Game Simulasi Gerakan Pasien Cedera Bahu Menggunakan Jaringan Saraf Tiruan Backpropagation

  • Khanif Azhar Waluyo
  • Rezki Yuniarti
  • Esmeralda Contessa Djamal

Abstract

Bahu merupakan bagian dari lengan yang mudah mengalami cedera. Cedera pada bahu antara lain peradangan sendi, pergeseran tulang (dislokasi), dan bahu kaku (frozen shoulder) serta pasca stroke. Selain itu, penyebab bahu cedera karena olahraga yang menitikberatkan lengan sebagai tumpuan. Latihan terapi yang terjadwal merupakan upaya merehabilitasi bahu untuk memulihkan dan mengembalikan fungsi bahu. Namun kegiatan rehabilitasi medik memerlukan jangka waktu lama dan terkesan monoton yang berakibat menurunnya motivasi pasien dalam menjalani latihan terapi. Sementara itu, perkembangan teknologi yang memudahkan berbagai aspek kehidupan khususnya dibidang kesehatan menjadikan video game dan perangkat sensor Kinect dapat diterapkan sebagai media dalam simulasi latihan terapi cedera bahu. Penelitian ini telah membangun game simulasi sebagai visualisasi untuk mendukung latihan terapi cedera bahu dan kemampuan dalam memprediksi pemulihan cedera bahu pasien yang terbagi atas tiga kelas yaitu “Meningkat”, “Tetap”, dan “Menurun”. Pasien melakukan gerakan untuk mengontrol game dengan mengangkat lengan menjauhi garis tengah terhadap bidang frontal pada tubuh atau disebut sebagai gerakan Shoulder Active Abduction. Gerakan dilakukan oleh salah satu lengan cedera yang akan menghasilkan nilai sudut bervariasi dengan rentang 0°-180°. Gerakan yang dilakukan direkam sensor Kinect yang dapat memvisualisasikan peta gerakan kerangka tubuh atau disebut matchstick skeleton. Keluaran dari sensor Kinect berupa nilai koordinat yang direpresentasikan ke dalam nilai sudut. Data latih diperoleh dari lima naracoba yang menghasilkan nilai sudut berbeda. Nilai-nilai sudut dilakukan pelatihan menggunakan Backpropagation yang selanjutnya menghasilkan nilai akurasi. Hasil pelatihan dengan learning rate 0,01 menunjukan akurasi sebesar 82% untuk prediksi data yang sudah dilatih, sedangkan pengujian data baru menunjukan akuarasi sebesar 66,7%.

