net/publication/369975095
CITATIONS READS
0 18
3 authors, including:
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
All content following this page was uploaded by Muh Anshar on 13 April 2023.
Abstrak— Perkembangan pesat teknologi merupakan motor yang memungkin untuk mendapatkan kondisi setimbang
penggerak majunya industri teknologi robotika. Saat ini robot saat bergerak [2]. Proses imitasi kendali secara ekternal
mampu melakukan proses meniru pergerakkan makhluk merupakan proses meniru gerakan yang mana dipengaruhi
hidup terutama manusia. Manusia mampu menggerakkan dari kondisi sekitarnya. Pada kendali ini dipengaruhi berupa
tangannya dengan menggerakkan otak mereka untuk
memberikan sentuhan, bersuara, dan gerak. Salah satu
menggerakkan tangannya. Saat otak bekerja terdapat
tegangan listrik yang kecil berosilasi yang disebut sebagai imitasi kendali secara eksternal adalah melihat dan
gelombang otak. Gelombang otak manusia dapat diketahui mengikuti pergerakan objek yang ada di depannya dengan
dengan perangkat Electroencephalograph (EEG) yang bantuan kamera yang dimana mampu meningkatkan
diletakkan di kepala. Penelitian ini akan interaksi robot dan manusia menjadi lebih mudah digunakan
mengimplementasikan teknologi EEG dalam teknologi dari pengendalian lainnya [3]. Karena metode meniru ini
NeuroSky MindWave untuk mengendalikan gerak robot, berdasarkan lingkungan sekitarnya, salah satu faktor yang
seperti robot humanoid. Saat manusia berpikir, sensor membuat kinerja menurun saat bekerja yaitu tingkat
merekam nilai EEG pengguna. Lalu data tersebut dikirim ke pencahayaan ruangan. Karena hal tersebut
mikrokontroller untuk diolah menjadi perintah gera pada
menjadikaninteraksi robot dan manusia menjadi tidak
motor servo Dynamixel yang ada pada Robot. Hasil gerakan
motor membentuk gerakan pada robot humanoid. Gelombang terkordinasi [4]. Hal tersebut dapat mengurangi pengalaman
otak yang ditangkap oleh EEG dari Neurosky akan dipecah 10 dalam berinteraksi dengan robot. Saat ini manusia dapat
parameter yaitu Delta, Theta, Low Alpha, High Alpha, Low berinteraksi dengan robot tanpa melakukan gerakan tapi
Beta, High Beta, Low Gamma, Mid Gamma, Attention, dan dengan media berpikir. Dengan media berpikir, mampu
Meditation. Dari parameter yang ada diklasifikasikan menjadi meningkatkan pengalaman interaksi manusia dan robot
empat bagian yaitu ke depan, ke belakang, kanan, dan kiri. menjadi lebih bersahabat.
Dengan menguji performa pada sistem robot humanoid Otak adalah organ yang sangat rumit. Itu karena dapat
dengan pengendalian gelombang otak manusia yang dimana mengendalikan kecerdasan, indera tubuh, gerakan tubuh,
terdiri dari pengujian satu gerakan berulang dan kombinasi
dan perilaku. Otak merupakan sebuah kumpulan dari
dua gerakan. Data Set di setiap parameter didapatkan dari
rentang dominan yang sering muncul dari subjek secara acak. beberapa bagian yang bekerja saling berkordinasi yang
Hasil yang didapatkan dalam pengujian gerak satu arah berfungsi secara khusus dan tertentu. Semua aktivitas di
secara berulang dengan akurasi 60 – 100%. Adapun dengan otak menimbulkan kejutan listrik yang sangat kecil. Kejutan
kombinasi dua gerakkan yang didapatkan akurasi 40 – 90%. listrik yang kecil disebut sebagai gelombang otak.
Akurasi yang didapatkan sangat bervariasi dikarenakan Gelombang otak adalah tegangan listrik yang berosilasi di
konsistensi subjek saat mengintuisi gerak robot dapat otak yang hanya berukuran seperjuta volt [5]. Gelombang
meningkatkan akurasi dalam mengklasifikasikan gerak yang otak manusia terdiri dari berbagai macam gelombang yang
dilakukan pada robot humanoid. terdiri dari gelombang Alpha, Beta, Gamma, Delta, dan
Theta. Gelombang tersebut dapat diketahui dengan
Kata Kunci—Robot Humanoid, Neursky Mindwave, EEG
perangkat Electroencephalograph (EEG) [6]. Perangkat
I. PENDAHULUAN EEG diletakkan di kepala manusia untuk menangkap
aktivitas otak, dengan antar muka menggunakan sistem
Perkembangan pesat teknologi merupakan motor
Brain Computer Interface (BCI) [7].
