BibTex Citation Data :
@article{JTM12849, author = {Mohamad Irfan and Wahyu Caesarendra and Mochammad Ariyanto}, title = {STUDI KLASIFIKASI TUJUH GERAKAN TANGAN SINYAL ELECTROMYOGRAPHY (EMG) MENGGUNAKAN METODE PATTERN RECOGNITION}, journal = {JURNAL TEKNIK MESIN}, volume = {4}, number = {3}, year = {2016}, keywords = {electromyography, features extraction, principal component analysis,support vector machine, pattern recognition}, abstract = { Pada studi ini, sinyal EMG diproses menggunakan 16 features extraction domain – waktu untuk mengklasifikasikan gerakan tangan seperti t ripod, power, precision closed, finger point, mouse, hand open, dan hand close . 16 fitur dari masing – masing sinyal EMG dari gerakan tangan tersebut direduksi menggunkan principal component analysis (PCA) untuk mendapatkan satu set fitur baru yang memberikan informasi yang lebih kompek. Pattern recognition dari fitur baru tersebut diklasifikasikan menggunkan support vector machine (SVM). Pattern recognition digunakan pada masing – masing subjek dan menghasilkan persentase training dan testing . Berdasarkan SVM training dan testing yang dihasilkan, sinyal EMG dari gerakan tangan sukses diklasifikasikan dan akurasi dari klasifikasi mencapai 80% - 86%. }, issn = {2303-1972}, pages = {307--316} url = {https://ejournal3.undip.ac.id/index.php/jtm/article/view/12849} }
Refworks Citation Data :
Pada studi ini, sinyal EMG diproses menggunakan 16 features extraction domain – waktu untuk mengklasifikasikan gerakan tangan seperti tripod, power, precision closed, finger point, mouse, hand open, dan hand close. 16 fitur dari masing – masing sinyal EMG dari gerakan tangan tersebut direduksi menggunkan principal component analysis (PCA) untuk mendapatkan satu set fitur baru yang memberikan informasi yang lebih kompek. Pattern recognition dari fitur baru tersebut diklasifikasikan menggunkan support vector machine (SVM). Pattern recognition digunakan pada masing – masing subjek dan menghasilkan persentase training dan testing. Berdasarkan SVM training dan testing yang dihasilkan, sinyal EMG dari gerakan tangan sukses diklasifikasikan dan akurasi dari klasifikasi mencapai 80% - 86%.
Last update: