Hasil Pencarian  ::  Simpan CSV :: Kembali

"Gempa bumi merupakan fenomena alam yang memiliki potensi dalam meningkatkan risiko korban jiwa dan menghancurkan infrastruktur. Untuk mengurangi kerugian ini, deteksi fase P pada sinyal seismik menjadi langkah yang krusial, khususnya untuk keperluan sistem peringatan dini. Penelitian ini bertujuan untuk menerapkan algoritma XGBoost dalam mendeteksi kedatangan fase P pada data sinyal seismik. XGBoost adalah salah satu metode machine learning yang berbasis pohon keputusan. Dataset yang digunakan berasal dari data INSTANCE, mencakup rekaman gempa beserta metadatanya dengan tiga komponen kanal (E, N, Z). Setiap sinyal dipotong dalam window lima detik, dua detik sebelum dan tiga detik sesudah waktu kedatangan fase P. Fitur statistik seperti Root Mean Square (RMS), skewness, dan kurtosis diekstraksi dari tiap window sebagai input untuk model XGBoost. Selanjutnya data dipisah dengan rasio 70:30 untuk data latih dan uji. Performa algoritma XGBoost kemudian dievaluasi dengan selisih waktu prediksi fase P terhadap True Label. Kinerja model ini juga dibandingkan dengan metode konvensional STA/LTA.

---

Earthquake is a natural phenomena that has the potential to increase the risk of death and destroy infrastructure. To reduce these losses, P phase detection in seismic signals is a crucial step, especially for early warning systems. This study aims to apply the XGBoost algorithm to detect P phase in seismic signal data. XGBoost is a machine learning method based on decision trees. The dataset used comes from INSTANCE data, including earthquake recordings and their metadata with three channel components (E, N, Z). Each signal is cut into a five-second window, two seconds before and three seconds after the arrival of the P wave. Statistical features such as Root Mean Square (RMS), skewness, and kurtosis are extracted from each window as input for the XGBoost model. Furthermore, the data is split with a ratio of 70:30 for training and testing data. The performance of the XGBoost algorithm is then evaluated by the difference in the prediction time of the P phase to the True Label. This performance model is also compared with the conventional STA/LTA method. "

"Minyak bumi dan gas alam masih menjadi sumber energi utama yang banyak digunakan di berbagai sektor. Untuk mengoptimalkan produksi migas, berbagai upaya dan metode dilakukan. Salah satunya melalui metode hydraulic fracturing. Metode ini bertujuan untuk meningkatkan produksi atau reaktivasi sumur yang mengalami penurunan produksi dengan menghasilkan rekahan dari injeksi fluida tinggi. Proses pemantauan metode ini umumnya menggunakan gelombang mikroseismik akibat rekahan dari bawah permukaan. Sinyal mikroseismik yang terekam umumnya mengandung banyak noise akibat aktivitas di sekitar permukaan dan sulit diidentifikasi. Oleh karena itu, dibutuhkan metode untuk mendeteksi aktivitas mikroseismik tersebut. Pada penelitian ini bertujuan untuk mengembangkan model untuk mendeteksi event dan non-event pada mikroseismik menggunakan discrete wavelet transform untuk mengekstraksi fitur dari sinyal mikroseismik dan algoritma XGBoost untuk melakukan klasifikasi event dan non-event. Hasil terbaik model dengan wavelet sym3 level 5 dengan evaluasi metrik kelas event mencapai 71.43% untuk presisi dan 66.67% untuk recall.

---

Petroleum and natural gas are still the main sources of energy that are widely used in various sectors. To optimize oil and gas production, various efforts and methods are carried out. One of them is through the hydraulic fracturing method. This method aims to increase production or reactivation of wells that have decreased production by producing fractures from high fluid injection. The monitoring process of this method generally uses microseismic waves due to fracturing from the subsurface. The recorded microseismic signals generally contain a lot of noise due to activities around the surface and are difficult to identify. Therefore, a method is needed to detect the microseismic activity. This study aims to develop a model to detect events and non-events in microseismic using discrete wavelet transform to extract features from microseismic signals and XGBoost algorithm to classify events and non-events. The best results of the model with sym3 wavelet level 5 with event class metric evaluation reached 71.43% for precision and 66.67% for recall."

