JurnalElektroPENS

www.journal.eepis-its.edu

Teknik ElektronikaVol.1, No.1, 2012

Politeknik Elektronika Negeri Surabaya

PENGOLAHAN SINYAL ELEKTROMYOGRAPHY PADA LENGAN DENGAN METODE NEURAL

NETWORK UNTUK MENGGERAKKAN LENGAN ROBOT 3 DOF

Rachim Choirul Nisak, Paulus S, Kemalasari

Program Studi D4 Teknik ElektronikaDepartemen Teknik Elektro

Politeknik Elektronika Negeri SurabayaKampus PENS, Jalan Raya ITS Sukolilo, Surabaya 60111

Tel: (031) 594 7280; Fax: (031) 594 6114Email:cantik@student.eepis-its.edu, paulus@eepis-its.edu

Abstrak

Pada saat ini, banyak ditemukan metode pada pembuatan lengan robot namun masih banyak terjadi error pergerakan lengan robot yang dihasilkan, Sehingga penulis pada kali ni menggunakan metode Neural Network dalam pengolahan sinyal elektromiographi untuk menggerakkanlengan robot 3 dof. Dimana neural network merupakan suatu metode jaringan syaraf tiruan yang cara kerjanya meniru cara kerja otak makhluk hidup yang dapat menyelesaikan persoalan yang rumit atau tidak mungkin jika diselesaikan dengan menggunakan komputasi secara konvensional. Jaringan syaraf dapat mengatur dirinya untuk menghasilkan suatu respon yang konsisten terhadap rangkaian masukan. Jaringan syaraf tiruan dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh manusia. Sehingga dari ekstraksi sinyal yang akan di deteksi oleh manusia. Sehingga dari ekstraksi sinyal yang akan di deteksi oleh neural network akan memberikan keputusan gerakan yang lebih presisi.Kata kunci: Elecktromyography Signal, Jaringan Syaraf Tiruan.

1. Pendahuluan

Perkembangan ilmu pengetahuan dan teknologi saat ini berjalan cepat dan berdampak pada perkembangan teknologi khususnya di bidang elektronika, utamanya biomedical engineering. Penelitian tentang EMG (Electromyography) yang merupakan salah satu dari ilmu biomedical engineering itu

1 ISSN

Jurnal Elektro PENS, Teknik Elektronika, Vol.1, No.1, (2023)

sendiri telah berkembang cepat. Penelitian tentang EMG untuk aplikasi biosignal dalam kontrol buatan pada manusia maupun untuk mendeteksi kelainan aktifitas otot. Hal ini diakibatkan karena adanya potensial dan motor unit yang dapat dibangkitkan oleh kontraksi otot. Beberapa penelitian mengenai elektromiografi untuk aplikasi control buatan telah banyak dikembangkan, antara lain:

1. Biosignal Based Human – Machine Interface for Robotic Arm.2. Upper-Arm EMG-based Robot Control System

Pada tugas akhir kali ini, mencoba meneliti dan memanfaatkan sinyal elektrik yang ada di dalam tubuh manusia agar dapat digunakan sebagai input untuk menggerakkan lengan robot dengan menggunakan suatu metode Neural Network. Munculnya sinyal elektrik ini dibangkitkan oleh aktifitas neuromuscular. Pemanfaatan pergerakan sederhana pada lengan sehingga otot berkontraksi menimbulkan sinyal elektrik yang kemudian dijadikan sebagai input pada lengan robot.

Pada literatur sebelumnya yang pernah dibuat yaitu pegolahan sinyal elektromyograpy pada lengan untuk menggerakkan lengan robot 3 dof, dilakukan dalam sisi hardware yaitu dengan menggunakan rangkaian comparator, rangkaian one shoot multivibrator, dan rangkaian logika. Namun pada hasilnya pergerakan sudut antara lengan yang digerakkan dengan lengan robot tiruan terdapat error yang cukup besar pada masing-masing gerakan lengan, yaitu pada saat gerak lengan fleksi dan ekstensi pada shoulder joint terdapat error sebesar 2,6%, pada saat gerak fleksi dan ekstensi pada elbow joint terdapat error sebesar 6.25%, dan pada saat gerak abduksi dan adduksi pada shoulder joint terdapat error sebesar 4.5%.

