5406 15389 1 PB
5406 15389 1 PB
DOI: https://doi.org/10.21107/rekayasa.v12i2.5406
ABSTRAK
Teknologi robotika semakin berkembang. Banyak orang berinovasi untuk membantu aktivitas mereka, diantaranya
membuat robot manipulator untuk mengambil barang di tempat berbahaya atau memindah barang dengan presisi yang
sangat tinggi. Pada penelitian ini telah dirancang robot manipulator untuk membantu pasien yang diamputasi pergela
ngan tangannya agar dapat memegang dan tidak memegang. Sensor Electromyography (EMG) dapat merekam aktivitas
listrik yang dihasilkan oleh otot rangka dalam bentuk sinyal yang mempresentasikan gerakan otot. Pada penelitian
ini, elektromiogram diekstraksi untuk mendapatkan fitur Root Mean Square (RMS) dan Mean Absolute Value (MAV)
kemudian diklasifikasi menggunakan Support Vector Machine (SVM). Metode SVM dipilih karena mampu menemukan
hyperplane terbaik sebagai pemisah. Pengendali yang digunakan adalah Arduino yang memerintahkan motor servo
untuk menggerakkan robot manipulator sesuai dengan hasil klasifikasi. Penerapan metode Support Vector Machine
(SVM) yang bertipe linier memiliki akurasi yang cukup baik dengan keberhasilan 80% pada pengujian dengan subjek
yang telah diambil data sampel dan keberhasilan 60% pada pengujian dengan subjek yang tidak diambil data sampel.
Kata Kunci: Sensor EMG, Otot Lengan, MAV, RMS, SVM, Klasifikasi.
Classification of Muscle Wave Arm on Manipulator Robot Using Support Vector Machine
ABSTRACT
Robotics technology is growing. Many people innovate to help their activities, including making manipulator robots to
take items in dangerous places or move items with very high precision. In this study a manipulator robot was designed
to help patients who amputated their wrists to grip and un-grip. Electromyography (EMG) sensors can record electrical
activity produced by skeletal muscles in the form of signals that present muscle movements. In this study, the electro-
myogram was extracted to get the Root Mean Square (RMS) and Mean Absolute Value (MAV) features then classified
using Support Vector Machine (SVM). The SVM method was chosen because it was able to find the best hyperplane as
a separator. The controller used is Arduino which instructs the servo motor to move the manipulator robot according
to the classification results. The application of the Support Vector Machine (SVM) method which has a linear type has a
fairly good accuracy with 80% success in testing with subjects who have taken sample data and 60% success in testing
with subjects who are not taken sample data.
PENDAHULUAN
Teknologi robotika semakin berkembang. Banyak dapat mengganti bagian pergelangan tangan
orang berinovasi untuk membantu aktivitas me yang telah diamputasi. Kemampuan robot yang
reka, diantaranya membuat robot manipulator dapat bekerja secara biologi maka disebut “Bio
untuk mengambil barang di tempat berbahaya nik” yang secara estimologi berasal dari kata
atau memindah barang dengan presisi yang sa “Bio” yaitu biologi dan “Nik” yang berarti elek-
ngat tinggi. tronik (Padillah dkk, 2013). Pada bidang kedok-
teran yang mempelajari tentang otot manusia
Robot lengan juga dapat membantu manusia da- dan bidang teknik yang mempelajari tentang me-
lam bidang medis. Khususnya pada pasien yang kanik telah bergabung menjadi suatu bidang ilmu
tertimpa kecelakaan atau pasien yang mempu- baru yaitu Biomekanik yang termasuk juga ba-
nyai penyakit tertentu yang mengharuskan pa- gian dari keilmuan Biomedika, dimana Biomeka
sien tersebut untuk amputasi. Robot manipulator
Article History: Cite this as:
Received: Juni, 28th 2019; Accepted: September, 29th 2019 Ubaidillah, M.J., Munadhif, I., dan Rinanto, N.(2019). Klasifikasi
ISSN: 2502-5325 (Online) Terakreditasi Peringkat 3 oleh Ke- Gelombang Otot Lengan pada Robot Manipulator Menggu-
menterian Riset, Teknologi dan Pendidikan Tinggi (ARJUNA), nakan Support Vector Machine. Rekayasa, 12(2), 91-97. doi:
berdasarkan Keputusan Direktur Jenderal Penguatan Riset dan https://doi.org/10.21107/rekayasa.v12i2.5406
Pengembangan No: 23/E/KPT/2019 tanggal 8 Agustus 2019 © 2019 Muhammad Ja’far Ubaidillah, Ii Munadhif,
Noorman Rinanto
91
92 | Ubaidillah, M.J. dkk., Klasifikasi Gelombang Otot Lengan pada Robot Manipulator...
pada lengan robot. Diagram alur kerja sistem di- kan perintah grip ke robot manipulator
tunjukkan pada gambar 2. secara manual.
