Interaksi Gerakan Menggenggam Untuk Mengukur Tingkat Akurasi Pada Benda Virtual
DOI:
https://doi.org/10.32528/penelitianipteks.v9i1.1237Keywords:
leapmotion, myoarmband, menggenggamAbstract
Penelitian ini membahas tentang inovasi pembuatan alat terapi untuk stimulasi pada gangguan sistem gerak pada tangan dengan berfokuskan pada interaksi 3D dua sensor multi channel untuk simulasi menggenggam benda virtual. Kebutuhan akan adanya perangkat ataupun sistem stimulasi dalam pergerakan menggenggam sangat dibutuhkan seiring minim adanya teknologi bantu saat ini. Dengan penggunaan kombinasi dua sensor yaitu Leap Motion dan Myo Armband yang digunakan sebagai simulasi memegang benda virtual. Aktivitas menggenggam merupakan aktivitas yang menerapkan gerakan motorik halus pada tangan untuk melakukan suatu gerakan. Komponen dasar bentuk 3D yang nantinya akan diubah dalam bentuk telur tiruan sebagai media simulasi menggenggam benda virtual. Telur sendiri merupakan benda yang mudah pecah dan mempunyai sifat mudah merespon segala macam rangsangan kerja motorik. Pada kajian Interaksi 3D Multi Channel Dua Sensor untuk Simulasi Virtual Egg Holding dengan metode HMM (Hidden Markov Model) dimaksudkan untuk mengetahui pengenalan isyarat pola gerakan tangan. Pengembangan metode ini adalah virtual reality yang melakukan simulasi memegang benda telur virtual untuk berinteraksi dengan objek virtual dan mengukur kekuatan genggaman tangan pada objek benda virtual.
References
Alhuur, K. R. gharizah, Pratama, A., & Yuniarti, E. (2020). Kualitas dan Cara Penyimpanan Telur Yang Baik dalam Upaya Menjaga Asupan Gizi Optimal di Masa Pandemi COVID-19. Farmers: Journal of Community Services, 1(1), 24. https://doi.org/10.24198/fjcs.v1i1.28647
Annisa, Aulianur, A., Luthfiyah, F., & Mahdi, A. (2019). Tomat Bike (Automatic Bike) untuk Stimulasi pada Gangguan Sistem Gerak. Jurnal Penelitian Pendidikan Khusus, 7(2), 91–96.
Choi, H., Park, D., Rha, D. W., Nam, H. S., Jo, Y. J., & Kim, D. Y. (2023). Kinematic analysis of movement patterns during a reach-and-grasp task in stroke patients. Frontiers in Neurology, 14(August), 1–12. https://doi.org/10.3389/fneur.2023.1225425
Covarrubias, M., Bordegoni, M., & Cugini, U. (2015). A hand gestural interaction system for handling a desktop haptic strip for shape rendering. Sensors and Actuators, A: Physical, 233, 500–511. https://doi.org/10.1016/j.sna.2015.07.024
Hakim, L., Sumpeno, S., & Susiki Nugroho, S. M. (2020). Interaksi 3D Sensor Leap Motion untuk Menggenggam Benda Virtual. Cyclotron, 3(2), 26–30. https://doi.org/10.30651/cl.v3i2.5674
Liu, Y., Jiang, L., Liu, H., & Ming, D. (2021). A Systematic Analysis of Hand Movement Functionality: Qualitative Classification and Quantitative Investigation of Hand Grasp Behavior. Frontiers in Neurorobotics, 15(June), 1–14. https://doi.org/10.3389/fnbot.2021.658075
Mustiadi, I. (2017). Klasifikasi sinyal EMG berbasis jaringan syaraf tiruan dan discrete wavelet transform. Teknoin, 23(3), 223–240. https://doi.org/10.20885/teknoin.vol23.iss3.art4
Sumandar, S., Fadhli, R., & Mayasari, E. (2021). Sosio-Ekonomi, Sindrom Metabolik terhadap Kekuatan Genggaman Tangan Lansia di Komunitas. Jurnal Kesehatan Vokasional, 6(1), 61. https://doi.org/10.22146/jkesvo.60813
Susanti, S., Susanti, S., & BIstara, D. N. (2019). Pengaruh Range of Motion (ROM) terhadap Kekuatan Otot pada Pasien Stroke. Jurnal Kesehatan Vokasional, 4(2), 112. https://doi.org/10.22146/jkesvo.44497
Zhong, J., Li, J., Lotfi, A., Liang, P., & Yang, C. (2022). An incremental cross-modal transfer learning method for gesture interaction. Robotics and Autonomous Systems, 155, 104181. https://doi.org/10.1016/j.robot.2022.104181
