Analisis Parameter Jendela STFT Pada Klasifikasi Gerakan Jari Berbasis Sinyal EMG

Rohadi Widagdo, Diyah Utami Kusumaning Putri, S.Kom., M.Sc., M.Cs. ; Catur Atmaji, S.Si, M.Cs

2023 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Spectrogram adalah alat penting dalam analisis sinyal, khususnya untuk menganalisis sinyal Elektromiografi (EMG) yang berfluktuasi dalam waktu. Kualitas representasi spectrogram dari sinyal EMG sangat dipengaruhi oleh pengaturan parameter dalam metode Short Time Fourier Transform (STFT) seperti window size, hop size, dan window type. Dalam konteks pengenalan gerakan jari, pemilihan parameter-optimal menjadi tantangan utama, sebab perubahan kecil dalam sinyal EMG dapat berdampak signifikan pada akurasi pengenalan. Maka, setiap parameter STFT akan mempengaruhi kualitas spectrogram, sehingga diperlukan penelitian untuk menemukan parameter yang optimal.

Penelitian ini akan menggunakan model deep learning AlexNet untuk melakukan pengenalan pada data input spectrogram hasil dari sinyal EMG yang telah diproses menggunakan metode STFT dengan berbagai kombinasi parameter STFT (window size, hop size, dan window type) dari lima gerakan jari manusia.

Hasil eksperimen menunjukkan kombinasi parameter dengan window size 100, hop size 50%, dan window type Hamming memiliki peforma terbaik dari keseluruhan kombinasi parameter yang berjumlah 36 kombinasi. Analisis setiap parameter menunjukkan bahwa window size 100 secara rata-rata lebih baik daripada 200 dan 300, sementara Hop Size 50% secara rata-rata lebih baik daripada 25?n 75%. Selain itu, window type Hanning secara rata-rata tampil lebih baik daripada Hamming, Blackman, dan Tukey dalam semua kombinasi parameter

Spectrogram is important tool in signal analysis, especially for analyzing Electromyography (EMG) signals that fluctuate over time. The quality spectrogram representation of EMG signals is highly influenced the parameter settings in Short Time Fourier Transform (STFT) method, such as window size, hop size, and window type. In context, finger motion recognition, selecting the optimal parameters is a major challenge because small changes in EMG signals can significantly impact recognition accuracy. Each STFT parameter will affect the quality of spectrogram, necessitating research to find the optimal parameters.

This research will utilize deep learning model, AlexNet, to perform recognition on input data spectrograms generated from processed EMG signals using various combinations STFT parameters (window size, hop size, and window type) for five human finger movements.

The experimental results show the parameter combination with Window size of 100, Hop Size of 50%, and Hamming window type has the best performance out of all 36 parameter combinations. Analysis of each parameter shows that Window size of 100 is on average better than 200 and 300, while Hop Size of 50% is on average better than 25% and 75%. Additionally, Hanning window perform on average better than Hamming, Blackman, and Tukey in all parameter combinations

Kata Kunci : Sliding Window, STFT, EMG, AlexNet