Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan yang cepat di bidang Biosensing telah membuka gerbang kepada peneliti untuk mengeksplorasi penggunaan sinyal biologis. Salah satu dari penggunaan sinyal ini adalah Human-Computer Interface (HCI), yang memungkinkan seseorang untuk berinteraksi dengan komputer tanpa kontak fisik. Agar sebuah perangkat HCI dapat berfungsi dengan efisien, sensor-sensor yang digunakan untuk mengakuisisi sinyal biologis harus nyaman digunakan dan mudah dibawa. Pada Tugas Akhir ini penulis mengajukan sebuah desain modifikasi untuk OpenBCI Cyton biosensing board, yang akan menggantikan modul RFDuino RFD22302 dengan modul Espresif ESP-32. Proses penelitian meliputi modifikasi desain PCB, fabrikasi, pemrograman, sampai pengujian 2 iterasi. Pada pengujian iterasi pertama purwarupa berhasil mengidentifikasi kontraksi/aktivasi otot dengan amplitudo di sekitar 1 milivolt dan juga aktivitas ripple/noise yang berhasil dieliminasi pada iterasi kedua dengan perbaikan posisi perekaman sinyal. Perbandingan pola rekaman dengan Myoware muscle sensor juga menunjukkan kemiripan hasil yang menandakan kemiripan hasil satu sama lain dengan perbendaan yang minimum.

---

The rapid development in the field of Biosensing technology has allowed scientists to explore a multitude of biosignal application. One of this application is the Human-Computer Interface, which allows humans to directly control a machine without direct physical inputs. For a HCI device to be efficiently utilized, the sensors utilized in acquiring human biosignal must be somewhat comfortable to use and mobile. In this Bachelor’s Thesis the author proposed a modification design for OpenBCI Cyton biosensing board, which replaced its outdated RFDuino RFD22302 with the newer, widely used, and well-documented Espressif ESP-32. Research processes include the base PCB modification, its fabrication, programming, and 2 iteration of testing. First has shown that the prototype is capable of detecting EMG signals with the amplitude of around 1 millivolt but also the presence of noise/ripple, which was successfully eliminated in the second iteration with better recording positioning. Further comparison also has shown that the prototype’s recording result was highly similar with the recording result from Myoware muscle sensor with only slight differences."

"Badan Pusat Statistik (BPS) merupakan salah satu instansi pemerintah yang memberi layanan publik. Layanan publik yang diberikan oleh BPS berupa penyajian data sensus dan survei. Dalam menjalankan fungsi untuk memberikan layanan publik ini, BPS didukung dengan teknologi informasi dan komunikasi (TIK). Pengelolaan TIK oleh instansi pemerintah diatur dalam Peraturan Pemerintah Republik Indonesia No. 82 Tahun 2012 tentang Penyelenggaraan Sistem dan Transaksi Elektronik. Dalam salah satu pasalnya yaitu pasal 17 ayat 1 dikatakan bahwa Penyelenggara Sistem Elektronik untuk pelayanan publik wajib memiliki rencana keberlangsungan kegiatan untuk menanggulangi gangguan atau bencana. Selain itu di pasal 20 dikatakan bahwa setiap penyelenggara sistem elektronik wajib memiliki prosedur dan mekanisme untuk pengamanan sistem elektronik. Namun, hingga saat ini, BPS belum memiliki rencana penanggulangan bencana yang memuat prosedur dan mekanisme untuk pengamanan sistem elektronik. Saat ini, BPS sedang fokus dalam membangun disaster recovery center (DRC). Untuk menghadapi kondisi bencana diperlukan dokumen disaster recovery plan (DRP) yang menjelaskan prosedur penanganan bencana dan juga spesifikasi infrastruktur untuk DRC. Untuk memenuhi kebutuhan BPS tersebut, penelitian ini berusaha merancang dokumen rencana penanggulangan bencana atau disaster recovery plan (DRP) di BPS. Pengembangan DRP mengacu pada standar BCI Good Practice Guideline 2008 karena di dalam standar tersebut dijelaskan dengan rinci setiap tahap pengembangan beserta metode yang dapat digunakan. Hasil dari penelitian ini adalah dokumen DRP yang sesuai dengan kebutuhan BPS. Dokumen tersebut memuat peran, tanggung jawab, prosedur, teknis penanganan bencana, strategi keberlangsungan bisnis serta perencanaan kapasitas perangkat TI untuk DRC. Dengan dibuatnya dokumen DRP tersebut, diharapkan pemulihan bencana dapat berjalan dengan baik, sehingga BPS dapat mempertahankan keberlangsungan bisnisnya jika terjadi bencana.

---

BPS-Statistics Indonesia is one of the government agencies that provides public services. Public services provided by BPS is census and survey data presentation. In carrying out the functions to provide these public services, BPS is supported by information and communication technology (ICT). ICT for government sector is regulated by Peraturan Pemerintah RI No. 82 Year 2012 on the Implementation System and Electronic Transactions. One article, namely article 17, paragraph 1 says that the Electronic System for public services shall have a continuity plan activities to cope with disruption or disaster. In addition, Article 20 says that every operator of electronic systems is required to have procedures and mechanisms for securing electronic systems. However, until now, BPS has not had a disaster plan that includes procedures and mechanisms for securing electronic systems.

Currently, BPS is focusing on building a disaster recovery center (DRC). To deal with catastrophic conditions are required disaster recovery plan (DRP) that describes the procedure for disaster management and infrastructure specifications for DRC. To meet the needs of the BPS, this study sought to design documents of disaster overcoming plan or disaster recovery plan (DRP) in BPS. DRP development refers to the standard BCI Good Practice Guidelines 2008 as the standard describes in detail every stage of development as well as methods that can be used.

Result of this research is DRP document in accordance with the needs of the BPS. The document contains the roles and responsibilities of each person, strategy for business continuity, procedures for handling the disaster as well as capacity planning for the DRC. DRP is expected to run well, so that BPS can maintain business continuity in case of disaster."

"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."

"The book reports on advanced topics in the areas of neurorehabilitation research and practice. It focuses on new methods for interfacing the human nervous system with electronic and mechatronic systems to restore or compensate impaired neural functions. Importantly, the book merges different perspectives, such as the clinical, neurophysiological, and bioengineering ones, to promote, feed and encourage collaborations between clinicians, neuroscientists and engineers. Based on the 2018 International Conference on Neurorehabilitation (ICNR 2018) held on October 16-20, 2018, in Pisa, Italy,, this book covers various aspects of neurorehabilitation research and practice, including new insights into biomechanics, brain physiology, neuroplasticity, and brain damages and diseases, as well as innovative methods and technologies for studying and/or recovering brain function, from data mining to interface technologies and neuroprosthetics. In this way, it offers a concise, yet comprehensive reference guide to neurosurgeons, rehabilitation physicians, neurologists, and bioengineers. Moreover, by highlighting current challenges in understanding brain diseases as well as in the available technologies and their implementation, the book is also expected to foster new collaborations between the different groups, thus stimulating new ideas and research directions."