DESAIN SIMULASI KENDALI GERAK WHEELCHAIR DENGAN METODE EXTREME LEARNING MACHINE (ELM) DENGAN METODE EXTREME LEARNING MACHINE (ELM)
Kursi roda digunakan untuk mempermudah penyandang disabilitas untuk bergerak. Kursi roda berkembang menjadi kursi roda cerdas yang memiliki kemampuan bernavigasi secara semiautonomous yang dikendalikan menggunakan joystick. Permasalahan yang terjadi adalah kursi roda jenis ini hanya diperuntukkan...
Saved in:
| Main Author: | |
|---|---|
| Format: | Theses and Dissertations NonPeerReviewed |
| Language: | Indonesian Indonesian |
| Published: |
2019
|
| Subjects: | |
| Online Access: | http://repository.unair.ac.id/81020/1/KKC%20KK%20ST.T.04-19%20Kur%20d%20ABSTRAK.pdf http://repository.unair.ac.id/81020/2/KKC%20KK%20ST.T.04-19%20Kur%20d%20SKRIPSI.pdf http://repository.unair.ac.id/81020/ http://lib.unair.ac.id |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Universitas Airlangga |
| Language: | Indonesian Indonesian |
| Summary: | Kursi roda digunakan untuk mempermudah penyandang disabilitas untuk bergerak.
Kursi roda berkembang menjadi kursi roda cerdas yang memiliki kemampuan
bernavigasi secara semiautonomous yang dikendalikan menggunakan joystick.
Permasalahan yang terjadi adalah kursi roda jenis ini hanya diperuntukkan untuk
disabilitas pada ekstrimitas bawah sehingga pengguna yang memiliki keterbatasan
pada tangan kesulitan untuk menggunakan kursi roda tersebut. Penelitian ini bertujuan
membuat simulasi perangkat kursi roda otomatis berbasis Brain Computer Interface
(BCI) untuk membantu penyandang disabilitas yang memiliki keterbatasan tangan dan
kaki. Penelitian ini memanfaatkan teknologi EEG EMOTIV EPOC+ headset yang
digunakan untuk mendapatkan sinyal EEG gerakan facial expression dalam bentuk
raw data, kemudian dilakukan prosessing data menggunakan transformasi wavelet
diskrit untuk mendapatkan ciri pada rentang frekuensi Mu dan Beta. Dari hasil
prosessing data tersebut kemudian akan diklasifikasikan menggunakan metode ELM
yang memiliki kelebihan dalam kecepatan pembelajaran dibandingan dengan metode
SLFN lainnya. Setelah didapatkan hasil klasifikasi maka data akan dikirim ke arduino
untuk menggerakkan robot melalui komunikasi bluetooth menggunakan fungsi serial.
Penelitian ini menghasilkan hasil pelatihan terbaik pada pengambilan data sinyal EEG
menggunakan hidden neuron minimal sebanyak 30 buah. Hasil pengujian secara
offline dari metode ini menunjukkan rentang akurasi sebesar 86.7-93.3%. Pengujian
sistem realtime wheelchair EEG memiliki persentase keberhasilan untuk naracoba 1
sebesar 88% dan untuk naracoba 2 sebesar 84%. |
|---|