Amputasi merupakan tindakan lanjutan yang dilakukan apabila terjadi kematian jaringan pada anggota tubuh seseorang akibat kecelakaan, terjatuh, atau kasus Diabetes Mellitus. Amputasi dapat mempengaruhi seluruh aspek kehidupan penderitanya, terutama pada aspek pergerakan motorik sehari-hari. Prevalensi penduduk dunia yang mengalami amputasi pada tahun 2017 sebanyak 57,7 juta orang dengan penyebab terbesar adalah terjatuh, disusul kecelakaan lalu lintas dan kecelakaan mekanis. Menurut data Badan Pusat Statistik (BPS) pada tahun 2020, sebanyak 22,5 juta orang di Indonesia mengalami disabilitas, dengan 16% penderitanya mengalami kesulitan dalam menggunakan tangan. Selain itu, meningkatnya kasus Diabetes Melitus di Indonesia juga meningkatkan jumlah orang yang menjalani amputasi akibat komplikasi pada arteri perifer pasien. Pernyataan ini menunjukkan bahwa permintaan akan prostetik tangan semakin meningkat.

Penggunaan prostesis bagi penderita amputasi merupakan salah satu cara untuk memudahkan penderita dalam melakukan aktivitas sehari-hari dan meningkatkan kualitas hidupnya. Beberapa penelitian telah dilakukan untuk mengembangkan metode kontrol prostesis, seperti miokin-metrik, mekanomiografi, EMG, pengenalan suara, EOG, dan EEG. Penelitian-penelitian ini bertujuan untuk meningkatkan kemudahan dan kenyamanan pengguna prostetik. EEG telah mendapatkan perkembangan luas di antara beberapa metode pengendalian prostesis karena sinyal resolusi temporal yang tinggi, sifat non-invasif, dan kemudahan pemasangan. Namun EEG memiliki beberapa kekurangan, antara lain latensi sinyal yang rendah, pengaruh ketebalan tengkorak terhadap informasi yang muncul, dan kerentanan terhadap noise artifact.

Pengembangan Sistem Kendali Prostesis

Penelitian yang telah dikembangkan saat ini adalah mengenai klasifikasi gerakan pencitraan yang dapat digunakan untuk membantu pengembangan sistem kendali prostesis. Gerakan imagery merupakan simulasi mental saat seseorang membayangkan gerakan motorik tanpa harus menggerakkan bagian tubuhnya secara langsung. Daerah otak yang diaktifkan termasuk korteks motorik primer, korteks premotor, korteks somatosensori, korteks parietal, dan korteks serebelar. Langkah-langkah pemrosesan sinyal, seperti pra-pemrosesan, ekstraksi fitur, dan klasifikasi, diperlukan untuk mengekstrak informasi maksimal dari sinyal pergerakan citra. Berdasarkan hal tersebut, penelitian ini bertujuan untuk menemukan ciri-ciri yang membedakan antara gerakan imagery dengan gerakan menggenggam dan membuka tangan.

Untuk itu, metode yang diusulkan adalah klasifikasi menggunakan Long-Short Term Memory Network (LSTM) dengan berbagai kombinasi fitur mean, standar deviasi, varians, RMS, skewness, kurtosis, dan PSD pada ritme alpha. Data diperoleh dari tiga subjek sehat menggunakan Emotiv Epoc+Headset. Hasil klasifikasi menunjukkan bahwa penerapan fitur skewness dan kurtosis menghasilkan rentang akurasi 73,52% hingga 100% untuk setiap data subjek. Di sisi lain, penggabungan fitur kurtosis dan Power Spectrum Density (PSD) menghasilkan akurasi 84,9% untuk data gabungan subjek. Hasil ini menunjukkan potensi besar dalam mendukung pengembangan kontrol prostetik untuk meningkatkan kualitas hidup pasien yang diamputasi.

Hasil penelitian ini telah terpublikasikan pada Indonesian Journal of Electrical Engineering and Computer Science. Berikut ini adalah link dari artikel tersebut: https://www.iieta.org/journals/mmep/paper/10.18280/mmep.110503

Rahma, O.N., Ain, K., Putra, A.P., Rulaningtyas, R., Lutfiyah, N., Zalda, K., Alami, N.R.L., Chai, R. (2024). Classification of imagery hand movement based on electroencephalogram signal using Long-Short Term Memory Network method. Mathematical Modelling of Engineering Problems, Vol. 11, No. 5, pp. 1151-1159. https://doi.org/10.18280/mmep.110503

Penulis: Osmalina Nur Rahma, S.T., M.Si.