PEMBUATAN SISTEM PENDETEKSI KANTUK DENGAN MENGANALISA GELOMBANG ATTENTION DAN MEDITATION MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

JURNAL TEKNIK POMITS

1

PEMBUATAN SISTEM PENDETEKSI KANTUK DENGAN MENGANALISA GELOMBANG ATTENTION DAN MEDITATION MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Indoriko Shin, Bambang Setiawan, Hatma Suryotrisongko Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Gedung FTIf, Kampus ITS Sukolilo, Surabaya 60111 E-mail: [email protected]

Abstrak— Mengantuk merupakan hal yang sangat diperhatikan dalam keamanan khususnya bagi para pengemudi yang membutuhkan konsentrasi yang tinggi dimana pelakunya diharuskan untuk tetap fokus dalam tenggang waktu yang lama. Kantuk pada pengemudi merupakan pengaruh besar pada kecelakaan yang terjadi di jalan. Hal ini dapat dicegah dengan menggunakan kemampuan teknologi. Brain-computer interface (BCI) dengan menerima masukkan dari electroencephalographic (EEG) dapat mengukur aktifitas dari fungsi otak. Dengan sinyal EEG ini kita dapat mengetahui informasi penting mengenai keadaan mental seseorang, seperti mengantuk dan kelelahan. Untuk itu diperlukan sebuah aplikasi yang dapat memberikan alarm atau peringatan kepada pekerja pada saat pengemudi tersebut sudah mengantuk agar beristirahat dahulu. Dengan menggunakan alat penerima sensor gelombang otak, diharapkan aplikasi dapat memberikan peringatan dini secara real-time berdasarkan kondisi terkini dari diri pengemudi tersebut. Tujuan dari tugas akhir ini adalah merekam data EEG dari seseorang menggunakan single-channel active dry electrode system dan pengembangan aplikasi pendeteksi kantuk sebagai solusi dari permasalahan kecelakaan pada pengemudi yang disebabkan oleh faktor mengantuk. Hardware yang digunakan dalam tugas akhir ini adalah NeuroSky Mindwave, yang merupakan alat pembaca EEG noninvasive yang tersedia secara komersial. Alat ini memiliki sebuah fungsi khusus yaitu eSense. Dimana eSense ini adalah sebuah alogaritma khusus hak paten NeuroSky dalam mengklasifikasikan gelombang otak yang ada. Gelombang tersebut adalah Meditation dan Attention, yang nantinya akan digunakan untuk mendeteksi kondisi mental seseorang. Kata Kunci— EEG, Pendeteksi, Kantuk, Pengemudi, Brainwave, eSense. I. PENDAHULUAN

M

asyarakat kita telah mengalami kemajuan yang pesat dimana kini siklus kerja dan layanan tidaklah lagi mengenal waktu, terdapat istilah yaitu 24/7. Dimana pekerjaan dan layanan melakukan operasi sepanjang hari, terutama sektor yang dapat diberlakukan kerja shift seperti pelayanan kesehatan, manufakur, industri, dan layanan transportasi. Dengan munculnya sistem kerja shift muncul pula dampaknya terhadap kehidupan masyarakat yang ada.