"Seiring bertambahnya jumlah pelanggan listrik di Indonesia menjadikan persentase kerugian dari susut non-teknis pada Perusahaan Listrik Negara (PLN) semakin besar tiap tahunnya yang menyebabkan berkurangnya keuntungan. Berbagai upaya telah dilakukan oleh PLN dengan membentuk tim Penertiban Pemakaian Tenaga Listrik (P2TL) berdasarkan informasi indikasi pencurian dan kelainan maupun pemilihan manual pada pelanggan pascabayar. Namun upaya yang dilakukan PLN sejauh ini masih belum efektif dalam penentuan Target Operasi (TO) karena membutuhkan waktu yang lama dengan hasil akurasi yang kecil. Tujuan dari penelitian ini adalah untuk menganalisis efektivitas dari data pemakaian listrik (kWh) pelanggan dalam pemodelan machine learning menggunakan algoritma Extreme Gradient Boosting (XGBoost) menggunakan metode feature engineering dan hyperparameter tuning. Hasil dari penelitian ini membuktikan bahwa penggunaan riwayat pemakaian listrik efektif dalam pemodelan hingga tingkat akurasi mencapai 80% pada penggunaan data jam nyala dan 82% pada penggunaan data gabungan jam nyala dengan metode statistik dan bantuan hyperparameter tuning. Dengan hasil ini dapat membantu PLN untuk menentukan TO pada pelanggan pascabayar dengan lebih mudah dan efisien menggunakan teknologi machine learning.

---

As the number of electricity customers in Indonesia increases, the percentage of non-technical losses in PLN (Perusahaan Listrik Negara) has been growing every year, leading to a decrease in profits. Various efforts have been made by PLN through the establishment of the Penertiban Pemakaian Tenaga Listrik (P2TL) team based on indications of theft or abnormalities and manual selection of postpaid customers. However, PLN's efforts so far have been ineffective in determining the Operational Target (TO) due to the long time required and low accuracy. The aim of this research is to analyze the effectiveness of customer electricity usage data (kWh) in machine learning modeling using the Extreme Gradient Boosting (XGBoost) algorithm with feature engineering and hyperparameter tuning methods. The results of this study demonstrate that the use of electricity usage history is effective in modeling, achieving an accuracy rate of 80% when using on/off hours data and 82% when using a combination of on/off hours data with statistical methods and the assistance of hyperparameter tuning. These findings can assist PLN in determining the TO for postpaid customers more easily and efficiently using machine learning technology."

"Indonesia terletak di wilayah dengan tingkat aktivitas gempa yang tinggi. Meskipun gempa bumi tidak dapat dihindari, melalui kemajuan teknologi, sistem peringatan dini gempa telah berhasil menyelamatkan nyawa di banyak negara rawan gempa. Sistem peringatan dini gempa bekerja berdasarkan sifat dari gelombang P dan S pada gempa, yang dimana gelombang P merambat lebih cepat dibandingkan gelombang S. Selisih waktu kedatangan gelombang P dan S ini dapat digunakan untuk memberikan peringatan dini. Oleh karena itu, penentuan waktu tiba fase P di gelombang gempa sangatlah penting. Tujuan dari penelitian ini adalah untuk mengembangkan dua variasi model yang dapat mendeteksi fase P dari data sinyal seismik. Mula-mula, model akan mendeteksi gelombang P di sinyal seismik, lalu fase P nya akan ditentukan di saat gelombang P pertama kali terdeteksi. Dua variasi model tersebut yaitu 1D CNN-LSTM dan LSTM yang akan dilatih menggunakan dua variasi input, yaitu frekuensi dominan dan modified energy ratio MER. Hasil prediksi model kemudian dibandingkan dengan hasil prediksi metode STA/LTA. Berdasarkan hasil evaluasi, model 1D CNN-LSTM variasi pertama memberikan performa terbaik dalam mendeteksi fase P. Pada sinyal normal dengan input frekuensi dominan dari STFT 200 Frame, model ini menghasilkan MAE sebesar 0,856 detik dan RMSE sebesar 1,763 detik. Sementara itu, pada sinyal dengan SNR rendah menggunakan STFT 100 Frame, diperoleh MAE sebesar 1,353 detik dan RMSE sebesar 2,395. Model yang menggunakan variasi input MER memberikan hasil prediksi yang buruk. STA/LTA memberikan nilai MAE dan RSME terbesar dibandingkan prediksi model.

