ANALISIS DAN PERANCANGAN
3.2 Analisis Sistem
Bagian ini membahas tahap - tahap yang dilakukan dalam pembangunan sistem.
Adapun proses yang dapat dilakukan adalah sebagai berikut: Dataset yang telah dikumpulkan menjadi dua bagian yaitu data pelatihan (training data) dan data pengujian (testing data); kemudian data tersebut masuk ketahap recognition yang terdiri dari EMG Data dan Feature Ectraction. EMG bertujuan untuk mengkoneksikan antara perangkat dan computer sedangkan Feature Extraction. EMG menjadi fitur vector; selanjutnya proses klasifikasi menggunakan algoritma Artificial Neural Network (ANN); hasil klasifikasi disimpan dalam bentuk hand gesture, kemudian divisualisasikan kedalam bentuk grafik. Arsitektur umum yang menggambarkan rangkaian proses klasifikasi ditunjukkan pada Gambar. 3.2.
Gambar 3.2. Arsitektur Umum
Penjelasan tahapan – tahapan Gambar 3.2.
3.2.1. Input
Pada tahap awal yaitu pengumpulan dataset yang merupakan kumpulan EMG Data dari beberapa genggaman yang dilakukan menggunakan MYO Gesture Control Armband. Dalam pengumpulan dataset tersebut didapat delapan EMG data dari setiap Gerakan yang dilakukan, pada saat pengumpulan dataset terdapat juga sensor IMU yang terdiri dari accelerometer, gyroscope, dan magnetometer yang dapat mendeteksi pergerakan sensor dalam sumbu X, Y, dan Z. Frekuensi maksimum yang bisa dihasilkan oleh perangkat ini adalah 200Hz. (Kurniawan et al, 2018).
3.2.2. Recognition
Pada proses recognition ini sendiri terdapat beberapa proses, yang di antaranya yaitu EMG Data, dan Feature Extraction.
a. EMG Data
MYO Gesture Control Armband terdiri dari delapan bagian sensor EMG yang terletak di sekitar lengan pengguna. Frame rate dari data EMG adalah 200 Hz. Hasil klasifikasi yang telah ditetapkan oleh MYO Gesture Control Armband sendiri adalah menggenggam, menekan atau merenggangkan jari, dan melambaikan jari ke kiri dan ke kanan (Wardhany et al, 2014). Pada saat penelitian, Myo Gesture Control Armband digunakan di lengan sebelah kanan dan menggunakan library dari Myo Armband untuk mengkoneksikan antara perangkat dan komputer. Dalam proses ini EMG data dan fitur lain yang dimiliki oleh Myo Gesture Control Armband seperti Gyroscope, Accelerometer, dan magnetometer dibersihkan menghasilkan EMG data saja yang tersisa, seperti yang ditunjukkan pada Gambar 3.3 dan Gambar 3.4.
26
Gambar 3.3. Contoh EMG Data sebelum di cleaning.
Sebelum digunakan dataset memiliki beberapa data yang tidak dibutuhkan seperti Emg Data, Gyroscope, Orientation, dan Accelerometer. Seperti yang ditunjukkan pada Gambar 3.3.
Gambar 3.4. Contoh EMG Data sesudah di cleaning.
Seperti yang ditunjukkan pada Gambar 3.4. data sudah di cleaning dengan menyisahkan EMG data saja, adapun cara yang dilakukan untuk menghilangkan data yang tidak dibutuhkan adalah dengan mematikan fungsi-fungsi seperti Gyroscope,
dari Myo Gesture Control Armband.
b. Feature Extraction
Pada tahap ini EMG dikenai proses cleaning dengan menggunakan fungsi MAV untuk mendapatkan rata-rata absolut dari amplitudo sinyal EMG pada setiap segmen. Pada penelitian ini penulis menerapkan 2 jenis feature extraction, yaitu: MAV dan RMS.
Kedua jenis feature extraction tersebut diterapkan menggunakan persamaan 2.2 dan 2.7. Proses feature extraction ini dapat dituangkan dalam bentuk pseudocode seperti yang disajakin pada Gambar 3.5.
Gambar 3.5. Pseudocode untuk proses cleaning pada EMG Data.
3.2.3. Clasification
Pada tahap ini akan dilakukan klasifikasi pada gesture tangan yang digunakan untuk mengenali pola EMG Data adalah Artificial Neural Network karena metode ini secara tepat dapat mengenali sinyal myoelectric Rubana et al, 2013). Untuk mengukur kinerja dari klasifikasi, semua data EMG dibagi menjadi dua bagian, yaitu data Training dan data Test (Peter, 2014). Data Training digunakan untuk membangun model klasifikasi, sedangkan data Test digunakan untuk memverifikasi (Abdulhamit, 2012). pada proses kalsifikasi menggunakan prinsip machine learning, yang nantinya akan menghasilkan model yang sudah dilatih dengan mempelajari sejumlah data latihan (data training). Model tersebut digunakan untuk memproses data uji (data test). Tujuannya untuk membangun model prediktif yang dapat mengklasifikasikan data secara otomatis agar dapat diketahui kelas dari data secara efektif dan efisien.
