Algoritma Machine Learning (ML) dengan metode Extream Learning Machine (ELM) didesain sebagai metode klasifikasi untuk menentukan pola sinyal Electromyograph (EMG). Algoritma ini menggunakan sinyal masing-masing jari sebagai input utama untuk menggerakkan jari tangan secara independent sehingga didapatkan gerak tangan prosthetic yang sesuai dengan gerakan input-nya.
Sinyal yang digunakan merupakan surface EMG(sEMG) 2-channel yang diakusisi dari otot lengan pada bagian extensor dan flexor digitorum, 3 buah elektroda diletakan dekat dengan pergelangan tangan (flexor digitorum) dan 3 elektroda lain (channel ke-2) pada bagian belakang lengan (extensor digitorum). Hasil sinyal diproses dengan feature set (ekstrasi ciri) seperti Hjorth Time-Domain Parameter, Simple Skewness, Slope Sign Change untuk mengetahui ciri khas masing-masing gerak tangan dan jari. Motor servo digunakan pada setiap jari, yaitu berjumlah lima motor.
Implementasi penelitian ini menghasilkan 3D printed prosthetic hand menggunakan desain open source¬ project inmoov. Inferensi ELM dilakukan pada raspberry-pi dengan menggunakan pemograman Python. Rerata akurasi kelas pergerakan tangan yang dihasilkan menggunakan Extreme Learning Machine adalah sebesar 86% untuk klasifikasi 6 kelas.
Kata Kunci : machine learning, prosthetic, raspberry-pi, sEMG, ELM