• Tombol UN-GRIP, digunakan untuk men-
Perancangan dan Pembuatan Hardware girimkan perintah grip ke robot manipula-
Gambar 3. merupakan perancangan Hardware. tor secara manual.
Sensor mendeteksi sinyal EMG melalui elektrode • LOOP, apabila diaktifkan maka proses
yang dipasang secara langsung pada permukaan pembacaan sinyal, ekstraksi sinyal, klasifi-
luar dari kulit tanpa perlu proses normalisasi sinyal, kasi, serta gerak robot manipulator akan
hal itu karena proses tersebut telah terjadi pada dilakukan terus menerus.
perangkat sensor. Sinyal tersebut akan di baca • TEST, digunakan untuk memulai pemba-
melalui pin analog Arduino yang akan dikirimkan caan sinyal, ekstraksi sinyal, klasifikasi serta
ke komputer melalui komunikasi serial. Sinyal di diakhiri dengan gerak robot manipulator.
ekstraksi untuk mendapatkan parameter-parame • NILAI, merupakan nilai realtime dari am-
ter, yaitu nilai Root Mean Square (RMS) dan Mean plitudo yang terbaca saat ini.
Absolute Value (MAV) dari amplitudo sinyal agar • Tampilan grafik amplitudo sinyal EMG
dapat diklasifikasi dengan metode Support Vector yang terbaca.
Machine (SVM) saat training maupun testing. Ha- • Tabel dari nilai amplitudo sinyal EMG yang
sil klasifikasi oleh Support Vector Machine (SVM) terbaca.
kemudian dikirim ke Arduino untuk menggerak- • RMS, Nilai dari hasil perhitungan ekstraksi
kan motor servo sebagai penggerak robot mani Root Mean Square (RMS) dari amplitudo
pulator. sinyal EMG.
• MAV, Nilai dari hasil perhitungan ekstraksi
Perancangan dan Pembuatan Software Mean Absolute Value (MAV) dari amplitu-
do sinyal EMG.
Pada tahap ini peneliti menggunakan software • HASIL, menampilkan hasil klasifikasi dari
MATLAB untuk melakukan proses perhitungan dan Root Mean Square (RMS) dan Mean Ab-
menampilkan grafik dengan memanfaatkan fitur solute Value (MAV) dari amplitudo sinyal
GUI MATLAB karena mudah dalam penggunaan EMG.
dan cepat dalam melakukan perhitungan dengan
banyak data. GUI MATLAB juga sebagai interface
untuk melihat respon sistem saat proses sedang
berlangsung.
HASIL DAN PEMBAHASAN yal EMG ini akan digunakan sebagai data training
dan data testing. Amplitudo yang diambil adalah
Pada penelitian ini, pengujian pergerakan grip dan
seluruh dari amplitudo yang telah didapatkan.
un-grip dengan dua kondisi yaitu subjek yang per-
Untuk melakukan perhitungan fitur RMS ini dapat
nah diambil sampel untuk data trining dan subjek
yang tidak diambil sampel sebelumnya.
Pengambilan Sampel Gelombang
Fitur Root Mean Square (RMS) dari amplitudo sin- Gambar 8. Sinyal EMG kondisi grip (1)
12(2): 2019 | 95
Penerapan metode SVM pada penelitian ini meng- Berdasarkan Tabel 1, presentase keberhasilan pen-
gunakan dua input dan satu kelas output 1 dan gujian pada kondisi pertama ini yaitu 80%. Dapat
0, 1 mewakili kelas +1 dan 0 mewakili kelas -1. disimpulkan bahwa metode yang digunakan cuk-
Data input yang digunakan sebagai data training up akurat dalam melakukan klasifikasi dengan
dan data testing pada metode SVM ini adalah fitur data yang telah diambil sampel.
