KLASIFIKASI SINYAL EMG BERBASIS WAVELET DAN JARINGAN SYARAF TIRUAN

ikhwan mustiadi, Prof. Dr. Thomas Sri Widodo, D.E.A

2013 | Tesis | S2 Mag.Teknik Instrumentasi

Sinyal Electromyograph (EMG) adalah sinyal biomedis yang tak-stasioner, sehingga sulit untuk menentukan polanya. Metode yang biasanya digunakan untuk analisis sinyal adalah Fast Fourier Transform (FFT), tetapi memiliki sejumlah kekurangan karena membutuhkan sinyal yang stabil. Untuk menjawab kekurangan ini digunakan transformasi wavelet, khususnya transformasi wavelet diskrit yang dapat menganalisis sinyal baik dalam ranah waktu maupun frekuensi. Metode yang digunakan pada penelitian ini adalah transformasi wavelet untuk analisis sinyal dengan melakukan dekomposisi sampai level 7 menggunakan wavelet symlet 8. Hasil ekstraksi ciri ini digunakan sebagai masukan Jaringan Syaraf Tiruan (JST) jenis perambatan balik dengan arsitektur 8 unit lapisan input, 5 unit lapisan tersembunyi dan 3 unit lapisan output. JST dapat mengenali pola sinyal EMG dengan arsitektur ini dengan tingkat keberhasilan 74% untuk sinyal EMG sehat, 96% untuk sinyal EMG myopathy dan 84% sinyal EMG neuropathy. Sehingga arsitektur ini diusulkan untuk klasifikasi sinyal EMG.

Electromyograph (EMG) Signal is a biomedical signal that non-stationary, making it difficult to determine a pattern. The method is usually used for signal analysis is the Fast Fourier Transform (FFT), but has a number of lack of due have to stable signal. To answer this deficiency used wavelet transform, especially discrete wavelet transform to analyze signals in both time and frequency domains. The method used in this study is the wavelet transform for signal analysis by decomposition up to level 7 using wavelet symlet 8. Results of feature extraction is used as input Neural Network (ANN) with back propagation architecture type 8 units of input layer, 5 units of hidden layer and 3 units of output layer ANN can recognize patterns of EMG signals with the architecture of the EMG signal success rate for a healthy 74%, myopathy 96% and neuropathy 84%. So that the architecture is proposed for classification EMG signals.

Kata Kunci : Electromyograph, Wavelet, Jaringan Syaraf Tiruan