---

Indonesia is located in a region with high seismic activity. Although earthquakes are unavoidable, technological advancements have enabled earthquake early warning systems to save lives in many earthquake-prone countries. These early warning systems operate based on the characteristics of P and S waves, where P-waves travel faster than S-waves. The time difference between the arrival of P and S waves can be used to provide early warnings. Therefore, accurately determining the arrival time of the P-wave phase is crucial. The aim of this study is to develop two model variations capable of detecting the P-wave phase from seismic signal data. First, the model detects the P-wave in the seismic signal, then the P-phase is determined at the point where the P-wave is first detected. The two model variations are 1D CNN-LSTM and LSTM, which are trained using two types of input features: dominant frequency and Modified Energy Ratio (MER). The model predictions are then compared to predictions made using the STA/LTA method. Based on the evaluation results, the first variation of the 1D CNN-LSTM model demonstrated the best performance in detecting the P-phase. On regular signals with dominant frequency input from a 200-frame STFT, this model achieved a MAE of 0,856 seconds and an RMSE of 1,763 seconds. On low SNR signals using a 100-frame STFT, the model achieved a MAE of 1,353 seconds and an RMSE of 2,395 seconds. In contrast, models using MER input yielded poor prediction results. The STA/LTA method produced the highest MAE and RMSE values compared to the model predictions."

"Curah hujan menjadi faktor cuaca yang sangat berpengaruh terhadap aktivitas penerbangan, mulai dari saat pesawat akan lepas landas, ketika berada di udara, dan saat akan melakukan pendaratan. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sebuah model prediksi curah hujan di Bandara Silangit, Tapanuli Utara yang memiliki variasi curah hujan yang tinggi, karena dipengaruhi oleh posisi geografisnya di dekat garis khatulistiwa. Model prediksi curah hujan tersebut dibangun dengan memanfaatkan data dari AWOS dan menerapkan algoritma XGBoost dan selanjutnya dioptimasi dengan menggunakan dua metode, yaitu random search dan bayesian optimization untuk mencari kombinasi hyperparameter optimal dan meningkatkan akurasi model prediksi tersebut. Hasil penelitian menunjukkan bahwa model XGBoost sebelum dioptimasi berhasil mencapai akurasi prediksi 74.8%. Sementara itu, dengan hyperparameter tuning melalui metode bayesian optimization, akurasi model meningkat hingga 76.6%, dengan kombinasi nilai hyperparameter optimal yang didapatkan, diantaranya max_depth: 17, min_child_weight: 3, learning_rate: 0.1, n_estimators: 100, subsample: 0.91, dan colsample_bytree: 0.88. Temuan ini menegaskan potensi yang besar dalam penggunaan teknologi canggih untuk prediksi curah hujan dalam rangka mendukung keselamatan penerbangan di wilayah dengan kondisi cuaca yang kompleks dan dinamis.

---

Rainfall is a weather factor that significantly affects aviation activities, from takeoff and in-flight operations to landing. Therefore, this study aims to develop a rainfall prediction model for Silangit Airport in North Tapanuli, an area with high rainfall variability due to its geographic location near the equator. The rainfall prediction model is constructed using data from the Automated Weather Observing System (AWOS) and employs the XGBoost algorithm, which is further optimized using two methods: random search and Bayesian optimization. These methods are used to find the optimal hyperparameter combinations and improve the model's prediction accuracy.The results of the study show that the XGBoost model achieved a prediction accuracy of 74.8% before optimization. However, with hyperparameter tuning using Bayesian optimization, the model's accuracy increased to 76.6%. The optimal hyperparameter values obtained were max_depth: 17, min_child_weight: 3, learning_rate: 0.1, n_estimators: 100, subsample: 0.91, and colsample_bytree: 0.88. These findings highlight the significant potential of advanced technology in predicting rainfall, thereby supporting aviation safety in regions with complex and dynamic weather conditions."

