Peneliti Indonesia di MIT Kembangkan Tekstil Pintar dengan Machine Learning

Untuk menghasilkan tekstil cerdas, para peneliti menggunakan mesin rajut digital yang menyatukan lapisan kain dengan deretan benang standar dan fungsional.

Tekstil rajutan multilapisan terdiri dari dua lapisan rajutan benang konduktif yang diapit di sekitar rajutan piezoresistif, yang mengubah ketahanannya saat diperas.

"Mengikuti pola, mesin menjahit benang fungsional ini ke seluruh tekstil dalam baris horizontal dan vertikal. Di mana serat fungsional berpotongan, mereka menciptakan sensor tekanan," Wicaksono menjelaskan.

Namun, karena benangnya lembut dan lentur, lapisannya bergeser dan bergesekan satu sama lain saat pemakainya bergerak. Ini menghasilkan kebisingan dan menyebabkan variabilitas yang membuat sensor tekanan kurang akurat.

Wicaksono menemukan solusi untuk masalah ini saat bekerja di sebuah pabrik rajut di Shenzhen, Tiongkok. Saat itu dia menghabiskan satu bulan belajar memprogram dan memelihara mesin rajut digital.

Dia menyaksikan para pekerja membuat sepatu kets menggunakan benang termoplastik yang akan mulai meleleh jika dipanaskan di atas 70 derajat Celcius, yang sedikit mengeraskan tekstil, sehingga dapat mempertahankan bentuk yang tepat.

Dia memutuskan untuk mencoba menggabungkan serat leleh dan thermoforming ke dalam proses fabrikasi tekstil pintar.

"Termoforming benar-benar memecahkan masalah kebisingan karena mengeraskan tekstil multilapisan menjadi satu lapisan dengan meremas dan melelehkan seluruh kain menjadi satu, yang meningkatkan akurasi. Thermoforming juga memungkinkan kami membuat bentuk 3D, seperti kaus kaki atau sepatu, yang benar-benar sesuai dengan ukuran dan bentuk pengguna yang tepat,” kata Wicaksono.

Setelah menyempurnakan proses fabrikasi, Wicaksono membutuhkan sistem untuk memproses data sensor tekanan secara akurat. Karena kain dirajut sebagai kisi, ia membuat sirkuit nirkabel yang memindai baris dan kolom pada tekstil dan mengukur hambatan di setiap titik.

Dia merancang sirkuit ini untuk mengatasi artefak yang disebabkan oleh ambiguitas "bayangan", yang terjadi ketika pengguna memberikan tekanan pada dua atau lebih titik terpisah secara bersamaan.

Terinspirasi oleh teknik deep learning untuk klasifikasi gambar, Wicaksono merancang sistem yang menampilkan data sensor tekanan sebagai peta panas. Gambar-gambar itu diumpankan ke model machine learning, yang dilatih untuk mendeteksi postur, pose, atau gerakan pengguna berdasarkan gambar peta panas.

Penulisan makalah ini juga melibatkan undergraduate students di MIT yakni Peter G. Hwang, Samir Droubi, dan Allison N. Serio melalui Undergraduate Research Opportunities Program; serta Franny Xi Wu, lulusan Wellesley College; Wei Yan, asisten profesor di Nanyang Technological University; penulis senior Joseph A. Paradiso, profesor dan direktur di Responsive Environments di MITI Media Lab.