penggerak majunya industri teknologi robotika. Perubahan
Teknologi BCI dengan EEG mampu menjadi
ini berimbas pada mekanisme kendali yang digunakan pada
mekanisme pengendali pada gerak robot. Penelitian ini akan
Robot. Mekanisme kendali gerak pada robot sebagian besar
mengimplementasikan teknologi BCI dan EEG dalam
merupakan proses meniru atau imitasi dari pergerakan
teknologi NeuroSky MindWave untuk melakukan interaksi
makhluk hidup terutama pergerakan manusia. Proses meniru
Robot Humanoid melalui Gelombang Otak Manusia.
dapat dilakukan dengan kendali internal dan kendali
eksternal. Proses meniru secara internal sering disebut juga II. TINJAUAN PUSTAKA
sebagai imitasi diri yang dimana dilakukan untuk diri sendiri
atau dilakukan oleh orang lain untuk seseorang [1]. Pada A. Electroencephalograph (EEG)
proses meniru terhadap diri sendiri, seperti hewan atau robot Otak manusia memiliki fungsi yang sangat besar
yang dimana motoric penggerak searah memiliki sensor terhadap kegiatan manusia itu sendiri. Pada otak manusia
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
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%
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%
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 menggerakan ke kanan di bawah 2 menit. Kemudian n2 dan
dimana subjek memikirkan untuk mengendalikan tangan n3 hanya mampu menggerakkan lengan robot humanoid ke
robot mengangkat tangan ke belakang. Untuk n1 dapat kanan 4 kali dikarenakan kondisi fokus yang tidak stabil
melakukan sebanyak 5 kali yang tiap periode yang mereka pada T2. Lalu pada n4 dan n6 merupakan subjek non-
lakukan di bawah 3 menit dengan akurasi 100 %. Pada training yang mana berhasil menggerakkan sebanyak 4 kali
subjek n2, n3, n4, dan n6 dapat melakukan sebanyak 4 kali gerakkan. Hal ini dipengaruhi terjadinya kondisi lelah yang
yang tiap periode yang mereka lakukan di bawah 3 menit terjadi pada periode T4 dan T3 sehingga focus subjek
dengan akurasi 80 %. Sedangkan n5 dapat melakukan menurun. Kemudian pada n5 berhasil menggerakkan ke
sebanyak 3 kali yang tiap periode yang mereka lakukan di depan sebanyak 3 kali dikarenakan focus yang menurun
bawah 3 menit dengan akurasi 60 %. Terlihat n1 mampu pada T2 dan T4.
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 akurasi tertinggi yaitu pada tabel V untuk gerak ke kiri
dimana subjek memikirkan untuk mengendalikan tangan dengan rata – rata persentase 93,33 % sedangkan terrendah
robot mengangkat tangan ke belakang. Untuk n1 sampai n5 yaitu tabel IV ke kanan dengan rata – rata persentase 80 %.
dapat melakukan sebanyak 5 kali yang tiap periode yang
mereka lakukan di bawah 3 menit dengan akurasi 100 %.
C. Hasil Pengujian Robot Mengangkat Tangan Dua Arah
Sedangkan n6 dapat melakukan sebanyak 3 kali yang tiap
ketika Subjek Berpikir
periode yang mereka lakukan di bawah 3 menit dengan
akurasi 60 %. Terlihat ketiga subjek training yaitu n1, n2, Pada pengujian ini, subjek membanyangkan untuk
dan n3 mampu menggerakkan lengan robot humanoid ke menggerakkan robot dua arah berbeda secara berulang
kiri dengan rentang waktu di bawah tiga menit dengan sebanyak 10 kali yang dimana subjek dengan bebas memlih
kondisi fokus yang cukup stabil. Lalu pada n4 dan n5 dua arah yang dinginknan. Pengujian ini dilakukan dengan
merupakan subjek non-training yang mana berhasil melibatkan 6 orang yang mana terdiri dari 2 jenis subjek
menggerakkan sebanyak 5 kali gerakkan dengan kondisi yang mana subjek training yang terdiri dari n1, n2, dan n3
fokus yang cukup stabil. Kemudian pada n6 berhasil serta subjek non-training yang terdiri dari n4, n5, dan n6.
