Brain Computer Interface untuk Menggerakkan Robot Menggunakan Recurrent Neural Network

  • Mohamad Reza Aditya Putra Universitas Jenderal Achmad Yani
  • Esmeralda C. Djamal Universitas Jenderal Achmad Yani
  • Ridwan Ilyas Universitas Jenderal Achmad Yani
Abstract views: 309 , PDF 205-211 downloads: 178

Abstract

ABSTRAKS

Menggerakkan sesuatu adalah salah satu aktivitas yang dilakukan dengan menggunakan otak. Bagi seorang berkebutuhan khusus terutama tuna daksa, hal tersebut sangat sulit dilakukan dengan kondisi ketidakmampuan anggota tubuh dalam melaksanakan fungsinya secara normal.Keterbatasan seorang tuna daksa dapat dibantu dengan penggunaan pikiran untuk menggerakkan suatu benda tanpa melibatkan otot dan gesture. Teknologi semacam ini disebut dengan Brain Computer Interface (BCI). Dengan menggunakan perangkat intermediet seperti Elektroensephalogram, BCI mampu menerjemahkan sinyal gelombang yang dihasilkan oleh otak menjadi perintah. Untuk mendapatkan variable pikiran seseorang, dalam menggerakkan benda, diperlukan pelatihan dan pembelajaran menggunakan Recurrent Neural Networks (RNNs). Data pelatihan tersebut didapatkan dari 20 orang naracoba dengan kondisi sehat, dilakukan perekaman sebanyak 5 kali dalam 1 menit, dan dilakukan perulangan sebanyak 5 kali. Model komputasi ini akan diterapkan dalam perangkat lunak berbasis BCI dan akan terhubung dengan microcontroller melalui perangkat tambahan yaitu modul bluetooth agar dapat lebih mudah untuk menggerakkan robot. Penelitian ini telah membangun perangkat lunak BCI untuk menggerakkan robot. Sinyal EEG yang ditangkap dan diidentifikasi menggunakan Recurrent Neural Network untuk mendapatkan lima kelas yaitu maju, mundur, kanan, kiri, dan berhenti. Pengujian dilakukan dengan 600 data dimana 480 untuk data latih dan 120 untuk data uji dan dengan learning rate 0.01 sebesar 91%, learning rate 0.02 sebesar 77%, learning rate 0.03 sebesar 64%, learning rate 0.04 sebesar 63% dan learning rate 0.05 sebesar 55%. Hasil pengujian akurasi RNN per 2 kanal didapatkan bahwa pada kanal AF3 & AF4 didapatkan akurasi sebesar 68% dan kanal T7 & T8 didapatkan akurasi sebesar 60%.

Kata Kunci: Tunadaksa, Brain Computer Interface, Elektroensephalogram, Menggerakkan Benda, Recurrent Neural Network.

Downloads

Download data is not yet available.

References

Abdullah, M. Y., Djamal, E. C., & Renaldi, F. (2016). Aksi Game Arcade Berdasarkan Pikiran Menggunakan Filter Fast Fourier Transform dan Learning Vector Quantization. Seminar Nasional Aplikasi Teknologi Informasi (SNATi) , 17 - 22.

Alshbatat, A. I., Vial, P. J., Premaratne, P., & Tran, L. C. (2014). EEG-based brain-computer interface for automating home appliances . Journal of Computers, 9(9), 2159 - 2166.

Efendi, M. (2006). Penyesuaian Diri pada Remaja Tunadaksa Bawaan. Jakarta: Bumi Aksara.

Guler, N. F., Ubeyli, E. D., & Guler, I. (2005). Recurrent Neural Networks Employing Lyapunov Exponents for EEG Signals Classification. Expert Systems with Applications (29), 506-514.

Hindarto, Hariadi, M., & Purnomo, M. H. (2011). Identifikasi Sinyal Elektrode Enchepalo Graph Untuk Menggerakkan Kursor Menggunakan Teknik Sampling Dan Jaringan Syaraf Tiruan .Jurnal Ilmiah KURSOR , 6(1), 11-18.

Mahardhika, W. A., Husni, M., & Pratomo, B. A. (2014). Pengendalian Robot Berbasis IP Melalui Jaringan Wi-Fi Menggunakan Perangkat Mobile Android . JURNAL TEKNIK POMITS , 2(1), 1-5.

Nurmadyansyah, R. F., & Arifin, A. (2014). Perancangan dan Implementasi Sistem Kendali Robot Tangan Prensilia. JURNAL TEKNIK POMITS , 3(1), F1-F6.

Rizal, A. A., & Wijaya, S. K. (2016). PENGENDALIAN GERAK MOBILE ROBOT BERBASIS BCI (BRAIN COMPUTER INTERFACE). Prosiding Seminar Nasional Fisika (E-Journal) SNF2016 , V, 1-6.

Shanmugapriya, T., & Senthilkumar, S. (2014). Robotics and the Brain-Computer Interface System: Critical Review for Manufacturing Application. International Journal of Innovative Research in Computer and Communication Engineering, 2(2), 2929-2935.

SuwichaJirayucharoensak, SethaPan-Ngum, & PasinIsrasena. (2014). EEG-Based Emotion Recognition Using Deep Learning Network with Principal Component Based Covariate Shift Adaptation. The Scienti?c World Journal , 2(1), 1-10.

Utami, E. R. (2012). Antibiotika, Resistensi, Dan Rasionalitas Terapi. Saintis, 1(1), 124-138.

Varghese, G., James, J., Joseph, L., John, M. K., Mathew, S., & Ramachandhran, S. (2015). Human Robot Cooperative System Based on Non-invasive Brain Computer Interface. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering, 4(1), 118-123.

Wibisono, M. R., & Findawati, Y. (2010). Game Motorik Untuk Pendidikan Anak Berkebutuhan Khusus (Tuna Grahita) Berbasis Android.Informatika, I(6), 20-29.

Widiyanto, A., & Nuryanto. (2015). Rancang Bangun Mobil Remote Control Android dengan Arduino. Citec Journal, 3(1), 50-61.

Yu, D., & Deng, L. (2015). Automatic Speech Recognition A Deep Learning Approach. USA: Springer.

Yulianto, E., Susanto, A., T. S., & Wibowo, S. (2013). Spektrum Frekuensi Sinyal EEG Terhadap Pergerakan Motorik dan Imajinasi Pergerakan Motorik . Forum Teknik, 35(1), 21-32.

Published
2018-11-01