References

[1] A. Suharti, R. Sunandi, and F. Abdullah, “Penatalaksanaan Fisioterapi pada Frozen Shoulder Sinistra Terkait Hiperintensitas Labrum Posterior Superior di Rumah Sakit Pusat Angkatan Darat Gatot Soebroto,” Jurnal Vokasi Indonesia, vol. 1, no. 80, pp. 51–65, 2018.
[2] S. Bhardwaj, A. A. Khan, and M. Muzammil, “Electromyography in Physical Rehabilitation : A Review,” National Conference on Mechanical Engineering – Ideas, Innovations & Initiatives, no. April, pp. 64–69, 2016.
[3] B. Cubukcu and U. Yuzgec, “A physiotherapy application with MS kinect for patients with shoulder joint, muscle and tendon damage,” Proceedings - 9th International Conference on Computational Intelligence and Communication Networks, CICN 2017, vol. 2018-Janua, pp. 225–228, 2018.
[4] M. N. A. Van Der Kuil, I. J. M. Van Der Ham, and J. M. A. Visser-Meily, “Game technology in cognitive rehabilitation of spatial navigation impairment,” International Conference on Virtual Rehabilitation, ICVR, vol. 2017-June, pp. 1–2, 2017.
[5] D. Dauria, F. Persia, and B. Siciliano, “Human-Computer Interaction in Healthcare: How to Support Patients during Their Wrist Rehabilitation,” Proceedings - 2016 IEEE 10th International Conference on Semantic Computing, ICSC 2016, pp. 325–328, 2016.
[6] A. Mobini, S. Behzadipour, and M. Saadat Foumani, “Accuracy of Kinect’s skeleton tracking for upper body rehabilitation applications,” Disability and Rehabilitation: Assistive Technology, vol. 9, no. 4, pp. 344–352, 2014.
[7] M. Pedraza-Hueso, S. Martín-Calzón, F. J. Díaz-Pernas, and M. Martínez-Zarzuela, “Rehabilitation Using Kinect-based Games and Virtual Reality,” Procedia Computer Science, vol. 75, no. Vare, pp. 161–168, 2015.
[8] K. C. Yang, C. H. Huang, and C. F. Le, “Applying microsoft kinect for windows to develop a Stroke Rehabilitation System,” IEEE International Conference on Industrial Engineering and Engineering Management, vol. 2016-Decem, no. 2, pp. 1923–1927, 2016.
[9] K. Ongvisatepaiboon, J. H. Chan, and V. Vanijja, “Smartphone-based tele-rehabilitation system for frozen shoulder using a machine learning approach,” Proceedings - 2015 IEEE Symposium Series on Computational Intelligence, SSCI 2015, pp. 811–815, 2015.
[10] B. Shroeder et al., “Rapid recovery: a kayaking-based exergame for shoulder rehabilitation and physical fitness,” IEEE Games Media Entertainment, pp. 1–4, 2015.
[11] N. Gal, D. Andrei, D. I. Nemeş, E. Nədəşan, and V. Stoicu-Tivadar, “A Kinect based intelligent e-rehabilitation system in physical therapy,” Studies in Health Technology and Informatics, vol. 210, pp. 489–493, 2015.
[12] M. A. Rahman, M. Ahmed, A. Qamar, D. Hossain, and S. Basalamah, “Modeling therapy rehabilitation sessions using non-invasive serious games,” IEEE MeMeA 2014 - IEEE International Symposium on Medical Measurements and Applications, Proceedings, pp. 1–4, 2014.
[13] O. Postolache, F. Cary, P. S. Girao, and N. Duarte, “Physiotherapy assessment based on Kinect and mobile APPs,” IISA 2015 - 6th International Conference on Information, Intelligence, Systems and Applications, 2016.
[14] Y. C. Chen, H. J. Lee, and K. H. Lin, “Measurement of body joint angles for physical therapy based on mean shift tracking using two low cost Kinect images,” Engineering in Medicine and Biology Society (EMBC), pp. 703–706, 2015.
[15] A. Hassan Mansour, G. Z. Alabdeen Salh, and H. H. Zeen Alabdeen, “Voice recognition Using back propagation algorithm in neural networks,” International Journal of Computer Trends and Technology, vol. 23, no. 3, pp. 132–139, 2015.
[16] E. Tanuar, B. S. Abbas, A. Trisetyarso, C. H. Kang, F. L. Gaol, and W. Suparta, “Back propagation neural network experiment on team matchmaking MOBA game,” 2018 International Conference on Information and Communications Technology, ICOIACT 2018, vol. 2018-Janua, pp. 240–243, 2018.
[17] A. Sharaff and S. R. Roy, “Comparative Analysis of Temperature Prediction Using Regression Methods and Back Propagation Neural Network,” Proceedings of the 2nd International Conference on Trends in Electronics and Informatics, ICOEI 2018, no. Icoei, pp. 739–742, 2018.
[18] Z. G. Che, T. A. Chiang, and Z. H. Che, “Feed-forward neural networks training: A comparison between genetic algorithm and back-propagation learning algorithm,” International Journal of Innovative Computing, Information and Control, vol. 7, no. 10, pp. 5839–5850, 2011.
[19] S. Amalia, “Pengenalan Digit 0 Sampai Digit 9 Menggunakan Ekstraksi Ciri MFCC dan Jaringan Syaraf Tiruan Backpropagation,” Jurnal Teknik Elektro ITP, vol. 6, no. 1, pp. 1–14, 2011.
[20] T. W. Cenggoro, A. H. Kridalaksana, E. Arriyanti, and M. I. Ukkas, “Recognition of a human behavior pattern in paper rock scissor game using backpropagation artificial neural network method,” 2014 2nd International Conference on Information and Communication Technology, ICoICT 2014, pp. 238–243, 2014.
Published
2019-10-16
How to Cite
WALUYO, Khanif Azhar; YUNIARTI, Rezki; DJAMAL, Esmeralda Contessa. Game Simulasi Gerakan Pasien Cedera Bahu Menggunakan Jaringan Saraf Tiruan Backpropagation. JUMANJI (Jurnal Masyarakat Informatika Unjani), [S.l.], v. 3, n. 02, p. 17-27, oct. 2019. ISSN 2598-8069. Available at: <http://jumanji.unjani.ac.id/index.php/jumanji/article/view/61>. Date accessed: 02 apr. 2020.