Evaluasi Model Machine Learning Klasifikasi Gerak Tangan Untuk Sistem Kontrol Prototipe Prostesis Tangan
| Main Authors: | Esa Darmayasa Adi Putra, I Made, Fauzi, Ilham, Krishna Prasad, Karuna Sindhu, Putra Arya Winata, I Made, Widhiada, I Wayan |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | eng |
| Terbitan: |
Program Studi Magister Teknik Elektro Universitas Udayana
, 2023
|
| Online Access: |
https://ojs.unud.ac.id/index.php/jte/article/view/98235 https://ojs.unud.ac.id/index.php/jte/article/view/98235/50160 |
Daftar Isi:
- Hambatan berupa kehilangan fungsi bagian tubuh akan menyebabkan kesulitan dalam melakukan kegiatan secara normal. Dalam penerapan sensor electromyography (EMG) dan electroencephalography (EEG) yang kurang baik dalam mengimbangi berbagai macam kondisi fisik manusia, sensor force sensing resistor (FSR) dapat menjadi alternatif pengganti EMG dan EEG pada prostesis tangan. Dalam perencanaan model neural network, data yang dibutuhkan pada actual output hanya berupa hand gesture pada orang non pasien pasca amputasi. Long Short Term Memory (LSTM) digunakan karena dapat menangani proses data dalam jangka panjang yang merupakan salah satu keadaan timbul dalam pengolahan data sekuensial.evaluasi metrics yang dihasilkan berupa nilai accuracy pada data training dengan epoch 200 dan accuracy pada data testing. Hasil pertama dengan tanpa variasi dropout menunjukkan nilai accuracy pada training 0,9449 dan accuracy pada testing 0,961 dengan nilai loss pada training 0,1284 dan loss pada testing 0,0717. Hasil kedua dengan variasi dropout menunjukkan nilai accuracy pada training 0,9699 dan accuracy pada testing 0,9688 dengan nilai loss pada training 0,0803 dan loss pada testing 0,1061. evaluasi metrics accuracy yang dihasilkan pada dataset telah melampui nilai 0,9. Hal ini mengindikasikan model telah berjalan dengan baik untuk klasifikasi pada 11 gerakan. Kata Kunci— Sistem kontrol; machine learning; gerakan tangan; prostesis tangan.
- Obstacles in the form of loss of function of body parts will cause difficulty in carrying out normal activities. In the application of electromyography (EMG) and electroencephalography (EEG) sensors that are not good at compensating for various kinds of human physical conditions, force sensing resistor (FSR) sensors can be an alternative to EMG and EEG in hand prostheses. In planning the neural network model, the data needed for the actual output is only in the form of hand gestures for post-amputation non-patients. Long Short Term Memory (LSTM) is used because it can handle data processing in the long run which is one of the conditions that arise in sequential data processing. The resulting evaluation metrics are in the form of accuracy values in training data with epoch 200 and accuracy in data testing. The first result with no dropout variation shows the accuracy value in training is 0,9449 and the accuracy in testing is 0,961 with the loss value in training is 0,1284 and the loss in testing is 0,0717. The second result with dropout variations shows the accuracy value in training is 0,9699 and accuracy in testing is 0,9688 with a loss value in training is 0,0803 and loss in testing is 0,1061. the metrics accuracy evaluation generated on the dataset has exceeded the value of 0,9. This indicates that the model has run well for the classification of 11 movements. Keyword — Control System; machine learning; moving arm; prostesis arm.