ELECTROMYOGRAPHY GAIT TEST FOR PARKINSON DISEASE RECOGNITION USING ARTIFICIAL NEURAL NETWORK CLASSIFICATION IN INDONESIA
DOI:
https://doi.org/10.36499/jim.v12i2.1630Abstract
Diagnosa Parkinson Disease (PD) di Indonesia dilakukan secara klinis. Analisa langkah jalan dengan menggunakan sensor electromyography (EMG) menawarkan alternatif deteksi untuk PD. Sinyal EMG umumnya sulit dimengerti secara klinis. Penelitian ini menggunakan metode pengenalan pola sebagai alat untuk analisa sinyal EMG bagi subjek sehat dan subjek dengan PD. Sinyal EMG direkam dari 15 pasien dengan PD dan 8 subjek sehatdengan usia yang relatif muda saat subjek melakukan langkah jalan. Pengambilan data langkah jalan dilakukan di Rumah Sakit dr Kariadi Semarang, Jawa Tengah Indonesia. Dua belas buah fitur EMG digunakan untuk feature calculation pada sinyal EMG, delapan fitur adalah fitur yang berdasarkan domain waktu dan empat fitur berdasarkan domain frekuensi. Penelitian ini bertujuan untuk mengklasifikasikan dua kelas yaitu kelas untuk subjek sehat dan kelas untuk subjek PD menggunakan metode klasifikasi Artificial Neural Network (ANN) dengan jaringan feed forward dua layer. Jaringan menggunakan metode fungsi transfer log-sigmoid untuk hidden layer dan transfer fungsi softmax untuk output layer. ANN menggunakan 20 neuron pada hidden layer dan 2 neuron pada output layer. Metode training ANN menggunakan algoritma Levenberg-Marquardt dan penentuan nilai eror akurasi menggunakan metode mean square error (MSE). Berdasarkan hasil penghitungan, akurasi klasifikasi dua kelas untuk membedakan anatar subjek sehat dengan subjek PD sebesar 88.4%.
Kata kunci: Artificial Neural Network (ANN), electromyography (EMG), gait test, Parkinson’s Disease.
Downloads
Issue
Section
License
Authors who publish with this journal agree to the following terms:
The journal allow the authors to hold the copyright without restrictions and allow the authors to retain publishing rights without restrictions.
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
This work is licensed under a Creative Commons Attribution 4.0 International License.