Dengan adanya shift yang panjang, atau kerja lembur hingga larut malam mengakibatkan kekurangan tidur yang berdampak pada kantuk. Kantuk telah menjadi perhatian dalam bidang medis dan keamanan. Seseorang yang bekerja pada shift yang selalu berubah atau pada jam yang yang tidak tepat dapat mengalami gangguan dalam siklus tidurnya. Gangguan pada siklus tidur dapat mengakibatkan penurunan kewaspadaan, performa, dan tingkat kelelahan (Hen, 2008). Kantuk pada umumnya adalah sebuah transisi kondisi antara sadar dan tidur, yang mana pada kondisi ini semua indra mengalami penurunan fungsi. Kondisi ini merupakan faktor yang berkontribusi terhadap kecelakaaan yang terjadi dijalan (Knipling, 1994). Electroencephalography (EEG) merupakan salah satu cara memonitoring kondisi otak yang reliable dan noninvasive. Sinyal dari EEG merupakan salah satu alat ukur psikologi yang dapat diprediksi dan dapat diandalkan untuk mengukur tingkat kewaspadaan seseorang. Sinyal ini nantinya digunakan sebagai masukkan yang diolah didalam BCI. Brain-computer Interface (BCI) adalah sebuah teknologi yang memanfaatkan gelombang otak untuk membangun sebuah interface. Teknologi ini memanfaatkan alat penerima gelombang otak, yang kemudian menjadikan gelombang otak yang ada sebagai masukkan(Tan, 2010). Salah satu alat penerima gelombang otak yang terdapat dipasaran adalah MindWave produk dagang dari perusahaan NeuroSky. Bioiformatika merupakan kajian yang memadukan disiplin biologi molekul, matematika dan teknik informasi (TI). Ilmu ini didefinisikan sebagai aplikasi dari alat komputasi dan analisa untuk menangkap dan menginterpretasikan data-data biologi molekul. Biologi molekul sendiri juga merupakan bidang interdisipliner, mempelajari kehidupan dalam level molekul (Abdushshomad E & Astuti Aprijani, 2004). Salah satu metode handalan dalam bioinformatika adalah Support Vector Machine (SVM). SVM sudah digunakan dalam beberapa penelitian bioinformatika. Dalam penelitian yang dilakukan tersebut banyak yang berkesimpulan bahwa SVM cocok diterapkan dalam masalah bioinformatika yang diisukan. Penelitian untuk mendeteksi kantuk secara dini sudah dilakukan oleh peneliti sebelumnya. Berbagai metode sudah dilakukan, salah satunya adalah dengan menggunakan teknologi Computer Vision. Dimana metode pendeteksian kantuk berdasarkan dari kedipan mata sang subjek. Pada penelitian tersebut sang subjek diberikan semacam kamera yang diarahkan kemata sang subjek. Kemudian sang subjek disuruh untuk mengemudi kendaraan dari Bandung –

JURNAL TEKNIK POMITS Jakarta – Bandung (selama 7 jam). Dimana setiap 5 menit sekali sang subjek akan ditanyakan kondisi mengantuknya. Dari penelitian tersebut didapatkan hasil, kedipan mata akan bertambah cepat sekitar 20% jika subjek dalam keadaan mengantuk dan microsleep sang subjek berkisar antara 0.5 per detik (Manik Mahachandra, 2011). Penelitian kantuk dengan Computer Vision sudah pada tahap pengembangan aplikasi yang bernama CarSafe (Chuang-Wen You, 2010). Dimana aplikasi tersebut memanfaatkan kamera pada Smartphone. Dimana hasil dari penelitian tersebut Computer Vision dapat mendeteksi keadaan subjek mengantuk hingga 85%. Disisi lain ada salah satu penelitian yang membuat penulis lebih memilih SVM dari pada metode yang lain adalah penelitian yang dilakukan oleh Yeo et al. Dimana dalam penelitian tersebut, mengidentifikasi apakah metode SVM dapat digunakan sebagai pendeteksi kantuk atau tidak. SVM mampu mendeteksi kantuk seseorang hingga 99% (Yeo et. al, 2009). Karena keakuratannya itulah, SVM dipilih sebagai metode pendeteksi kantuk pada tugas akhir ini. Setelah mengetahui permasalahan yang ada, dimana tingginya kecelakaan yang terjadi disebabkan salah satunya karena rasa kantuk. Maka, pada tugas akhir ini akan dibuat sebuah aplikasi yang akan membaca dan mendeteksi kondisi mental pengemudi kendaraan dengan menggunakan fitur eSense yang ada pada alat MindWave, yaitu gelombang meditation, attention, delta, tehta, dan gamma yang kemudian akan diproses dengan metode SVM untuk mengetahui apakah pengemudi mengantuk atau tidak. Jika pengemudi terdeteksi sedang mengantuk maka aplikasi ini akan membunyikan alarm yang mengingatkan pengemudi agar beristirahat. Dari penelitian tugas akhir ini akan didapatkan data gelombang otak lima orang subjek yang masing-masing adalah 6 jam, sehingga didapat data gelombang otak raw eeg sebanyak 30 jam yang nantinya mampu digunakan untuk penelitian lebih lanjut. Dan juga didapatkan hasil analisis yang menunjukkan apakah gelombang attention, meditaion, tehta, delta, dan gamma dapat digunakan sebagai acuan untuk mendeteksi kondisi kantuk pada seseorang.