Sehingga pada tugas akhir ini, mencoba meneliti menggunakan metode Neural Network untuk membandingan hasil dari outputan tiap-tiap gerakan lengan dan memperkecil nilai error. Karena metode neural network merupakan merupakan suatu metode jaringan syaraf tiruan yang cara kerjanya meniru cara kerja otak makhluk hidup yang dapat menyelesaikan persoalan yang rumit atau tidak mungkin jika diselesaikan dengan menggunakan komputasi secara konvensional. Jaringan syaraf dapat mengatur dirinya untuk menghasilkan suatu respon yang konsisten terhadap rangkaian masukan. Jaringan Syaraf Tiruan dirancang dan dilatih untuk memiliki kemampuan seperti yang dimiliki oleh manusia. Sehingga dari ektraksi sinyal yang akan di deteksi oleh neural network akan memberikan keputusan gerakan yang lebih bagus.

1. Metode

Perancangan sistem dari proyek akhir ini mempunyai konfigurasi blok diagram system dengan alur kerja plant / sistem sebagai berikut :Secara keseluruhan blok diagram sistem akan ditunjukkan pada gambar 1

Gambar 1. Blok Diagram Sistem

7 ISSN

Feature Extractor

Neural Network

To Robot

Visual Basic

KeputusanGerakan

EMG Signal EMG Amplifier Data Acquisition

Jurnal Elektro PENS, Teknik Elektronika, Vol.1, No.1, (2023)

Gambar diatas merupakan blok diagram dari seluruh sistem. Pada tahap pertama yaitu pengambilan sinyal elektromyograph dari pergerakan otot manusia yang diambil pada gerak flexion dan extension pada shoulder joint dan elbow joint serta gerak abduction dan adduction pada shoulder joint dengan menggunakan elektroda yang diletakkan pada tiap-tiap titik tertentu. Setelah ketiga jenis gerakan telah diketahui bentuk-bentuk sinyalnya kemudian akan melwati rangkaian EMG Amplifier yang dimana rangkaian instrumentation Amplifier digunakan untuk memperkuat sinyal dari tranduser output tingkat rendah di lingkungan yang bising. Dan amplifier instrumentasi yang ideal adalah mendeteksi perbedaan potensial pada input, maka noise atau voltage drops akan di reject sebelum memasuki amplifier.

Setelah Vout diketahui maka sinyal akan masuk ke rangkaian akuisisi data yang dimana telah diketahui sensor electrode EMG menggunakan 8 titik non invasive electrode atau surface Electrode yang terhubung ke rangkaian pengkondisi sinyal dan ADC. Pada saat sinyal sudah tersimpan pada mokrokontroler selanjutnya sinyal-sinyal akan dimasukkan ke dalam rumusan feature extractor yaitu MAV, VAR, BZC, dan WAMP, setelah diketahui perhitunganya maka sinyal akan dikelompokkan menjadi beberapa jenis pada metode Neural Network untuk membedakan berbagai jenis gerakan yang telah di tentukan.. Sehingga akan diperoleh keputusan gerakan gerakan lengan yang berbeda-beda. Perbedaan gerakan-gerakan tersebut akan ditampilkan kedalam software visual basic yang selanjutnya akan diolah untuk inputan lengan robot.