Procedure Feature Extraction
var EMG <- Variabel dari data yang didapat dari MYO Armband
var grafik1, grafik2 <- Variabel menampung output grafik1 = hitung fungsi MAV pada EMG
grafik2 = hitung fungsi RMS pada EMG tulis output pada file CSV
tampilkan grafik1, grafik2 end;
28
Pengklasifikasian yang dilakukan nantinya akan menggolongkan beberapa Gerakan tangan yang sebelumnya pada dataset sudah dimasukkan beberapa jenis Gerakan.
Hasil klasifikasi nantinya terdiri dari OK, Fist, Like, Rock, Spock. Adapun langkah-langkah pelatihan jaringan backpropagation menggunakan 2 neuron input, 3 neuron hidden dan 1 neuron output akan diuraikan sebagi berikut.
1. Data dengan input X1 (Value EMG data), X2 (label dari setiap EMG Data) dan Target, sebelumnya data telah masuk ke dalam feature extraction, dimana data di proses untuk menjadikan data tersebut ke dimensi yang lebih rendah.
Adapun perhitungan tersebut dapat dilihat pada Tabel 3.1.
Tabel 3.1. Input dan Target.
Data X1 X2 t(target)
Abilify Discmelt 0,44 0,4 1
2. Inisiasi bobot awal dengan nilai antar 0 sampai 1
a. Inisiasi bobot koneksi antara lapisan input (Vi) dan lapisan tersembunyi (Zi) seperti yang terlihat pada Tabel 3.2.
Tabel 3.2. Bobot Awal Vwi (nilai bobot dari input layer menuju hidden layer)
V1,0(bias) V1,1 V1,2 layer (Y). Seperti yang terlihat pada Tabel 3.3.
Tabel 3.3. Bobot awal Wjk (nilai bobot dari hidden layer menuju output layer)
W1,0 W1,1 W1,2 W1,3
0,457 0,855 0,165 0,311
c. Menentukan nilai parameter learning rate dan maksimum epoch.
• Learning rate (α): 0,1
d. Dilakukan iterasi selama epoch < maksimal epoch e. Lakukan langkah fase forward
• Hitung nilai Z_netj pada lapisan tersembunyi dengan menggunakan Persamaan 2.1 menggunakan fungsi aktivasi, pada contoh ini menggunakan fungsi aktivasi sigmoid, seperti pada Persamaan 2.2.
Z1 = 1
• Hitung nilai y_netk pada node di output layer dengan menggunakan Persamaan 2.3.
y_net1 = Z0 * W1,0 + Z1 * W1,1 + Z2 * W1,2 + Z3 * W1,3
= 1 * 0,457 + 0,607 * 0,875 + 0,177 * 0,569 + 0,648 * 0,314 = 0,457 + 0,531125 + 0,598588 + 0,203472
= 1,790185
30
• Kemudian hitung nilai keluaran y_netk pada node di output layer menggunakan fungsi aktivasi sigmoid, yang ditunjukkan pada Persamaan 2.4.
y_net1 = 1
1+𝑒−𝑦_𝑛𝑒𝑡1 = 1
1+𝑒−1,790185 = 1
1+0,167 = 0,857 f. Lakukan langkah –langkah pada fase backward.
• Hitung faktor ᵟ di unit keluaran 𝑦𝑘 dengan menggunakan Persamaan 2.5. output layer) dengan menggunakan Persamaan 2.6.
∆𝑤1,0= 0,1 * 0,03 * 1 = 0,003
• Hitung faktor ᵟpada unit tersembunyi dengan menggunakan Persamaan 2.8.
ᵟ1 = ᵟ_𝑛𝑒𝑡1(1-𝑧1)
= 0,02565 ∗ 0,655 (1 − 0,655)
= 0,0058 layer) dengan menggunakan Persamaan 2.9
∆Vi, j = α * ᵟj* Xi
Pada tahap ini keluaran yang dihasilkan berupa gerakan tangan secara real Time yang akan membaca EMG data dari Myo Gesture Control Armband yang digunakan pada lengan pengguna atau penderita autism. Gerakan yang dikeluarkan adalah OK, Fist, Like, Rock, dan Spock. Adapun selain kelima gerakan tersebut, sistem akan mengeluarkan gerakan relax jika pengguna tidak melakukan gerakan yang sudah ditetapkan.
32
3.2.5. Hasil Evaluasi
Pada tahap ini, gerakan yang sudah diprediksi dan telah dilakukan oleh pengguna maka gerakan tersebut disimpan dalam database untuk selanjutnya ditampilkan yang berupa grafik perkembangan gerakan yang telah dilakukan dalam satu hari, dalam tahap ini pengguna dapat melihat grafik perkembangan per hari dan dapat dilihat sampai satu bulan penuh atau lebih.