"Seiring dengan perkembangan teknologi komunikasi data yang tinggi, permasalahan yang dihadapi pun semakin bervariasi. Salah satu permasalahan yang sering dialami adalah cyber attack, permasalahan ini dapat mengakibatkan kerugian tidak hanya informasi yang bocor, namun juga kerugian secara finansial yang diakibatkan dari transaksi illegal yang memanfaatkan informasi pribadi pengguna yang bocor, serta kerugian lainnya. Dengan adanya permasalahan ini, penulis berinisiatif dalam mengusung model deteksi anomali berdasarkan dataset NSL-KDD menggunakan machine learning model XGBoost dengan Optuna Tuning. XGBoost merupakan machine learning model yang mampu mengatasi overfitting pada simulasi yang diusulkan, dengan kombinasi Optuna Tuning, model machine learning yang diusung mampu bekerja efisien akibat dari adanya optimasi hyperparameter secara otomatis. Kinerja model yang diusulkan penulis berhasil mendapatkan akurasi 99,56%, dengan nilai precision 98,16%, nilai recall 99,82%, dan untuk nilai f-1 score 99,61%. Berdasarkan hasil simulasi tersebut menunjukkan bahwa model yang diusulkan penulis berhasil mendeteksi adanya anomali pada trafik serta memiliki sensitivitas yang tinggi.

---

Along with the development of high data communication technology, the problems faced are increasingly varied. One of the problems that is often experienced is in form of cyber attacks, this problem affected to losses, not only leaked information which occred, but also financial losses caused by illegal transactions that utilized by using user personal information, as well as other losses. In concern of facing this problem, the author takes an initiative in carrying out an anomaly detection model based on the NSL-KDD dataset using XGBoost, machine learning model with Optuna Tuning. XGBoost is a machine learning model that is able to overcome overfitting in the proposed simulation, with a combination of Optuna Tuning, this machine learning model is able to work efficiently due to automatic hyperparameter optimization. That statement is proven by the performance of the model succesfully manage to get an accuracy of 99.56%, with a precision value of 98.16%, a recall value of 99.82%, and for an f-1 value of 99.61%. Based on the results of the simulation, it shows that the model proposed by the author has successfully detected anomalies in traffic and has a high sensitivity"

"Industri asuransi merupakan industri yang besar dan terus berkembang di Indonesia. Di tambah lagi, semakin banyak masyarakat Indonesia yang terlindungi oleh asuransi pada tahun 2022. Di samping itu, meningkatnya nasabah asuransi juga dapat meningkatkan risiko terjadinya fraud atau kecurangan pada setiap klaim yang dilakukan nasabah. Hal tersebut dapat menyebabkan kerugian bagi perusahaan asuransi. Maka dari itu, dibutuhkan suatu metode yang dapat menyelesaikan masalah fraud klaim asuransi. Namun, permasalahan fraud ini melibatkan data yang besar sehingga dibutuhkan metode yang dapat memproses data besar dengan cepat dan tidak membutuhkan dana yang besar. Machine learning diajukan sebagai metode untuk dapat mendeteksi fraud klaim asuransi dan telah digunakan dalam beberapa penelitian untuk penyelesaian masalah tersebut. Extreme Gradient Boosting (XGBoost) merupakan salah satu metode machine learning yang banyak digunakan, pertama kali diajukan sebagai model yang scalable sehingga dapat memproses data besar secara efisien. Namun, metode machine learning sebaiknya adalah model yang interpretable dan explainable. Dengan memiliki interpretability dan explainability, suatu model dapat digunakan dan dimengerti dengan baik sehingga sangat reliabel. Oleh karena itu, Approximating XGBoost diajukan sebagai metode yang dapat memungkinkan XGBoost yang terdiri dari banyak boosted Decision Tree dapat diekstrak menjadi satu Decision Tree saja sehingga model ini dapat diinterpretasikan secara transparan mengenai pekerjaan model tersebut dalam mendapatkan hasil yang dikeluarkan. Penelitian ini menemukan bahwa kinerja dari model Approximating XGBoost dapat mendeteksi fraud dengan AUC-ROC mencapai nilai 91,44%, pada specificity dapat mencapai 86,55%, dan pada sensitivity dapat mencapai 91,34% berdasarkan dataset yang digunakan. Artinya, model Approximating XGBoost dapat membentuk suatu model yang performanya mengaproksimasi XGBoost dan dapat model pohonnya dapat ditampilkan seperti Decision Tree.