II. URAIAN PENELITIAN 2.1. Brain-Computer Interface Brain-Computer Interface (BCI) merupakan suatu ilmu yang mempelajari kemungkinkan otak untuk dapat berinteraksi langsung dengan perangkat keras, dengan bantuan alat penerima sensor gelombang otak (Tan, 2010). Gelombang otak yang didapat biasa disebut dengan electrical biosignal. Electrical biosignal merupakan arus listrik yang dihasilkan oleh perbedaan potensial listrik di sistem jaringan, organ atau sel seperti sistem saraf. Contoh dari electrical biosignal adalah ECG (Electrocardiogram), EMG (Electromyogram), EEG (Electroencephalogram) dan EOG (Electrooculogram). Dari electrical biosignal diatas yang umum digunakan adalah Electroencephalogram (EEG) yang biasanya diukur dengan cara menempelkan eletroda ke kulit kepala. EEG biasanya diilustrasikan sebagai pita frekuensi. Pita

2 frekuensi pada EEG terbagi menjadi beberapa frekuensi, yaitu alpha, beta, gamma, delta, dan theta. 2.2. Support Vector Mechine Support Vector Machine (SVM) merupakan suatu teknik yang relatif baru (dipopulerkan pada tahun 1995) untuk melakukan prediksi, baik dalam kasus klasifikasi maupun regresi, yang sangat populer. SVM berada dalam satu kelas dengan Artificial Neural Networks (ANN) dalam hal fungsi dan kondisi permasalahan yang bisa diselesaikan. Baik para ilmuwan maupun praktisi telah banyak menerapkan teknik ini dalam menyelesaikan masalah-masalah nyata dalam kehidupan sehari-hari. Baik dalam masalah gene expression analysis, finansial, cuaca, hingga bidang kedokteran. Terbukti dalam banyak implementasi, SVM memberi hasil yang lebih baik daripada teknik yang serupa semisal ANN (Santosa, 2007). Dalam penelitian ini SVM akan digunakan sebagai pengklasifikasi otomatis dari gelombang otak yang ditangkap oleh alat penangkap sensor gelombang otak. Dan kemudian memutuskan apakah dari data tersebut pemakai cenderung ke keadaan fokus atau mengantuk. 2.3. Analisa Regresi Istilah “regresi” pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi, memiliki anak-anak yang tinggi pula dan orang tua yang pendek memiliki anak-anak yang pendek pula. Meskipun demikian, ia mengamati ada kecenderungan bahwa tinggi anak bergerak menuju rata-rata tinggi populasi secara keseluruhan. Dengan kata lain ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak kea rah rata-rata tinggi populasi. Inilah yang disebut dengan hukum Galton mengenai regresi universal.(Maddala, 1992). Intrepetasi modern mengenai regresi agak berlainan dengan regresi versi Galton. Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel independen (penjelas/bebas), dengan tujuan untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui. (Gujarati, 2003). Hasil analisi regresi adalah berupa koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan suatu persamaan.

Dimana Y adalah variabel dependen, dan X adalah variabel independen. Dalam analisis tugas akhir ini Y adalah status kantuk subjek, dan X adalah gelombang yang digunakan untuk mendeteksi kantuk. Dengan analisa regresi ini akan dicari validitas hubungan antara gelombang yang ada dengan kantuk. 2.4. Mendeteksi kantuk dengan Alpha dan Beta Penelitian untuk medeteksi kantuk dengan menggunakan gelombang EEG sudah pernah dilakukan sebelumnya oleh Yeo et al. Pada penelitian tersebut digunakan gelombang

JURNAL TEKNIK POMITS

3

alpha dan beta untuk mendeteksi kantuk yang diolah dengan metode SVM. Dari penelitian tersebut didapat bahwa saat mengantuk gelombang alpha akan terjadi penurunan (Yeo et. al, 2009).

Gambar 3. Periode dalam penelitian

Gambar 1. Pengamatan gelombang alpha pada penelitian Yao et al.

