Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTangan adalah alat yang serbaguna yang dibutuhkan manusia untuk memanipulasi benda-benda dan berinteraksi manusia lainnya. Tanpa tangan mereka, manusia akan menghadapi banyak kesulitan bahkan hanya ketika melakukan kegiatan dan tugas sehari-hari yang sederhana. Di sisi lain, kemalangan terjadi. Manusia mungkin memiliki kondisi bawaan atau traumatis yang menyebabkan hilangnya anggota tubuh mereka, termasuk tangan. Selain itu, biaya pengadaan adalah tantangan global dalam dunia perprostetikan, termasuk tangan prostetik. Bahkan yang paling sederhana pun, hanya segelintir orang yang mampu membelinya. Dengan kemajuan dunia manufaktur, 3D printing telah menunjukkan kemajuan yang menjanjikan sebagai solusi karena 3D printing merupakan teknik fabrikasi yang cepat, mudah, dan relatif murah untuk memproduksi prostetik, termasuk tangan prostetik. Dalam penelitian ini, model tangan prostetik terkontrol dan analisis terperinci terhadap desain, komponen, dan fungsionalitas tangan prostetik yang dibuat yang mencakup langkah-langkah dan hal-hal yang perlu dipertimbangkan dalam mengembangkan tangan prostetik disajikan. Tangan prostetik ini disajikan untuk dikombinasikan dengan metode kontrol EEG yang dikembangkan bersama untuk tangan prostetik ini. Dari dasar ide desain hingga proses perakitan dan pengujian eksperimental, semuanya dibahas dalam penelitian ini. Dengan demikian, pekerjaan ini mencakup semua pendekatan pengembangan untuk tangan prostetik.

---

ABSTRACTHands are versatile tools that humans need to manipulate and interact with objects as well as other human beings. Without their hands, obviously, humans will face challenges even just performing simple daily activities and tasks. On the other hand, misfortunes happen. Humans may have congenital or traumatic conditions that lead to the loss of their limbs, including their hands. Furthermore, procurement cost is the worldwide challenge for prosthetics, including prosthetic hand. Even the simplest ones, still, not many people can afford it. With the advancement of manufacturing, 3D printing has shown promising progress as a solution as it is a quick, easy, and relatively cheap fabrication technique to manufacture prosthetics, including prosthetic hands. In this work, a controlled-prosthetic hand model and the detailing analysis towards the prosthetic hand design, components, and functionality that encompasses the steps and considered things in developing a prosthetic hand are presented. This prosthetic hand is presented to be combined with the co-developed EEG control method for the prosthetic hand. From the bottom ground of design idea to assembly process and experimental testing, all of them are discussed in this work. Thus, this work includes all of the development approach for the created prosthetic hand."

"Mengendalikan tangan tiruan menggunakan pikiran adalah mimpi bagi banyak orang yang kehilangan anggota tubuhnya. Teknologi Brain Computer Interface merupakan titik terang dalam mewujudkan hal tersebut dengan dengan menghubungkan perintah dan respon pada otak sebagai informasi dalam sistem kendali. Namun, kompleksitas sinyal Elektroensefalografi (EEG) menjadi tantangan dalam mewujudkannya. Penegunaan model klasifikasi berbasis deep learning diharapkan dapat menjadi solusi untuk mengklasifikasi gerakan tangan yang dibayangkan oleh pengguna sebagai masukan pada sistem kendali tangan tiruan elektrik. Tujuan utama dari penelitian ini adalah untuk mengklasifikasi sinyal EEG dari otak manusia secara real time menggunakan headset EEG non-invasif untuk dua gerakan tangan yang berbeda: istirahat dan menggenggam. Penelitian ini mengusulkan solusi untuk klasifikasi gerakan tangan istirahat dan menggenggam dengan menggunakan model jaringan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) untuk mempelajari informasi berupa data time series dari perangkat EEG. Sinyal EEG direkam melalui gelombang otak di lokasi pada titik F3, Fz, F4, FC1, FC2, C3, CZ, C3. Data sinyal mentah dari EEG disaring dengan menggunakan Butterworth band pass filter untuk memisahkan data sinyal menjadi dataset baru yang berisi sinyal pada rentang Alfa, Beta, dan keduanya. Hasil penelitian ini menunjukkan bahwa model klasifikasi dua jenis gerakan tangan mampu mencapai akurasi sebesar 95,45. Peristiwa yang diklasifikasi sebagai gerakan kemudian digunakan untuk memberikan instruksi kepada servo pada tangan tiruan yang dikendalikan oleh Arduino.

---

Controlling the artificial hand using mind is a dream for many people who had lost their limb. Brain Computer Interface (BCI) technology is a hope in making this things happen by connecting commands and responses to the brain as information in the control system. However, the complexity of the EEG signal becomes a challenge in realizing it. The use of a deep learning-based classification model is expected to be a solution for classifying hand movements imagined by the user as input to the electric artificial hand control system. The main objective of this study was to classify EEG signals from the human brain in real time using a non-invasive EEG headset for two different hand movements: resting and grasping. This study proposes a solution for the classification of resting and grasping hand movements using the Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) network models to study information in the form of time series data from EEG devices. EEG signals were recorded via brain waves at locations at points F3, Fz, F4, FC1, FC2, C3, CZ, C3. The raw signal data from the EEG is filtered using a Butterworth band pass filter to separate the signal data into a new dataset containing signals in the Alpha, Beta, and both ranges. The results of this study indicate that the classification model of two types of hand movements is able to achieve an accuracy of 95.45. The events classified as movements are then used to give instructions to the servo on the artificial arm controlled by the Arduino."