---

The insurance industry is a big and growing industry in Indonesia. Moreover, more and

more Indonesians will be covered by insurance by 2022. In addition, increasing the

number of insurers can also increase the risk of fraud or fraud in any claim made by the

insurer. So from that, we need a method that can solve the problem of insurance claims

fraud. However, this problem of fraud involves big data so it requires a method that can

process big data quickly and does not require large funds. Machine learning was proposed

as a method to detect insurance claims fraud and has been used in some research to solve

such problems. Extreme Gradient Boosting (XGBoost) is one of the most widely used

machine learning methods, first proposed as a scalable model to process big data

efficiently. However, machine learning methods are preferably models that are

interpretable and explainable. By having interpretability and explainability, a model can

be used and understood well so it is highly reliable. Therefore, Approximating XGBoost

was proposed as a method that could enable XGBoost consisting of many boosted

decision trees to be extracted into a single decision tree only so that this model can be

interpreted transparently about the work of the model in obtaining the outcome issued.

This study found that the performance of the Approximating XGBoost model can detect

fraud with an AUC-ROC of 91.44%, specificity can reach 86.55%, and sensitivity can

91.34% based on the data set used. In other words, the XGBoost Approximating model

can form a model whose performance approximates XGBuost and the tree model can be

displayed like a Decision Tree."

"Departemen Teknik Elektro Universitas Indonesia telah mengembangkan suatu sistem berbasis Latent Semantic Analysis (LSA) untuk mendeteksi plagiarisme pada karya tulis berbahasa Indonesia dan Inggris. Data keluaran sistem deteksi plagiarisme berbasis LSA adalah nilai frobenius norm, slice, dan pad. Pada skripsi ini akan menjelaskan serta memberikan analisis pada pengembangan sistem deteksi plagiarisme yang telah ada yaitu dengan menerapkan algoritma Support Vector Machine (SVM). Support Vector Machine (SVM) adalah suatu Learning Algoritm yang bertujuan untuk menemukan suatu hipotesis berupa bidang pemisah (hyperplan) terbaik dari sekumpulan data yang dapat dipisahkan secara linear maupun tidak linear. SVM akan memisahkan data hasil keluaran sistem deteksi plagiat bebasis LSA menjadi dua kelas yaitu "plagiat" dan "tidak plagiat" dengan menggunakan 2 metode yaitu kombinasi data input dan kombinasi data output dengan metode AND. Beberapa modifikasi terhadap imput program dilakukan diantaranya memvariasikan parameter-parameter pembelajaran dan memvariasikan data hasil keluaran program deteksi plagiarisme berbasis LSA. Hasil dari analisis serta pengujian yang telah dilakukan yaitu jika menggunakan parameter serta kombinasi data yang tepat, SVM mampu untuk meningkatkan akurasi sistem dari sistem yang menggunakan metode Learning Vector Quantization (LVQ) pada penelitian sebelumnya hingga menghasilkan akurasi sebesar 63,15% hal ini dilihat jika mempertimbangkan keseimbangan terhadap aspek presisi dan relevansi program sedangkan jika dilihat melalui presentase jumlah data yang berhasil diklasifikasikan dengan tepat, SVM mampu menghasilkan akurasi sebesar 97,04%.

---

Department of Electrical Engineering, University of Indonesia has developed a system based on Latent Semantic Analysis (LSA) to detect plagiarism between two paper written in different languages, which are Indonesian and English. The output data of plagiarism detection system are frobenius norm, slice, and pad. This thesis will explain and provide analysis of the development of plagiarism detection system that already exist by applying Support Vector Machine (SVM) algorithm.

Support Vector Machine (SVM) is a Learning Algorithm that aims to find a best hypothetical form called hyperplan to separated a set of data that can be separated linearly and nonlinearly. SVM will separate output data of plagiarism detection system into two classes, "plagiat" class and "tidak plagiat" class by using two methods: combination of input data method and output data combined with AND method. Some modifications to input program are made, such as variating the parameters of learning and variating the output data of plagiarism detection program.

The results of analysis and test that has been done are: if the system use correct parameters and correct combinations of the data, SVM is able to improve accuracy of the system from the last research that using Learning Vector Quantization (LVQ). The accuracy of SVM is 63,15% if considering the balance of precision and relevance of the program, while when viewed through a percentage of the amount of data that appropriately classified, the accuracy of SVM is 97.04%."