Sebuah penelitian dilakukan oleh Hong J Eoh, Min K. Chung dan dan Seong-Han Kim (Hong J Eoh, 2005). Penelitian tersebut bertujuan untuk menganalisa perubahan EEG pengemudi pada saat sebelum terjadi sebuah kecelakaan dan sesudah kecelakaan. Penelitian tersebut berfokus pada apakah kondisi kelelahan pengemudi berpengaruh pada kecelakaan yang terjadi. Mekanisme penelitian tersebut adalah 8 subyek percobaan yang kurang tidur, diberikan caffein untuk meredakan rasa kantuk. Kemudian mereka menyetir simulasi mengemudi (seperti gambar 2. 10 dibawah ini) secara terus menerus selama 50 menit. Dalam waktu 50 menit tersebut aktivitas mereka dan perpindahan mobil direkam.

Sedangkan untuk “section” digunakan untuk menunjukkan kejadian-kejadian yang terjadi pada saat simulasi mengemudi. Section yang digunakan dalam penelitian tersebut terbagi dalam bagian seperti pada gambar 2. 8 dibawah ini.

Gambar 4. Section pada penelitian

Dari penelitian tersebut didapat kesimpulan bahwa : • Dalam analisa EEG saat mengemudi ada perubahan gelombang α, β, index β/α, dan index (α+θ)/β • Pada saat pengemudi mengantuk akan terjadi penurunan α • Perubahan indeks yang signifikan juga terjadi dalam tipe jalan yang berbeda • Index gelombang β/α dan gelombang (α+θ)/β yang signifikan berubah saat kecelakaan terjadi (seperti gambar 2. 9 dibawah ini) • Untuk menganalisa kecelakaan EEG, diperlukan perencanaan dan kontrol accident di penelitian yang akan datang

Gambar 5. Perbedaan yang terjadi pada saat mengantuk.

Gambar 2. Simulasi yang dilakukan pada penelitian

Penelitian tersebut menggunakan istilah “section” dan “period”. Dimana “period” merupakan jumlah lap yang dilakukan pengemudi pada saat melakukan simulasi mengemudi. Dalam penelitian tersebut, pengemudi harus mengemudi selama 3 lap. Periode yang didapat dalam penelitian tersebut dapat dilihat pada gambar 2. 12 dibawah ini.

2.5. NeuroSky Mindwave NeuroSky adalah sebuah perusahaan yang bergerak dalam bidang teknologi sensorik yang berhubungan dengan gelombang otak. Perusahaan ini merupakan perusahaan yang mengembangkan alat pembaca gelombang otak 1channel yang dipakai dalam tugas akhir ini yaitu Mindwave. Mindwave adalah alat pembaca EEG komersial yang sederhana dan dapat digunakan dengan mudah. Dengan menggunakan elektroda yang ditempelkan pada dahi pengguna, alat ini mampu membaca gelombang EEG yang dihasilkan oleh otak. Sensor yang digunakan untuk membaca gelombang otak berada pada pengait depan atau sensor tip/arm. Berikut adalah bagian-bagian dari alat NeuroSky Mindwave seperti yang terlihat pada gambar 6.

