@article{Parlindungan_Rizaldi_2020, title={Identifikasi dan Klasifikasi Gestur Tangan dengan Sinyal EMG}, url={https://senter.ee.uinsgd.ac.id/repositori/index.php/prosiding/article/view/senter2019p27}, abstractNote={<p>Penelitian ini dilatarbelakangi keinginan untuk membantu orang-orang yang mengalami keterbatasan fisik, terutama ketika menggunakan tangan, melalui pengembangan tangan buatan (hand prosthesis). Masalah utama pada hand prosthesis adalah bagaimana mengembangkan metoda untuk mengidentifikasi dan mengklasifikasikan sinyal EMG untuk dapat mengenali gerakan tangan. Pada penelitian ini, sinyal EMG diperoleh dari dataset UCI Machine Learning yang diakuisisi menggunakan sensor MYO Thalmic Bracelet. Dataset yang diambil terdiri dari 10 subyek sebagai data training dan 4 subjek sebagai data uji dimana masing-masing subjek melakukan enam gerakan isyarat tangan, seperti Hand Rest, Hand Fist, Wrist Extention, Wrist Flexion, Radial Deviation, dan Ulnar Deviation. Ekstraksi ciri dilakukan menggunakan metoda densitas spektral daya (PSD) melalui perata-rataan (mean average value) dan klasifikasi menggunakan 3 metoda sebagai komparasi, yaitu Support Vector Machine (SVM), Convolutional Neural Network (CNN) dan Random Forest (RF). Hasil penelitian menunjukkan bahwa akurasi prediksi gerakan gesture tertinggi menggunakan metoda CNN, dengan hasil tiap gesture diatas 80%. Dilain pihak metoda SVM dan RF menunjukkan hasil yang relatif sama.</p>}, journal={Prosiding Seminar Nasional Teknik Elektro UIN Sunan Gunung Djati Bandung}, author={Parlindungan, Robinsar and Rizaldi, Mochammad}, year={2020}, month={Mar.}, pages={242–249} }