2.1. Perancangan Hardware2.1.1. Rangkaian Instrimentrasi

Pada tugas akhir ini perekaman sinyal elektromiografi tidak dilakukan dengan menggunakan BIOPAC MP-30, tetapi menggunakan rangkaian instrumentasi dengan tiga Operational Amplifier yang sudah menjadi satu dalam bentuk Integrated Circuit (IC). Penggunaan rangkaian instrumentasi ini dikarenakan instrumentation Amplifier biasanya digunakan untuk memperkuat sinyal dari tranduser output tingkat rendah di lingkungan yang bising. Dan amplifier instrumentasi yang ideal adalah mendeteksi perbedaan potensial pada input, maka noise atau voltage drops akan di reject sebelum memasuki amplifier. Rangkaian instrumentasi ditunjukkan pada gambar 2

Gambar 2. Rangkaian Instrumentasi pada Integrated Circuit

1.2 Perancangan Software

1.2.1. Komponen Input Pada Neural Network

Komponen input pada neural network berasal dari beberapa fitur ekstraksi,yaitu1. Varience (VAR)

7 ISSN

Jurnal Elektro PENS, Teknik Elektronika, Vol.1, No.1, (2023)

Fitur ekstraksi VAR berfungsi untuk menentukan kekuatan otot atau level kontraksi dari otot. Dimana VAR mempunyai rumusan sebagai berikut :

Keterangan :N = banyaknya sample data yang diambili = Data ke ix = data sampling

2. Bias Zero Crossing (BZC)Fitur ekstraksi BZC berfungsi untuk menghitung jumlah sinyal yang melewati bias nol

sehingga memberikan informasi frekuensi dari sinyal EMG. Dimana BZC mempunyai rumusan sebagai berikut :

Keterangan :x= data sampling

3. WAMPFitur ekstraksi WAMP berfungsi untuk menghitung banyaknya amplitudo sinyal

melebihi threshold yang ditentukan. Informasi ini untuk menentukan tingkat level kontraksi otot.

Gambar3. Struktur Neural Network

7 ISSN

Jurnal Elektro PENS, Teknik Elektronika, Vol.1, No.1, (2023)

HasilPada bagian ini akan dipaparkan beberapa hasil dari pengujian dari bagian-bagian penyusun

sistem. Selain itu, juga akan dipaparkan hasil uji coba dan analisa dari sistem pengolahan sinyal elektromyography secara keseluruhan.

Pengujian Rangkaian InstrumentasiHasil tampilan dari pengujian rangkaian instrumentasi dengan menggunakan oscilloscope dan

Biopac MP30 dapat dilihat pada gambar 5 dan gambar 6:

Gambar 4. Rangkaian intrumentasi menggunakan INA114AP dengan gain 24 kaliSetelah diuji dengan function rankaian dapat bekerja dengan baik kita uji lagi dengan

menggunakan elektrode, berikut ini gambar dari penangkapan sinyal otot oleh rangkaian instrumentasi :

Gambar 5. Output rangkaian instrumentasi input dari sinyal otot saat gerakan fleksion

Gambar 6. Perbandingan output rangkaian instrimentasi dengan menggunakan Biopac MP30

7 ISSN

Jurnal Elektro PENS, Teknik Elektronika, Vol.1, No.1, (2023)

Gambar 7. Contoh peletakan elektrode pada lengan saat gerakan fleksion,(1) positif, (2) ground, (3)negatif.

Dari gambar 5 dan gambar 6 angka 1 pada gambar merupakan sinyal saat otot dalam keadaan relaks (ekstention) sedangkan gambar 2 merupakan gambar saat gerakan fleksion. Sinyal akan muncul ketika ada gerakan yang dilakukan atau saat otot berkontraksi, namun ketika gerakan ekstention tidak ada sinyal yang muncul. Dari gambar 6 sinyal yang diperoleh saat melakukan gerakan fleksion dengan kuat di dapatkan nilai amplitudo rata-ratanya sebesar 5,032 mV. Sedangkan pada gambar 4.30 didapatkan amplitudo rata-rata sebesar 1,424 mV saat gerakan ekstention.

bentuk grafik antara nilai Vout ukur dengan Vout teori.

