Pengembangan Sistem Kendali Robot Manipulator 4-DoF Berbasis Artefak EEG dan Image Processing untuk Pengambilan Objek Menggunakan Metode CNN

Saputra, Mustofa Akhlis (2026) Pengembangan Sistem Kendali Robot Manipulator 4-DoF Berbasis Artefak EEG dan Image Processing untuk Pengambilan Objek Menggunakan Metode CNN. S1 thesis, Universitas Andalas.

	Text (01. Cover & Abstrak) 01. Cover & Abstrak.pdf - Published Version Download (98kB)
	Text (02. BAB I) 02. BAB I.pdf - Published Version Download (68kB)
	Text 03. BAB IV.pdf - Published Version Download (43kB)
	Text (Daftar Pustaka) 04. Daftar Pustaka.pdf - Published Version Download (392kB)
	Text (05. Skripsi Fulltext) 05. Skripsi Fulltext.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Sistem robot manipulator memiliki potensi strategis sebagai teknologi asistif untuk membantu individu dengan keterbatasan mobilitas motorik berat, khususnya penyandang tetraplegia. Penelitian ini bertujuan mengembangkan sistem kendali robot manipulator 4-Degree of Freedom (4-DoF) yang mengintegrasikan klasifikasi artefak Electroencephalography (EEG) dan image processing untuk mengeksekusi tugas pengambilan objek secara otomatis. Sinyal kendali diekstraksi dari artefak okular (lirikan mata) dan artefak muskular (kontraksi rahang), yang diklasifikasikan menggunakan metode 1-Dimensional Convolutional Neural Network (1D-CNN). Penggunaan arsitektur 1D-CNN memungkinkan pengenalan lima kelas pola sinyal secara otomatis dengan ketahanan tinggi terhadap noise, guna memfasilitasi kendali Direct Command Mapping yang intuitif. Sistem visi berbasis dua kamera ortogonal diterapkan untuk mendeteksi objek target menggunakan segmentasi ruang warna Hue, Saturation, Value (HSV) dan menentukan koordinat spasialnya secara dinamis. Koordinat tersebut kemudian dikonversi menjadi pergerakan sendi robot menggunakan algoritma inverse kinematics. Hasil pengujian menunjukkan bahwa model 1D-CNN mampu mencapai akurasi klasifikasi sebesar 98,67% dengan waktu inferensi 10,41 milidetik per epoch. Algoritma Inverse Kinematics dan pengolahan citra mencatatkan presisi tinggi dengan rata-rata total Euclidean error hanya sebesar 4,34 mm. Pengujian sistem secara terintegrasi (end-to-end) mencetak tingkat keberhasilan pengambilan objek sebesar 86,67% dengan waktu respons total 10,44 detik. Integrasi BCI berbasis CNN dan sistem visi komputer ini terbukti mampu menciptakan solusi kendali robot yang responsif, presisi, dan efektif untuk memulihkan kemandirian fungsional penyandang disabilitas.

Actions (login required)

View Item