Root Mean Square (RMS) dan fitur Mean Absolute
Value (MAV) dari amplitudo sinyal EMG. Pada pengujian kondisi kedua, pengujian dilaku-
kan sebanyak 10 kali dengan 5 kali percobaan
Pengujian Sistem Secara Keseluruhan grip dan 5 kali percobaan un-grip. Pengujian ini
dilakukan oleh peneliti dengan menggerakkan jari
Pengujian sistem meliputi pengujian metode dan
tangan kanan grip dan un-grip. Hasil pengujian
aktuator yang digunakan. Pengujian metode yang
kondisi pertama dapat dilihat pada Tabel 2 berikut.
digunakan adalah pengujian dengan data yang
telah didapatkan dari pengambilan sampel den-
Berdasarkan Tabel 2, presentase keberhasilan pen-
gan data yang belum pernah dilakukan pengam-
gujian pada kondisi kedua ini yaitu 60%. Dapat di-
bilan sampel dan kemudian dihitung presentase
simpulkan bahwa metode yang digunakan cukup
keberhasilan metode dalam melakukan mengkla-
96 | Ubaidillah, M.J. dkk., Klasifikasi Gelombang Otot Lengan pada Robot Manipulator...
Tabel 2. Hasil pengujian kondisi kedua Fiska, R. R. (2017). Penerapan Teknik Data Mining
dengan Metode Support Vector Machine
No. Kondisi Target Hasil Error Keterangan (SVM) untuk Memprediksi Siswa yang Ber-
1 Un-grip 0 1 100 % Salah peluang Drop Out. Jaringan Sistem Infor-
2 Un-grip 0 0 0% Benar masi Robotik Vol. 1,No. 01, 42-51.
3 Un-grip 0 1 100 % Salah
Lee, J., Kim J., Park J. (2013). “Classification of grip
4 Un-grip 0 0 0% Benar
configuration using surface EMG”, in 2013
5 Un-grip 0 0 0% Benar 13th International Conference on Control,
6 Grip 1 1 0% Benar Automation and Systems (ICCAS 2013).
7 Grip 1 0 100 % Salah
8 Grip 1 1 0% Benar Muis, I. A., Muhammad A. (2015). “Penerapan
9 Grip 1 1 0% Benar Metode Support Vector Machine (SVM)
Menggunakan Kernel Radial Basis Func-
10 Grip 1 0 100 % Salah
tion (RBF) Pada Klasifikasi Tweet”, Vol.12
No.2
akurat dalam melakukan klasifikasi dengan data
yang belum diambil sampel. Dari pengujian ini Mustiadi, I., Thomas S. W., Indah S., (2012). “Anali-
didapatkan bahwa rata-rata kecepatan respon ro- sis Ekstraksi Ciri Sinyal EMG Menggunakan
bot manipulator adalah 3 detik. Wavelet Discrete Transform”, Yogyakarta.
Bhavsar, H., Mahesh H. P. (2012).”Review on Sup- Rekhi, N. S., Arora A. S., Singh S., Singh D. (2009).
port Vector Machine for Data Classifica- “Multi-Class SVM Classification of Surface
tion”. Vol 1, Issue 10. EMG Signal for Upper Limb Function”, in
2009 3rd International Conference on Bio-
Falih, A. D. I. (2017).“Klasifikasi Sinyal EMG Dari Otot informatics and Biomedical Engineering.
Lengan Sebagai Media Kontrol Menggu-
nakan Naïve Bayes” (Tesis). Surabaya. Insti- Rusmanto. (2016). “Akuisisi Data Sinyal EMG di
tut Teknologi Sepuluh Nopember. Lengan Tangan dengan Sensor Surface
Electrode Menggunakan Mikrokontroler
Arduino Uno” (Tugas Akhir). Semarang:
Universitas Dian Nuswantoro.
12(2): 2019 | 97
She, Q., Luo Z., Meng M. Xu P. (2010). “Multiple Tong, S., Daphne K. (2001). “Support Vector Ma-
kernel learning SVM-based EMG pattern chine Active Learning with Applications to
classification for lower limb control”, in Text Classification”. USA.
2010 11th International Conference on
Control Automation Robotics & Vision. Wibawa, A. D., Verdonschot N., Burgerhof J. G.
M., Purnama I. K. E., Andersen M. S., Hal-
Subhash, K.M., Pournami P.N., Joseph P.K. (2017). bertsma J. P. K., Diercks R. L., Verkerke G.
“Census transform based feature ex- J. (2013) “A validation study on muscle ac-
traction of EMG signals for neuromuscular tivity prediction of a lower limb musculo-
disease classification”, in 2017 IEEE 15th skeletal model using EMG during normal
Student Conference on Research and De- walking”, in 2013 3rd International Con-
velopment (SCOReD). ference on Instrumentation, Communi-
cations, Information Technology and Bio-
Technologies, A. (2013). “Three-lead Differential medical Engineering (ICICI-BME).
Muscle/ Electromyography Sensor for Mi-
crocontroller Applications” (Datasheet).