Departemen Teknik Komputer FTI Institut Teknologi Sepuluh Nopember Fakultas Teknologi Elektro - ITS TJ41501 TUGAS AKHIR - 3 SKS Nama Mahasiswa : Novita Tristianti Nomor Pokok : 2913 100 010 Bidang Studi : Telematika Tugas Diberikan : Gasal 2016/2017 Dosen Pembimbing : 1. Dr. Adhi Dharma Wibawa, ST., MT. 2. Dr. Diah Puspito Wulandari, ST., M.Sc Judul Tugas Akhir : Kontrol Arah Motor Listrik Berdasarkan Aktivasi Gerakan Otot Lengan Bawah Menggunakan Metode HMM (Simulasi Motor Listrik) Direction Controll of Electric Motor Based on Forearm Muscle Activation Using HMM (Electric Motor Simulation) Uraian Tugas Akhir: Sinyal Electromiography (EMG) merupakan sinyal listrik yang didapat dari aktivitas kontraksi otot dan berguna sebagai electrophysiological sinyal di bidang teknik dan kedokteran. Banyak implementasi sinyal EMG dalam bidang biomedik sebagai pengontrol perangkat prosthetics atau rehabilitasi dan interface machine learning. Namun, sinyal EMG memiliki banyak noise yang menjadi kendala utama dalam mencapai kinerja perangkat tersebut. Oleh karena itu, untuk menganalisa dan mengklasifikasi sinyal EMG dibutuhkan metodologi yang menghasilkan nilai akurasi tinggi. Pada Tugas Akhir ini mencoba membangun sistem yang mampu mengklasifikasikan sinyal gerakan pada otot lengan bawah dimana pada tahap pre-prosesing, noise yang didapat selama proses perekaman sinyal akan dihilangkan. Kemudian ekstraksi fitur dilakukan dengan menggunakan metode Autoregressive Model. Nilai fitur yang dihasilkan pada tahap sebelumnya diolah dan diklasifikasikan menggunakan metode HMM (Hidden Markov Model). Output dari hasil klasifikasi sinyal EMG ini kemudian diuji dengan simulasi motor listrik dengan harapan dapat digunakan sebagai pengontrol arah motor listrik yang sebenarnya. Dosen Pembimbing I Surabaya, 02 Maret 2017 Dosen Pembimbing II Dr. Adhi Dharma W, ST., MT. Dr. Diah Puspito Wulandari, ST., M.Sc NIP 1976 0505 2008 12 1003 NIP 19801219 200501 2 001 Mengetahui, Departemen Teknik Komputer FTE-ITS Kepala, Dr. I Ketut Eddy Purnama, ST., MT. NIP : 1969 07 30 1995 12 1001
A. JUDUL TUGAS AKHIR Kontrol Arah Motor Listrik Berdasarkan Aktivasi Gerakan Otot Lengan Bawah Menggunakan Metode HMM (Simulasi Motor Listrik) B. RUANG LINGKUP 1. Biomedik 2. Pengolahan Sinyal Digital 3. Artificial Intellegent C. LATAR BELAKANG Electromyography merupakan teknik merekam aktivitas sinyal listrik yang dihasilkan sel-sel otot pada saat aktif bergerak maupun istirahat menggunakan elektrode-elektrode yang dipasang menempel pada permukaan kulit. Sinyal EMG dianggap sebagai electrophysiological di bidang teknik dan kedokteran karena merupakan metode dasar untuk memahami kondisi normal dan patologis sel-sel otot pada saat kontraksi sehingga banyak dikembangkan sebagai media kontrol alat prosthetics[1]. Sebagai contoh pada pasien penderita stroke, kemampuan aktivasi ototnya berbeda dari manusia normal. Dengan membaca sinyal EMG dan mengolahnya sebagai input sebuah kontroller, akan membantu penderita stroke untuk melakukan aktivitas dengan alat bantu seperti kursi roda. Proses perekaman sinyal EMG juga dipengaruhi oleh berbagai noise karena adanya peralatan elektronik dan faktor fisiologis. Dibutuhkan metodologi yang presisi dalam menganalisa dan mengklasifikasi sinyal EMG untuk mendapatkan informasi yang diinginkan dan menghasilkan nilai akurasi tinggi. Oleh karena itu, pada Tugas akhir ini mencoba membangun sistem yang digunakan dalam mengklasifikasikan dan mengekstraksi fitur sinyal EMG. Sinyal EMG yang akan diklasifikasi merupakan hasil perekaman sinyal listrik otot-otot lengan bawah (forearm muscle). Pada tahap pre-prosesing, sinyal akan dihilangkan noise-nya menggunakan metode low-pass filter dan diekstraksi fiturnya menggunakan metode Autoregressive Model, kemudian pola yang didapat akan diklasifikasikan menggunakan metode Hidden Markov Model (HMM). Output dari klasifikasi sinyal EMG diharapkan dapat digunakan sebagai perintah kontrol arah kursi roda listrik bagi penderita stroke dan penyandang difabel. Sistem kontrol berdasarkan klasifikasi sinyal EMG biasanya dikenal sebagai sistem kontrol Myoelectronic(MCSs)[2]. D. PERUMUSAN PERMASALAHAN Permasalahan yang diangkat dari latar belakang adalah mengembangkan metode kontrol arah motor listrik berdasarkan sinyal EMG untuk membantu pasien stroke yang memiliki keterbatasan gerak dan penyandang difabel. E. BATASAN MASALAH Adapun batasan masalah dari pengerjaan tugas akhir ini adalah : 1. Menerima dan mengolah data sinyal respon otot lengan atas dari wearable device jenis EMG yang telah ada di pasaran (merk: Myo ArmBand). 