tidak focus terhadap gerak
robot yang mana robot terlalu cepat mengambil klasifikasi
yang tidak seharusnya dilakukan.

TABEL VI. ANGKAT TANGAN KE DEPAN DAN KE BELAKANG

Subjek (n)
Periode n1 n2 n3 n4 n5 n6
(T) tn1 tn2 tn3 tn4 tn5 tn6
Manusia Robot Manusia Robot Manusia Robot Manusia Robot Manusia Robot Manusia Robot
00:00:07,96 00:05:43,31 00:02:14,52 00:01:53,99 00:00:39,57 00:05:37,98
T1
Depan Depan Belakang Belakang Depan Depan Depan Depan Belakang Belakang Depan Depan
00:04:51,74 00:03:44,93 00:00:59,18 00:03:06,04 00:07:36,96 00:01:18,63
T2
Depan Depan Belakang Belakang Depan Depan Depan Depan Depan Depan Belakang Depan
00:01:37,76 00:00:23,40 00:05:06,91 00:03:44,92 00:00:26,12 00:10:10,89
T3
Belakang Depan Belakang Depan Depan Depan Depan Depan Belakang Belakang Depan Belakang
00:02:36,64 00:02:00,17 00:01:50,51 00:00:49,93 00:04:57,72 00:03:10,55
T4
Belakang Depan Belakang Belakang Belakang Depan Depan Depan Depan Depan Belakang Depan
00:02:54,99 00:00:30,64 00:00:08,91 00:00:48,43 00:00:44,12 00:01:01,98
T5
Depan Depan Depan Depan Belakang Belakang Depan Belakang Depan Belakang Belakang Belakang
00:02:40,92 00:06:37,50 00:00:26,18 00:01:11,22 00:01:08,60 00:01:16,54
T6
Depan Depan Belakang Belakang Belakang Depan Depan Depan Belakang Belakang Depan Depan
00:03:40,20 00:00:35,46 00:02:34,57 00:00:32,19 00:01:29,72 00:02:50,07
T7
Belakang Depan Depan Depan Belakang Belakang Belakang Belakang Depan Belakang Depan Belakang
00:00:15,07 00:04:44,50 00:02:59,12 00:00:32,79 00:01:41,51 00:03:34,93
T8
Belakang Belakang Depan Depan Depan Depan Depan Depan Belakang Depan Belakang Belakang
00:01:00,67 00:04:33,65 00:00:30,57 00:00:19,05 00:00:35,73 00:07:37,80
T9
Belakang Belakang Belakang Belakang Depan Depan Belakang Depan Belakang Belakang Belakang Depan
00:01:19,79 00:01:03,18 00:02:20,57 00:00:14,85 00:02:31,21 00:02:52,52
T10
Belakang Belakang Belakang Belakang Belakang Belakang Belakang Belakang Depan Depan Depan Belakang
Akurasi 70% 90% 80% 80% 80% 40%

©SNETI 2022 174

 TABEL VII. ANGKAT TANGAN KE KANAN DAN KE KIRI

Subjek (n)
n1 n2 n3 n4 n5 n6
Periode (T)
tn1 tn2 tn3 tn4 tn5 tn6
Manusia Robot Manusia Robot Manusia Robot Manusia Robot Manusia Robot Manusia Robot
00:00:39,03 00:03:29,97 00:01:08,14 00:00:06,88 00:00:36,39 00:01:53,13
T1
Kanan Kiri Kiri Kiri Kiri Kanan Kanan Kanan Kiri Kiri Kanan Kanan
00:00:15,52 00:02:43,55 00:00:10,74 00:00:27,14 00:00:56,17 00:00:31,98
T2
Kiri Kiri Kanan Kanan Kiri Kiri Kiri Kiri Kanan Kanan Kiri Kanan
00:03:15,84 00:01:10,87 00:00:08,27 00:03:04,53 00:01:07,49 00:01:32,76
T3
Kiri Kiri Kanan Kanan Kiri Kiri Kiri Kiri Kiri Kiri Kiri Kanan
00:00:23,36 00:00:54,75 00:00:09,70 00:03:31,28 00:00:44,32 00:00:13,76
T4
Kiri Kanan Kiri Kiri Kiri Kiri Kanan Kanan Kanan Kanan Kanan Kiri
00:00:40,31 00:01:24,08 00:00:44,59 00:00:16,95 00:01:05,02 00:00:22,97
T5
Kiri Kanan Kanan Kanan Kiri Kanan Kiri Kiri Kanan Kiri Kanan Kanan
00:00:54,06 00:00:08,73 00:00:19,79 00:01:10,88 00:00:51,23 00:00:19,79
T6
Kanan Kanan Kiri Kiri Kiri Kanan Kanan Kanan Kiri Kanan Kiri Kiri
00:00:25,46 00:00:25,40 00:01:15,20 00:00:25,76 00:00:22,28 00:01:07,56
T7
Kanan Kanan Kiri Kiri Kiri Kiri Kanan Kiri Kiri Kiri Kanan Kiri
00:00:31,28 00:00:08,00 00:00:18,82 00:01:00,30 00:00:48,71 00:02:51,13
T8
Kanan Kiri Kanan Kiri Kanan Kiri Kanan Kiri Kanan Kanan Kiri Kiri
00:02:03,18 00:01:18,15 00:01:52,69 00:01:02,02 00:01:52,56 00:04:00,09
T9
Kanan Kanan Kanan Kanan Kiri Kiri Kanan Kiri Kiri Kiri Kanan Kiri
00:00:35,33 00:00:47,01 00:02:08,73 00:00:35,79 00:00:30,11 00:01:50,88
T10
Kanan Kanan Kanan Kanan Kanan Kanan Kanan Kanan Kanan Kanan Kanan Kanan
Akurasi 60% 90% 60% 70% 80% 50%

