ABSTRAK

Menggerakkan sesuatu adalah salah satu aktivitas yang dilakukan dengan menggunakan otak. Bagi seorang berkebutuhan khusus terutama tuna daksa, hal tersebut sangat sulit dilakukan dengan kondisi ketidakmampuan anggota tubuh dalam melaksanakan fungsinya secara normal. Keterbatasan seorang tuna daksa dapat dibantu dengan penggunaan pikiran untuk menggerakkan suatu benda tanpa melibatkan otot dan gesture. Teknologi semacam ini disebut dengan Brain Computer Interface (BCI). Dengan menggunakan perangkat intermediet seperti Elektroensephalogram, Brain Computer Interface mampu menerjemahkan sinyal gelombang yang dihasilkan oleh otak menjadi perintah. Untuk mendapatkan variable pikiran seseorang, dalam menggerakkan benda, diperlukan pelatihan dan pembelajaran menggunakan Recurrent Neural Networks (RNNs). Data pelatihan tersebut didapatkan dari 10 orang naracoba dengan kondisi sehat, dilakukan perekaman sebanyak 5 kali dalam 1 menit, dan dilakukan perulangan sebanyak 5 kali. Model komputasi ini akan diterapkan dalam perangkat lunak berbasis Brain
Computer Interface dan akan terhubung dengan microcontroller melalui perangkat tambahan yaitu modul bluetooth agar dapat lebih mudah untuk menggerakkan robot. Penelitian ini telah membangun perangkat lunak BCI untuk menggerakkan
robot. Sinyal EEG yang ditangkap dan diidentifikasi menggunakan Recurrent Neural Network untuk mendapatkan lima kelas yaitu maju, mundur, kanan, kiri, dan berhenti. Pengujian dilakukan dengan 600 data dimana 480 untuk data latih dan 120 untuk data uji dan dengan learning rate 0.01 sebesar 91%, data dengan learning rate 0.02 sebesar 77%, data dengan learning rate 0.03 sebesar 64%, data dengan learning rate 0.04 sebesar 63% dan data dengan learning rate 0.05 sebesar 55%. Hasil pengujian per kanal didapat bahwa pada kanal AF3 didapatkan akurasi sebesar 44%, kanal AF4 didapatkan akurasi sebesar 51%, kanal T7 didapatkan akurasi sebesar 43%, dan pada kanal T8 didapatkan akurasi sebesar 46%. Hasil pengujian akurasi RNN per 2 kanal didapatkan bahwa pada kanal AF3 & AF4 didapatkan akurasi sebesar 68% dan kanal T7 & T8 didapatkan akurasi sebesar 60%.

Kata Kunci: Tunadaksa, Brain Computer Interface, Elektroensephalogram, menggerakkan benda, Recurrent Neural Networks