2. Pengambilan sample data pada orang normal yang tidak memiliki keterbatasan gerak, dengan melakukan 2 gerakan tangan yaitu slide kanan dan slide kiri. 3. Melakukan proses klasifikasi terhadap sinyal EMG dari respon otot lengan bawah (forearm muscle) terhadap aspek arah menggunakan metode HMM sebagai media kontrol motor listrik. 4. Keluaran dari hasil klasifikasi sinyal EMG sebagai media pengontrol arah motor listrik berupa simulasi.
F. TUJUAN TUGAS AKHIR DAN MANFAAT Tujuan dari pengerjaan tugas akhir ini adalah mengklasifikasikan respon sinyal otot lengan bawah (forearm muscle) sehingga dapat digunakan sebagai media pengontrol arah motor listrik. G. DASAR TEORI DAN TINJAUAN PUSTAKA 1. EMG (Electromyography) EMG (Elektromyography) adalah teknik yang mencatat dan memantau aktifitas bioelektrik otot dengan output berupa sinyal. Otot yang merupakan organ gerak tubuh manusia yang bersifat otot lurik yaitu bersifat tidak sadar dan tidak teratur karena aktifitasnya bergantung pada kehendak pelaku. Prinsip kerja dari otot lurik atau otot gerak secara garis besar sama dengan otot jantung, perbedaannya yaitu dari asal rangsangan. Pada otot gerak tidak memiliki sifat otomatisitas. Pemicu rangsangan berasal dari otak kemudian disalurkan melalui syaraf. Proses memperoleh sinyal EMG dengan cara meletakkan elektrode sebagai media receiver. Elektrode diletakkan langsung pada permukaan kulit luar otot yang diamati. Sinyal yang diperoleh oleh elektrode merupakan sinyal acak dari otot yang bergerak maupun beristirahat. Karakteristik dari sinyal otot EMG mempunyai range frekuensi antara 20 Hz sampai 500 Hz dan range tegangan antara 0,4 V sampai 5 V, dan terdapat amplitudo yang tinggi apabila terjadi kontraksi[3]. 2. OTOT GERAK Rangka manusia dibentuk dan ditunjang oleh kumpulan sel-sel otot yang memiliki panjang rata-rata 10 cm, berdiameter 10-100 µm, dan merupakan fusi dari rumpun sel-sel mesodermal sehingga sel otot memiliki banyak inti. Pada penelitian ini fokus sinyal akan di klasifikasikan pada bagian otot lengan bawah (forearm muscle) dekat dengan jari-jari. Ada banyak otot yang menyusun lengan bawah. Pada bagian compartement (bagian terpisah) anterior, dibagi menjadi tiga kategori; dangkal (Superficial), menengah (Intermediate) dan jauh (Deep). 2.1 Kompartemen dangkal (Superficial Compartement) Lapisan Superficial dari lengan posterior berisi tujuh otot yang berasal dari tendon umum epikondilus lateral. Empat dari otot-otot tersebut adalah Ekstensor karpi radialis brevis, Ekstensor digitorum, Ulnaris ekstensor karpi, dan Ekstensor digiti minimi. Sedangkan otot-otot dangkal di compartement anterior adalah ulnaris fleksor carpi, palmaris longus, fleksor radialis carpi dan teres pronator. Semua berasal dari tendon epikondilus medial humerus. 2.2 Kompartemen Menengah (Intermediate Compartement) Fleksor digitorum superfisialis adalah satu-satunya penyusun otot compartement tengah, digolongkan sebagai otot dangkal. Otot bagian ini berada di lengan bawah. Median saraf dan arteri ulnaris melewati antara dua pangkal lengan hingga posterior. 2.3 Kompartemen Dalam/Jauh (Deep Compartement) Ada tiga otot di lengan bawah (forearm) pada bagian anterior dalam, yaitu flexor digitorum profundus, flexor pollicis longus, dan pronator quadratus. 3. EKSTRAKSI FITUR AUTOREGRESSIVE MODEL Autoregressive Model (AR) adalah bentuk regresi yang menghubungkan nilai-nilai sebelumnya pada time-log (selang waktu) yang bermacam-macam. AR model akan menyatakan suatu ramalan sebagai fungsi nilai-nilai sebelumnya dari time series tertentu. Model Autoregressive (AR) dengan order p dinotasikan dengan AR (p).
X t = 1 X t 1 + + p X t p + ε t (1) dengan, X t = nilai variable pada waktu t X t 1, X t 2,, X t p = nilai masalalu dari time series yang bersangkutan pada waktu t-1, t-2, t-p i = koefisien regresi i= 1,2,3,..,p ε i = nilai error pada waktu t p = orde AR Pada umumnya, order AR yang sering digunakan dalam analisi time series adalah p=1 atau p=2 yaitu model AR (1) dan AR (2), sebagai berikut X t = 1 X t 1 + ε t 1 1 BX t = ε t (2) X t = 1 X t 1 + 2 X 2 1 + ε t 1 1 B 2 B 2 X t = ε t (3) 4. KLASIFIKASI HIDDEN MARKOV MODEL Hidden Markov Model (HMM) adalah perkembangan dari rantai Markov dimana statenya tidak dapat diamati secara langsung (tersembunyi), tetapi hanya dapat diobservasi melalui himpunan pengamatan lain. HMM bersifat probabilistik yang baik digunakan pada data yang bersifat temporal sekuensial misalnya sinyal suara, sinyal digital, sekuen DNA dan sekuen asam amino[4]. Terdapat 3 permasalahan khusus yang dapat diselesaikan dengan metode HMM, yaitu evaluation, inference, learning. Klasifikasi sinyal EMG pada penelitian kali ini menggunakan metode HMM dengan permasalahan learning yaitu melatih dataset berdasarkan parameter HMM untuk menemukan himpunan transisi yang paling mungkin beserta probabilitas outputnya. Untuk menyelesaikan permasalahan learning, digunakan algorithma Baum-Welch. Algoritma ini secara umum berfungsi untuk menentukan nilai harapan dan maksimalisasi. Terdapat dua langkah kerja dalam logaritma ini, yaitu menghitung nilai probabilitas forward dan backward untuk setiap statement dan menentukan frekuensi dari pasangan transisi emisi dan membaginya dengan nilai probabilitas semua observasi. H. METODOLOGI PENELITIAN Tahapan penelitian perlu disusun agar proses penelitian dan uji kehandalan model klasifikasi dapat secara baik dan relevan diperoleh. Uji coba dilakukan dengan membandingkan hasil klasifikasi dengan data understanding yang dikehendaki. Berikut tahapan umum dari penelitian ini: 1 2 Pengumpulan dataset Pengambilan Sinyal EMG Pengukuran MVC Pre-prosesing Penghilangan noise menggunakan metode Low-pass-filter Ekstraksi fitur sinyal menggunakan metode Autoregressive Model
3 4 Pengolahan Sinyal Klasifikasi fitur menggunakan metode Hidden Markov Model Model Klasifikasi Pengujian hasil klasifikasi Confusion Matrix Dari diagram diatas dapat dijabarkan proses penelitian dilakukann dengan melalui beberapa tahapan umum, sebagaimana berikut: 1. Pengumpulan Dataset Pada tahap ini fokus pengumpulan data respon otot menggunakan wireable device jenis EMG dengan merk myo armband pada beberapa relawan (yang tidak memiliki kelainan otot) untuk mendapatkan respon dari sinyal otot lengan bawah (forearm muscle) yang bergerak dengan pola dan kecepatan tertentu. Pola dan kecepatan ditentukan agar dianggap sebagai dataset acuan bagi classifier sehingga model dari kelas yang diinginkan terpenuhi. Sebelum melakukan pengambilan data dengan melakukan pola pergerakan tertentu, responden akan diukur MVC (Maximum Voluntary Contraction) untuk mengenali sinyal yang diambil adalah sinyal EMG. Relawan yang dipilih adalah yang tidak memiliki keterbatasan gerak dengan melakukan 2 gerakan slide kanan dan slide kiri, masing-masing gerakan dilakukan sebanyak 5 percobaan. 