"Pada tahun 2018, kanker prostat merupakan penyakit ganas kedua terbanyak pada pria secara global setelah kanker paru-paru. IDC-P merupakan varian agresif dari kanker prostat yang sering sering disalahinterpretasikan dengan proliferasi intraduktal seperti HGPIN yang dapat mempengaruhi perawatan pasien laki-laki pengidap kanker prostat. Teknik analisis spektroskopi Raman merupakan teknik molekuler berprospek untuk menganalisa jaringan biologis yang telah banyak digunakan dalam mencoba untuk mengidentifikasi berbagai macam jenis kanker. Sayangnya, spektroskopi Raman menghasilkan sinyal yang lemah dan mudah dipengaruhi oleh noise dan latar belakang floresens. Penelitian ini bertujuan untuk mengembangkan pipeline yang mencakup tahapan prapengolahan dan klasifikasi terhadap spektra Raman dari spesies IDC-P dan HGPIN untuk mendapatkan hasil metrik evaluasi yang optimal. Tujuan ini dicapai dengan menemukan nilai parameter optimal pada tahapan prapengolahan (smoothing, baseline correction, normalisasi), dan klasifikasi untuk menghasilkan hasil klasifikasi yang terbaik. Dihasilkan sebuah pipeline yang mencakup tahapan prapengolahan dan klasifikasi dengan kemampuan untuk meng- hasilkan hasil evaluasi metrik yang tinggi untuk metrik evaluasi F1 Test, accuracy, dan AUC-ROC masing-masing bernilai : 98.8%, 97.9%, dan 98.8%. Berdasarkan hasil anali- sis ANOVA, ditemukan bahwa perbedaan pada parameter window length dan polynomial order pada tahapan Savitzky-Golay smoothing tidak memiliki signifikansi terhadap hasil evaluasi metrik (p > 0.05). Sebaliknya, metode baseline correction beserta nilai polynomial degree yang berbeda cenderung memberikan signifikansi ke hasil evaluasi metrik (p < 0.05).

---

In 2018, prostate cancer was the second most common malignant disease in men globally, following lung cancer. IDC-P is an aggressive variant of prostate cancer often misinterpreted as intraductal proliferation like HGPIN, which can impact the treatment of male patients with prostate cancer. Raman spectroscopy analysis is a promising molecular technique for analyzing biological tissues and has been extensively used in attempts to identify various types of cancer. Unfortunately, Raman spectroscopy produces weak signals that are easily influenced by noise and fluorescent backgrounds. This research aims to develop a pipeline that includes preprocessing and classification stages for Raman spectra of IDC-P and HGPIN species to achieve optimal evaluation metric results. This goal is achieved by finding the optimal parameter values in preprocessing stages (smoothing, baseline correction, normalization) and classification to produce the best classification results. A pipeline was created that includes preprocessing and classification stages capable of producing high evaluation metric results for the F1 Test, accuracy, and AUC-ROC metrics, respectively valued at 98.8%, 97.9%, and 98.8%. Based on ANOVA analysis, it was found that differences in the ’window length’ and ’polynomial order’ parameters in the Savitzky-Golay smoothing stage do not significantly affect the evaluation metric results (p > 0.05). Conversely, the baseline correction method and different ’polynomial degree’ values tend to significantly impact the evaluation metric results (p < 0.05)."