JURNAL TEKNIK POMITS

4

Gambar 6. Bagian-bagian pada Mindwave

Dalam tugas akhir ini digunakan fitur khusus dari NeuroSky Mindwave yaitu eSense. eSense adalah sebuah fitur khusus yang hanya dimiliki oleh NeuroSky, fitur ini menambahkan gelombang khusus yang dibaca dari otak. Yaitu, gelombang meditation dan attention. Gelombang tersebut yang nantinya dianalisis untuk menentukan kondisi kantuk atau tidak. III. PERANCANGAN SISTEM 3.1. Pengumpulan Data Pengumpulan Data merupakan tahapan untuk mendapatkan data gelombang otak dari pekerja malam. Dalam tugas akhir ini pekerja malam yang diteliti adalah pekerja yang mengerjakan tugasnya di depan komputer pada malam hari. Mahasiswa dan Dosen yang mengerjakan tugasnya pada malam hari termasuk dalam kategori ini. Untuk pengumpulan data ini, 5 orang subjek, akan dipakaikan Neurosky Mindwave selama 3 jam (jam 21.00 sampai dengan jam 00.00). Tujuan pemakaian pada jam tersebut adalah pada saat tersebut kebanyakan orang mulai merasa mengantuk dan akhirnya tidur. Tiap subjek melakukan 2 kali pengambilan data. Hal tersebut digunakan untuk data melakukan training SVM dan testing SVM. Sehingga keseluruhan data yang didapat adalah 10set data, masing-masing terdiri dari catatan aktivitas otak selama 3 jam. Jumlah total rekaman gelombang otak adalah 30 jam. Selain subjek, penulis juga hadir dalam pengambilan data ini, bertanggung jawab atas peralatan logging, dan juga membuat pencatatan tingkat kantuk subjek. Tingkat kantuk subjek akan ditanyakan ke subjek setiap 5 menit sekali. Catatan tingkat kantuk ini akan digunakan untuk pelatihan (training) SVM dan juga untuk mengukur keakuratan dari metode identifikasi kantuk yang diterapkan. 3.2. Pembuatan Aplikasi Apabila kebutuhan sistem telah tercapai, dasar-dasar ilmu serta teknologi yang akan digunakan telah diketahui, maka langkah selanjutnya adalah melakukan perancangan sistem. Pada tahapan ini pembuatan algoritma SVM untuk pendeteksi kantuk dibuat. Selain itu proses penangkapan signal otak, penyimpanan signal otak yang telah diterima dengan aplikasi hingga pembuatan penanda bunyi untuk penanda bahwa pekerja sudah mengantuk juga dilakukan di tahapan ini. Secara umum alur jalan aplikasi yang akan dibuat adalah sebagai berikut :

Gambar 7. Alur Kerja Aplikasi

3.3. Analisis Data Pada tahap ini, data mentah yang sudah didapatkan dari tahap sebelumnya dilakukan pengecekan mengenai tingkat validasi kondisi ngantuk yang telah didapat. Menurut Hong J Eoh, pada penelitiannya mengenai kecelakaan lalu lintas yang disebabkan mengenai kantuk, menyatakan bahwa kantuk pada sopir yang mengalami kecelakaan dimulai dari faktor lelah (fatigue). Hal ini dikarenakan sopir yang lelah akan kehilangan fokus pada penglihatannya dan akhirnya tidak dapat mengetahui keadaan jalanan dengan jelas. Pada penelitian tersebut juga menghasilkan kesimpulan bahwa signal alpha dapat dijadikan acuan kapan sopir lelah atau tidak. Dimana signal tersebut akan mengalami perbedaan yang signifikan jika sopir mulai lelah (Hong J. Eoh, 2005). Untuk itu, pada penelitian ini juga akan melakukan penghitungan signal mana yang dapat digunakan. Dari hasil perhitungan analisa regresi didapatkan hasil yaitu gelombang yang dapat digunakan untuk mendeteksi kantuk adalah gelombang attention dan delta. Tabel 1 Hasil analisa regresi

Dari hasil analisa regresi tersebut kemudian gelombang attention dan delta dijadikan acuan sebagai pendeteksi kantuk. Kemudian gelombang attention dan delta dibandingkan dengan alpha untuk memastikan data yang diambil sudah valid dan siap digunakan untuk data latih SVM. Grafik yang akan ditampilkan dibawah ini ditampilkan berdasarkan kondisi gelombang otak subjek 5 menit sebelum mengantuk dan 5 menit sesudah mengantuk. Pada subjek pertama terlihat pada gambar 8 dibawah ini terdapat perbedaan yang terlihat jelas sewaktu menit-menit subjek sebelum mengantuk dan akhirnya mengantuk. Sehingga data pada subjek pertama dapat dipastikan subjek merasa lelah pada saat mengantuk.

JURNAL TEKNIK POMITS

5 ini terdapat perbedaan yang terlihat jelas sewaktu menitmenit subjek sebelum mengantuk dan akhirnya mengantuk. Sehingga data pada subjek kelima dapat dipastikan subjek merasa lelah pada saat mengantuk.

Gambar 8 Analisis Data pada Subjek Pertama

Pada subjek kedua terlihat pada gambar 9 dibawah ini terdapat perbedaan yang terlihat jelas sewaktu menit-menit subjek sebelum mengantuk dan akhirnya mengantuk. Sehingga data pada subjek kedua dapat dipastikan subjek merasa lelah pada saat mengantuk.

