DESAIN SIMULASI KENDALI GERAK WHEELCHAIR DENGAN METODE EXTREME LEARNING MACHINE (ELM) DENGAN METODE EXTREME LEARNING MACHINE (ELM)

• Main Author: MAYDIANA NURUL KURNIAWATI, 081411733008
• Format: Theses and Dissertations NonPeerReviewed
• Language: Indonesian; Indonesian
• Published: 2019
• Subjects: TJ241-254.7 Machine construction (General)
• 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
• Institution: Universitas Airlangga

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%.