View/Open

Author
SALWA, MUFTI FADHILAH

Advisor
Rudi Setiawan, S.T., M.T.,
Hendri Maja Saputra, S.T., M.T., Ph.D.,
Rafli Filano, S.Si., M.T.,

Koleksi
Teknik Biomedis

Publisher

Teknologi robot bedah semakin luas digunakan pada prosedur laparoskopi untuk mendukung pendekatan minimal invasif dan meminimalkan trauma jaringan. Namun, sebagian sistem masih menghasilkan gaya berlebih yang berpotensi merusak jaringan pasien. Penelitian ini bertujuan mengembangkan serta mengevaluasi sistem prediksi gaya berbasis sensor strain gauge dengan model Long Short-Term Memory (LSTM) pada instrumen forcep laparoskopi. Dataset diperoleh dari perubahan resistansi sensor strain gauge akibat deformasi pada gripper (30 detik) dan tube sensing (60 detik) dengan empat kali pengambilan data yang dikombinasikan. Data tersebut digunakan untuk pelatihan dan validasi model LSTM melalui pengaturan hyperparameter. Model terbaik kemudian diuji secara eksperimental secara real-time pada instrumen dan dibandingkan dengan pendekatan analitik sebagai dasar teoretis. Hasil penelitian menunjukkan model LSTM mencapai akurasi >90% pada pelatihan, >90% pada gripper, dan >75% pada tube sensing saat validasi. Uji eksperimental memperlihatkan kesalahan prediksi (MAPE) <10%, termasuk kategori sangat baik, secara signifikan lebih rendah dibandingkan estimasi berbasis analitik. Paired t-test mengonfirmasi perbedaan yang signifikan (Sig <0.05) antara kedua pendekatan. Penelitian ini menunjukkan integrasi LSTM mampu meningkatkan ketepatan estimasi gaya, sehingga mendukung keamanan dan kinerja sistem robot bedah minimal invasif.

URI
https://repository.itera.ac.id/depan/submission/SB2509190033

Keyword
Instrumen forcep laparoskopi Long Short-Term Memory (LSTM) Prediksi gaya Sensor strain gauge