2. Pre-prosesing Data dari dataset sinyal otot yang telah diperoleh karena masih mengandung noise, perlu dilakukan normalisasi untuk menghilangkan bagian-bagian yang tidak dibutuhkan menggunakan metode Low-pass-filter, dimana filter ini hanya melewatkan sinyal dengan frekuensi yang lebih rendah dari frekuensi cut-off (fc) dan akan melemahkan sinyal dengan frekuensi yang lebih tinggi dari frekuensi cut-off (fc). Kemudian, untuk mendapatkan bentuk pokok atau fitur dari data sinyal tersebut menggunakan metode Time Domain jenis Autoregressive Model. 3. Pengolahan Sinyal Fitur sinyal yang didapat dari normalisasi dataset, selanjutnya dilakukan proses klasifikasi menggunakan metode learning Hidden Markov Model (HMM) dengan mengasumsikan bahwa tiap atribut variabel masing-masing data bersifat bebas (independence). Sehingga tercipta model klasifikasi sebagai pemicu media kontrol tertentu. 4. Model Klasifikasi Teknik pengujian yang akan digunakan pada model klasifikasi yang terbentuk dari metode Hidden Markov Model, yaitu Confusion matrix. Confusion matrix merupakan metode yang menggunakan tabel matrik seperti dibawah ini: Predicted/False Class Tabel 1. Confusion Matrix True Class Positif Negatif Positif Jumlah True Positif (TP) Jumlah False Negatif (FP) Negatif Jumlah False Negatif (FN) Jumlah True Negatif (TN)
Jika data sel hanya terdiri dari dua kelas, kelas yang satu dianggap sebagai positif dan yang lainnya negatif. True Positive (TP) merupakan jumlah hasil pengujian positif yang diklasifikasikan benar oleh model classifier, false positive (FP) adalah jumlah hasil pengujian negatif yang diklasifikasikan benar. Sedangkan false negative (FN) jumlah hasil pengujian negatif yang diklasifikasikan salah. True negative adalah jumlah hasil pengujian positif yang diklasifikasikan salah oleh model classifier. Setelah data testing masuk pada tabel, maka dapat dihitung nilai-nilai dari sensitivity (recall), specificity, precision dan accuracy. Klasifikasi pada respon sinyal otot forearm ini menghasilkan binary class, oleh sebab itu digunakan perhitungan keakurasian menggunakan persamaan dibawah ini. Accuracy = TP+FN TP+TN+FN+FP I. JADWAL KEGIATAN Rencana Kegiatan Tugas Akhir yang akan dilaksanakan sebagaimana pada tabel 2. Jadwal Kegiatan Tugas Akhir. Tabel 2. Jadwal Kegiatan Tugas Akhir KEGIATAN BULAN 1 2 3 4 5 6 7 Pengumpulan Dataset Pre-prosesing Dataset Klasifikasi Dataset dan Simulasi Pengujian Model Klasifikasi Pembuatan Buku Tugas Akhir J. DAFTAR PUSTAKA [1] Rubana H. Chowdhury, Mamun B. I. Reaz, Mohd Alauddin Bin Mohd Ali, Ashrif A. A. Bakar, Kalaivani Chellappan and Tae. G. Chang. (2013), Surface Electromyography Signal Processing and Classification Techniques, Sensors Research, ISSN 1424-8220. [2] Phinyomark, A.; Hu, H.; Phukpattaranont, P.; Limsakul, C. (2012), Application of linear discriminant analysis in dimensionality reduction for hand motion classification. Meas. Sci. Rev. [3] Purnomo, Rini Dharmastiti, Lientje Setyowati. (2014), Letak Elektroda Elektromiografi pada Upper Extremity Muscle, Jogjakarta, Prosiding Seminar Nasional TEKNOIN 2014 ISBN 978-602-14272-1-7 [4] Prasetyo, Muhammad Eko Budi.(2010), Teori Dasar Hidden Markov Model, (online),<url:http://informatika.stei.itb.ac.id/~rinaldi.munir/probstat/2010-2011/makalah2010/makalahprobstat2010-025.pdf>, diakses tanggal 15 Oktober 2016