Wiani, Ni Wayan Yulya (2025) Klasifikasi Jenis Gerakan Tangan Berbasis Sinyal Surface Electromyography Dengan 1 Dimensional Convolutional Neural Network. Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2329101042-COVER.pdf Download (2MB) |
|
Text (ABSTRAK)
2329101042-ABSTRAK.pdf Download (753kB) |
|
Text (BAB 1 PENDAHULUAN)
2329101042-BAB 1 PENDAHULUAN.pdf Download (1MB) |
|
Text (BAB 2 KAJIAN TEORI)
2329101042-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (5MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2329101042-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2329101042-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (8MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2329101042-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (515kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2329101042-DAFTAR PUSTAKA.pdf Download (1MB) |
|
Text (LAMPIRAN)
2329101042-LAMPIRAN.pdf Download (251kB) |
Abstract
Sinyal surface electromyography (sEMG) adalah sinyal yang dihasilkan dari aktivitas kelistrikan otot tiap kali otot berkontraksi yang mewakili aktivitas neuromuskular. Pengenalan gerakan berbasis sinyal sEMG menjadi poin penting dalam pengembangan teknologi assistive dan rehabilitasi medis. Dalam aplikasinya, klasifikasi sinyal sEMG sudah dibanyak dilakukan 2-Dimensional Convolutional Neural Network (2D CNN). Meskipun pendekatan 2D CNN menunjukkan performa yang baik, penelitian yang telah dikaji kurang mempertimbangkan efisiensi model. Hal ini karena pendekatan ini membutuhkan penambahan dimensi dari data 1D menjadi 2D. Hal ini mengakibatkan model yang dihasilkan kurang efisien, sehingga dibutuhkan perampingan model, seperti penggunaan 1D CNN. Penelitian ini mengusulkan pendekatan 1D CNN untuk mengenali 10 jenis Gerakan tangan berbasis sinyal sEMG. Dataset yang digunakan adalah Mendeley V2, yang direkam menggunakan 4 channel yang ditempatkan pada 4 otot tangan. Arsitektur 1D CNN yang diusulkan pada penelitian ini terdiri dari 3 blok konvolusi dan 4 lapisan fully connected. Arsitektur yang diusulkan dilengkapi dengan lapisan dropout dan batch normalization untuk mengurangi potensi overfitting. Selanjutnya model dilatih menggunakan k-fold cross validation untuk melihat kinerja model, baik stabilitas maupun kemampuan generalisasi model. Penelitian ini juga membahas mengenai pengaruh jumlah data latih terhadap performa model. Dari penelitian ini, akurasi yang dihasilkan sedikit lebih rendah dibandingkan dengan pendekatan berbasis gambar. Hal ini diduga disebabkan oleh keterbatasan jumlah data latih. Analisis menunjukkan bahwa akurasi tertinggi mencapai 92% diperoleh saat model dilatih dengan 95% dataset. Dengan jumlah trainable parameter sebanyak 111.810, model yang diusulkan tetap mempertahankan efisiensi dari segi komputasi sehingga memiliki potensi untuk implemantasi pada sistem assistive dan rehabilitasi medis berbasis real-time.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | 1D CNN, deep learning, gerakan tangan, klasifikasi, surface electromyography |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Ni Wayan Yulya Wiani |
| Date Deposited: | 05 Aug 2025 11:34 |
| Last Modified: | 05 Aug 2025 11:34 |
| URI: | http://repo.undiksha.ac.id/id/eprint/26458 |
Actions (login required)
 |
View Item |