menggerakkan ke depan sebanyak 3 kali dikarenakan Terdapat 2 hasil pengujian yang dilakukan untuk dua arah
kondisi yang tidak stabil pada T3 dan T5 di atas 3 menit. gerakan yang terdiri dari angkat tangan ke depan atau ke
Dari ke-empat tabel uji gerakkan berulang terlihat belakang dan angkat tangan ke kanan atau ke kiri.
subjek training memiliki perluang keberhasilan lebih tinggi Pada Tabel 6 merupakan hasil pengukuran yang
dibanding non-training yang mana dibuktikan rentang dimana subjek memikirkan untuk mengendalikan tangan
akurasi kerja di sekitar 80 – 100%. Sedangkan untuk non – robot mengangkat tangan ke depan atau ke belakang. Untuk
training subjek, robot memerlukan waktu untuk n2 didapatkan akurasi sebesar 90% yang dimana 9 gerakkan
mengidentifikasi pola klasifikasi gerak dari gelombang otak robot mengikuti pikiran subjek. Pada n3, n4, dan n5
subjek dan hal ini menyebabkan subjek mengalami didapatkan akurasi sebesar 80% yang dimana 8 gerakkan
kelelahan hingga berakibat daya focus subjek menurun robot mengikuti pikiran subjek. Lalu pada n1 didapatkan
secara bertahap. Adapun diantara semua tabel dengan akurasi sebesar 70% yang dimana 7 gerakkan robot
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%
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 REFERENSI
Pada penelitian ini mempresentasikan gerak robot [1] C. L. N. K. D. a. A. A. Joe Saunders, "Self-imitation and
humanoid menggunakan gelombang otak manusia. Jenis – Enviromental Scaffolding for Robot Teaching," Advanced Robotic
jenis gelombang terdiri dari Delta, Theta, Alpha, Beta, Systems International, vol. 4, no. 1, p. 109, 2007.
Gamma merupakan parameter gelombang otak dan gerak [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
yang meliputi gerak sederhana manusia pada robot sebagai Adaptive Behaviors for Robotic Systems, vol. 23, p. 9, 2008.
klasifikasi gerak yang terjadi pada robot. Data Set di setiap [3] D. H. C. Y. Muh. Anshar, "Utilising the See-and-Follow Method for
parameter didapatkan dari rentang dominan yang sering Enhancing Robot Learning Ability," IOP Conference Series:
muncul dari subjek secara acak. Hasil yang didapatkan Materials Science and Engineering, vol. 676, no. 1, p. 12002, 2019.
dalam pengujian gerak satu arah secara berulang dengan [4] M.-A. W. Muh Anshar, "Simplified Pain Matrix Method for Artificial
akurasi 60 – 100%. Adapun dengan kombinasi dua gerakkan Pain Activation Embedded into Robot Framework," International
Journal of Social Robotics, vol. 13, no. 1, p. 187, 2020.
yang didapatkan akurasi 40 – 90%. Akurasi yang didapatkan
[5] B. W. G. S. C. M. Priyanka A. Abhang, Introduction to EEG and
sangat bervariasi dikarenakan konsistensi subjek saat Speech-Based Emotion Recognition, London, United Kingdom:
mengintuisi gerak robot dapat meningkatkan akurasi dalam Academic Press, 2016.
mengklasifikasikan gerak yang dilakukan pada robot [6] Machel Thimoty Tombeng, Rickho Michael Elia Rumayar, "Light
humanoid. Controlling System by Using Brain Waves Sensor," Cogito Smart
Journal, p. 240, 2017.
Untuk pengembangan lebih lanjut, metode
[7] Neurosky, "Mindwave User Guide," 12 July 2011. [Online].
pengambilan data training perlu dilakukan lebih masif dan Available:
pernggunaan machine learning agar akurasi gerak yang http://developer.neurosky.com/docs/lib/exe/fetch.php?media=mindwa
diinginkan dapat lebih tepat dan efisien dilakukan. 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
UCAPAN TERIMAKASIH Human-Computer Interaction, Graz, Springer, 2010, p. 21.
[9] S. S. A. F. S. Rümeysa İnce, "The inventor of electroencephalography
Penelitian ini disponsori oleh Cognitive Social C. L. D. d. S. e. S. Chrystinne Fernandes, "Smart depth of anesthesia
Robotics and Advanced Artificial Intelligence Research monitoring with EEG sensors and agent-based technology," in 2017
Centre, Departemen Teknik Elektro, Fakultas Teknik, IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced
& Trusted Computed, Scalable Computing & Communications,
Universitas Hasanuddin Cloud & Big Data Computing, Internet of People and Smart City