V. KESIMPULAN
Pada penelitian ini mempresentasikan gerak robot
humanoid menggunakan gelombang otak manusia. Jenis –
jenis gelombang terdiri dari Delta, Theta, Alpha, Beta,
Gamma merupakan parameter gelombang otak dan gerak
yang meliputi gerak sederhana manusia pada robot sebagai
klasifikasi gerak yang terjadi pada robot. Data Set di setiap
parameter didapatkan dari rentang dominan yang sering
muncul dari subjek secara acak. Hasil yang didapatkan
dalam pengujian gerak satu arah secara berulang dengan
akurasi 60 – 100%. Adapun dengan kombinasi dua gerakkan
yang didapatkan akurasi 40 – 90%. Akurasi yang didapatkan
sangat bervariasi dikarenakan konsistensi subjek saat
mengintuisi gerak robot dapat meningkatkan akurasi dalam
mengklasifikasikan gerak yang dilakukan pada robot
humanoid.
Untuk pengembangan lebih lanjut, metode
pengambilan data training perlu dilakukan lebih masif dan
pernggunaan machine learning agar akurasi gerak yang
diinginkan dapat lebih tepat dan efisien dilakukan.
UCAPAN TERIMAKASIH
Penelitian ini disponsori oleh Cognitive Social
Robotics and Advanced Artificial Intelligence Research
Centre, Departemen Teknik Elektro, Fakultas Teknik,
Universitas Hasanuddin
REFERENSI
[1] C. L. N. K. D. a. A. A. Joe Saunders, "Self-imitation and
Enviromental Scaffolding for Robot Teaching," Advanced Robotic
Systems International, vol. 4, no. 1, p. 109, 2007.
[2] C. L. N. a. K. D. Joe Saunders, "What is an Appropriate Theory of
Imitation for a Robot Learner?," ECSIS Symposium on Learning and
Adaptive Behaviors for Robotic Systems, vol. 23, p. 9, 2008.
[3] D. H. C. Y. Muh. Anshar, "Utilising the See-and-Follow Method for
Enhancing Robot Learning Ability," IOP Conference Series:
Materials Science and Engineering, vol. 676, no. 1, p. 12002, 2019.
[4] M.-A. W. Muh Anshar, "Simplified Pain Matrix Method for Artificial
Pain Activation Embedded into Robot Framework," International
Journal of Social Robotics, vol. 13, no. 1, p. 187, 2020.
[5] B. W. G. S. C. M. Priyanka A. Abhang, Introduction to EEG and
Speech-Based Emotion Recognition, London, United Kingdom:
Academic Press, 2016.
[6] Machel Thimoty Tombeng, Rickho Michael Elia Rumayar, "Light
Controlling System by Using Brain Waves Sensor," Cogito Smart
Journal, p. 240, 2017.
[7] Neurosky, "Mindwave User Guide," 12 July 2011. [Online].
Available:
http://developer.neurosky.com/docs/lib/exe/fetch.php?media=mindwa
ve_user_guide.pdf. [Accessed 23 December 2021].
[8] B. A. G. P. Bernhard Graimann, "Brain–Computer Interfaces: A
Gentle Introduction," in Brain-Computer Interfaces: Revolutionizing
Human-Computer Interaction, Graz, Springer, 2010, p. 21.
[9] S. S. A. F. S. Rümeysa İnce, "The inventor of electroencephalography
C. L. D. d. S. e. S. Chrystinne Fernandes, "Smart depth of anesthesia
monitoring with EEG sensors and agent-based technology," in 2017
IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced
& Trusted Computed, Scalable Computing & Communications,
Cloud & Big Data Computing, Internet of People and Smart City

©SNETI 2022 175

 Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI), [10] S. K. W. P. P. K. Permana, "Controlled wheelchair based on
San Fransisco, USA, 2017. braincomputer interface using NeuroskyMindwave Mobile 2," in AIP
Conference Proceedings 2168, 2019.

©SNETI 2022 176

View publication stats