Gambar 12 Analisis Data pada Subjek Kelima

IV. IMPLEMENTASI DAN UJI COBA 4.1. Lingkungan Implementasi Pada pembahasan lingkungan implementasi meliputi pembahasan spesifikasi perangkat keras yang digunakan, perangkat lunak, dan tools yang digunakan untuk membangun sistem pendeteksi kantuk. Berikut adalah tabel 1 menunjukkan detail dari perangkat keras yang digunakan. Tabel 2 Perangkat Keras Yang Digunakan Dalam Implementasi

Gambar 9 Analisis Data pada Subjek Kedua

Pada data subjek ketiga terlihat pada gambar 10 dibawah ini terdapat perbedaan yang terlihat jelas sewaktu menitmenit subjek sebelum mengantuk dan akhirnya mengantuk. Sehingga data pada subjek ketiga dapat dipastikan subjek merasa lelah pada saat mengantuk.

Perangkat Keras Komputer Personal

Bluetooth Brainwave Reader

Proc

RAM Version Name Vendor

Spesifikasi Intel Core i5 2450M @ 2.50 GHz 4096 MB 2.0 Mindwave Mobile Neurosky

Sedangkan untuk spesifikasi perangkat lunak dan teknologi yang digunakan dapat ditunjukkan pada tabel 2 seperti dibawah ini. Tabel 3 Perangkat Lunak Yang Digunakan Dalam Implementasi Dan Uji Coba Sistem

Gambar 10 Analisis Data pada Subjek Ketiga

Pada data subjek keempat ini data sudah mengalami perbedaan dari awal (seperti pada gambar 11). Pada signal alpha. Sehingga memang sudah dapat dipastikan bahwa sebenarnya subjek keempat ini sudah merasa lelah dari sebelum pengambilan data dilakukan.

Gambar 11 Analisis Data pada Subjek Keempat

Pada data subjek kelima terlihat pada gambar 6 dibawah

Perangkat Lunak / Tools Sistem Operasi Java Development Kit (JDK) Editor Driver

Details Windows 7 Ultimate Ver 7 Netbeans IDE 7.2 Thinkgear Connector

4.2. Uji Coba Sistem Pengujian sistem pendeteksi kantuk ini akan dilakukan dengan melibatkan subjek yang diambil data gelombang otaknya pada proses pengumpulan data. Hanya saja subjek yang dapat ikut dalam uji coba sistem ini hanya 4 orang dari 5 subjek. Hal ini dikarenakan 1 subjek datanya tidak valid sehingga tidak dapat dilakukan proses uji coba. Prosedur pengujian aplikasi sama persis dengan proses pengambilan data, yaitu : • Subjek diambil datanya pada malam hari dari jam 21.00 sampai dengan 00.00. • Subjek diharuskan melakukan simulasi mengemudi • Subjek akan ditanyakan status kantuknya selama 5 menit sekali Yang membedakan proses uji coba sistem dengan

JURNAL TEKNIK POMITS

6

pengambilan data adalah data dari gelombang otak tidak disimpan, akan tetapi akan langsung diproses dengan data latih yang sudah didapatkan sebelumnya. Kemudian aplikasi akan dinilai berapa kali error mendeteksi kantuk sang subjek. Dalam proses uji coba ini data yang akan dicatat adalah berapa banyak aplikasi membunyikan alarm sebagai penanda subjek mengantuk. Kemudian jumlah benar dan salah aplikasi mendeteksi kantuk. Jumlah benar adalah jumlah dimana aplikasi tidak akan membunyikan alarm pada saat subjek tidak mengantuk dan akan membunyikan alarm jika subjek mengantuk. Jumlah salah merupakan jumlah dimana aplikasi akan membunyikan alarm pada saat subjek belum mengantuk dan tidak membunyikan alarm jika subjek mengantuk. Proses pencatatan akan dilakukan setiap 20 menit sekali dengan menghitung jumlah bunyi alarm, jumlah benar dan salah aplikasi mendeteksi kondisi kantuk subjek tiap 20 menit tersebut. Aplikasi pendeteksi kantuk ini mendeteksi kantuk setiap 2 menit sekali, sehingga jumlah pendeteksian kantuk yang akan dilakukan dalam 20 menit adalah sebanyak 10 kali. Pada akhir pencatatan akan dihitung keakurasian aplikasi mendeteksi kantuk. Keakurasian aplikasi dihitung dari jumlah total aplikasi dengan benar mendeteksi kantuk subjek dibagi dengan jumlah aplikasi mendeteksi kantuk (uji coba aplikasi dilakukan selama 3 jam = 180 menit, Data dideteksi aplikasi setiap 2 menit, sehingga proses pendeteksian kantuk aplikasi adalah sebanyak 180 / 2 = 90 proses pendeteksian). Hasil pengujian dari aplikasi dapat dilihat pada tabel 4 dibawah ini.