"Sistem kendali merupakan hal penting di dalam perancangan sebuah alat bantu berjalan untuk pasien pasca stroke yang mengalami hemiparetik pada kakinya. Sistem kendali yang baik harus mampu mengetahui keinginan bergerak atau berjalan dari manusia dan menerjemahkan keinginan tersebut menjadi sebuah gerakan yang alami melalui alat bantu berjalan yang umumnya digerakkan oleh sebuah perangkat DC motor. Sudah banyak penelitian yang telah dilakukan untuk melakukan deteksi terhadap keinginan manusia untuk bergerak atau berjalan melalui berbagai macam sensor yang dipasang pada otot-otot yang terkait. Fokus dalam penelitian ini adalah melakukan deteksi gaya berjalan melalui sinyal elektromiografi yang diperoleh dengan menggunakan sensor-sensor EMG yang dipasangkan pada permukaan 12 otot yang sangat berkaitan dengan gerakan atau gaya berjalan pada manusia. Adapun 12 otot ini terdiri dari 2 otot bahu yaitu Deltoid Anterior (DA) dan Deltoid Posterior (DP), dan 10 otot kaki yang terdiri dari Rectus Femoris (RF), Biceps Femoris (BF), Vastus Medialis (VM), Vastus Lateralis (VL), Tibialis Anterior (TA), Medial Gastrocnemius (MG), Soleus (S), Gluteus Maximus (GMax), Semitendinosus (ST), dan Peroneus Longus (PL). Sinyal elektromiografi dari 12 otot tersebut direkam dari 2 pasien sehat yang tidak mengalami gangguan berjalan, terdiri dari 1 orang pria dan 1 orang wanita. Sinyal tersebut kemudian diproses melalui aplikasi Matlab untuk dilakukan proses klasifikasi dengan menggunakan teknik Artificial Neural Network (ANN). Di samping itu, metode machine learning juga dilakukan yaitu dengan teknik Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN), yang bertujuan untuk mendapatkan perbandingan berbagai teknik tersebut agar didapatkan hasil dengan tingkat akurasi terbaik di dalam melakukan deteksi gaya berjalan yang dibedakan menjadi 3 yaitu: berjalan normal, naik tangga dan turun tangga. Hasil terbaik yang diperoleh dari penelitian ini dengan menggunakan algoritma ANN yang mampu menghasilkan prediksi sempurna dengan tingkat akurasi 100%, kemudian tingkat akurasi terbaik yang diperoleh dengan metode machine learning masing-masing untuk algoritma SVM adalah sebesar 99.2%, algoritma KNN sebesar 98.8% dan algoritma LDA sebesar 97.2% yang semuanaya diperoleh dari dataset kombinasi sinyal EMG otot bahu dan kaki. Hasil ini sangatlah penting di dalam penelitian yang akan dilakukan di kemudian hari dalam merancang sebuah sistem kendali yang mampu mengenali keinginan bergerak atau berjalan manusia baik saat berjalan normal maupun ketika hendak naik atau turun tangga sehingga alat bantu berjalan yang dihasilkan dapat digunakan dengan nyaman dan aman oleh pemakainya.

---

Control strategy is a fundamental role and very important part to create a walking assistive device for patients after stroke with a hemiparetic leg. A good control strategy must have the ability to predict the human motion or walking intention and naturally deliver force by the walking assistive device thereafter. This force is usually generated by the electric actuator using direct-drive motor. Recently, many studies have addressed and put more interest in predicting the human motion intention through various sensors which put on the surface of related skeletal muscles. This study focuses on gait event detection using electromyography signals from 12 muscles comprise of 2 shoulder muscles those are Deltoid Anterior (DA) and Deltoid Posterior (DP) and 10 lower limb muscles those are Rectus Femoris (RF), Biceps Femoris (BF), Vastus Medialis (VM), Vastus Lateralis (VL), Tibialis Anterior (TA), Medial Gastrocnemius (MG), Soleus (S), Gluteus Maximus (GMax), Semitendinosus (ST), and Peroneus Longus (PL). The EMG signals are recorded unilaterally using surface EMG sensor from 2 healthy subjects without walking disorder, consist of 1 male and 1 female. The signals are processed on Matlab platform subsequently for classification process using Artificial Neural Network (ANN) technique. Besides, the machine learning methods are also used in this research i.e. Linear Discriminant Analysis (LDA), Support Vector Machine (SVM) and K-Nearest Neighbor (KNN). The purpose of using several methods is to output the comparison with highest accuracy result in predicting the gait events which are divided into 3 types: normal walking, stair ascent, and stair descent. The best outcome along this research is generated from ANN algorithm which could steadily predict without any error with accuracy rate 100%. Furthermore, the best results from machine learning method are 99.2% using SVM algorithm, 98.8% using KNN algorithm and 97.2% using LDA algorithm. All those performances are resulted from datasets with combination between EMG signals from shoulder and lower limb muscles. This achievement becomes a significant factor for the future studies to design a control strategy with good human-robot interaction that can recognize the human motion intention in each different gait event to contrive comfort and safety walking assistive device for the wearer. "