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

MAYDIANA NURUL KURNIAWATI, 081411733008 (2019) DESAIN SIMULASI KENDALI GERAK WHEELCHAIR DENGAN METODE EXTREME LEARNING MACHINE (ELM) DENGAN METODE EXTREME LEARNING MACHINE (ELM). Skripsi thesis, Universitas Airlangga.

[img] Text (ABSTRACT)
KKC KK ST.T.04-19 Kur d ABSTRAK.pdf

Download (39kB)
[img] Text (FULLTEXT)
KKC KK ST.T.04-19 Kur d SKRIPSI.pdf
Restricted to Registered users only until 14 March 2022.

Download (1MB) | Request a copy
Official URL: http://lib.unair.ac.id

Abstract

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%.

Item Type: Thesis (Skripsi)
Additional Information: KKC KK ST.T.04/19 Kur d
Uncontrolled Keywords: EEG, wavelet, ELM, Mu, Beta, mobile robot, wheelchair
Subjects: T Technology > TJ Mechanical engineering and machinery > TJ241-254.7 Machine construction (General)
Divisions: 08. Fakultas Sains dan Teknologi > Tekno Biomedik
Creators:
CreatorsEmail
MAYDIANA NURUL KURNIAWATI, 081411733008UNSPECIFIED
Contributors:
ContributionNameEmail
ContributorKhusnul Ain, Dr., S.T., M.T.UNSPECIFIED
ContributorAkif Rahmatillah, S.T., M.T.UNSPECIFIED
Depositing User: mrs hoeroestijati beta
Date Deposited: 14 Mar 2019 04:20
Last Modified: 14 Mar 2019 04:20
URI: http://repository.unair.ac.id/id/eprint/81020
Sosial Share:

Actions (login required)

View Item View Item