Gambar 8. Grafik perbedaan Vout ukur dan Vout teori

Dari gambar 8. grafik perbedaan antara Vout ukur dan teori hamper tidak terlihat bedanya karena range perbedaannya relative kecil.

Gambar 9. Output rangkaian instrumentasi saat volt/div 1 Volt

Pada gambar 9. merupakan sinyal dari rangkaian insrumentasi yang dimana pada rangkaian tersebut diberikan inputan sebesar 92 mv, sehingga outputan yang di hasilkan dengan gain sebesar 24 kali maka Vout = Vinput x Gain, sehingga (92 mv x 24 =2,3V), namun pada pengujian rangkaian 7 ISSN

12

3

Out=2,44 V

In=92 mv

Jurnal Elektro PENS, Teknik Elektronika, Vol.1, No.1, (2023)

menghasilkan output sebesar 2,44 V sehingga terdapat error sebesar 6%. Pada grafik error diatas, didapatkan error rata-rata sebesar ±5%. Error ini dapat terjadi dikarenakan adanya toleransi komponen yang dipakai,ketidak telitian saat pembacaan data sinyal, ataupun jenis komponen yang digunakan.

2. Diskusi

Setelah melakukan pembuatan dan pengujian alat pada Proyek Akhir ini, ada beberapa hal yang diharapkan untuk kedepannya jika penelitian ini dikembangkan. Harapan tersebut seperti penyempurrnaan Hardware dan metode yang digunakan sehingga dihasilkan suatu alat yang mempunyai tingkat akurasi dan validasi yang tinggi.

.

3. Kesimpulan

Setelah melakukan tahap perancangan dan pembuatan sistem yang kemudian dilanjutkan dengan tahap pengujian dan analisa dari sistem yang telah selesai dikerjakan, maka dapat diambil kesimpulan sebagai berikut :

1. Dari keseluruhan rangkaian telah dapat menangkap sinyal otot dari elektrode, dimana setiap gerakan berbeda akan memiliki nilai amplitudo yang berbeda yang dapat digunakan untuk mengendalikan arah gerak dari robot.

2. Karakteristik dari filter Notch, LPF dan HPF telah sesuai dengan teori dimana saat frekuensi cutoff tegangan output mulai turun sedang untuk HPF tegangan output naik dan untuk filter Notch tegangan akan turun saat frekuensi cutoff, sebelum dan sesudah frekuensi cutoff tegangan akan naik..

3. Pada rangkaian penguat terjadi error rata-rata sebesar 2.9647 %. Pada rangkaian ini masih bisa dipakai karena error yang dihasilkan relative kecil.

Referensi

[1] Saravanan, N. and Kazi M.S., Mr. Mehboob., Biosignal Based Human – Machine Interface for Robotic Arm. Madras Institute of Technology.

[2] Hsiu-Jien Liu and Kuu-Young, Upper-Arm EMG-based Robot Control System Vol.12, No 3, September 2010.

[3] http://binhasyim.wordpress.com/2008/04/04/fungsi-unit-motor-elektromiografi-bag4/[4] Quach, Jee Hong. 2007. Surface Electromyography: Use, Design & Technological Overview.

Concordia University.[5] Susianti, M., 2009. Identifikasi Sinyal Electromyography (EMG) Pada Gerak Ekstensi – Flexi Siku

Dengan Metode Konvolusi dan Jaringan Saraf Tiruan Untuk Input Robot Lengan. Politeknik Elektronika Negeri Surabaya – Institut Teknologi Sepuluh Nopember. Surabaya.

[6] Tetik Nilayanti. Rancang Bangun Modul EEG untuk Pengklasifikasian keadaan sters dengan FIR. Tugas Akhir. Politeknik Elektronika Negeri Surabaya. 2009, Surabaya

[7] S. Kusuma Wijaya. Filter pasif. FMIPA UI. Jakarta 2002.[8] Datasheet Atmega 8535-atmel.[9] journal.mercubuana.ac-2 op-amp.

7 ISSN