Subjek

Subjek 1 Subjek 2 Subjek 3 Subjek 4

pengguna jika sedang mengantuk dengan membunyikan alarm. 6. Aplikasi dapat mendeteksi kantuk dengan baik hal ini terbukti dari hasil uji coba aplikasi untuk subjek pertama 88,88%, subjek kedua 88,88%, subjek ketiga 84,44%, dan subjek kelima 68,88%. Sehingga rata-rata akurasi adalah 82.77 %. 7. Pengujian pada subjek keempat tidak dapat dilakukan karena setelah dilakukan wawancara subjek empat mengantuk sejak awal pengambilan data. Sehingga data subjek keempat dinyatakan tidak valid dan tidak dapat digunakan untuk pengujian. 8. Saat dilakukan uji validitas aplikasi pendeteksi kantuk attention, delta dibandingkan dengan alpha didapatkan akurasi sebesar 88,52% VI. DAFTAR PUSTAKA [1]

[2] [3]

[4] [5] [6] [7]

[8]

Tabel 4 Hasil Uji Coba Aplikasi

[9]

Jumlah Aplikasi Benar Mendeteksi Kantuk 80 80 76 62

[10]

Jumlah Aplikasi Salah Mendeteksi Kantuk 10 10 14 28

Akurasi

88,88% 88,88% 84,44% 68,88%

V. KESIMPULAN Berdasarkan hasil penelitian ini, maka kesimpulan yang dapat diperoleh adalah sebagai berikut: 1. Gelombang Attention dapat mendeteksi fase awal kantuk yaitu loss focus. 2. Gelombang Delta dapat digunakan untuk mendeteksi kondisi kantuk. 3. Gelombang Meditation, Tetha, dan Gamma tidak dapat digunakan untuk mendeteksi kantuk. 4. Saat dibandingkan dengan gelombang alpha yang sudah teruji, disaat yang sama saat gelombang alpha turun gelombang attention dan delta juga mengalami perubahan signifikan yang mampu dijadikan sebagai pertanda kantuk. Sehingga gelombang attention dan delta dinilai mampu mendeteksi kantuk. 5. Aplikasi Pendeteksi Kantuk dapat diimplementasikan dan aplikasi ini mempunyai fitur untuk mengingatkan

[11] [12] [13] [14] [15] [16]

Akbar, Izzat A. 2013. Pembuatan Sistem Pendeteksi Kantuk Untuk Pekerja Shift Malam Dengan Metode Support Vector Machine Menggunakan Alat Neurosky Mindwave. Jurusan Sistem Informasi. Institut Teknologi Sepuluh Nopember. D.S. Tan and A. Nijholt (2010). Brain-Computer Interface: Applying Our Mind to Human-Computer Interaction. Springer. Erik Andreas Larsen. (2011). Classification of EEG Signal in a BrainComputer Interface System. Norwegian University of Science and Technology. Gujarati, D. 2003. Basic Econometrics. Mc-Grawhill. New York. Hannah Davis. Sensor Workshop at ITP: Report/EEG MindWave. Hen Su Choi. (2008). Using Brain-Computer Interfaces to Analyze EEG Data for Safety Improvement. Hong J. Eoh, N. K. – H. 2005. Electroencephalographic Study of Drowsiness in Simulated Driving with Sleepdeprivasion. Internatioal Journal of Industrial Ergonomics, 307-320. http://itp.nyu.edu/physcomp/sensor/Report/EEGMindwave, April 2012. Knipling, R.R and Wang, J.S (1994). Crashes and Fatalities Related to Driver Drowsiness/Fatigue. National Highway Traffic Safety Administration, Washington, D.C. Luodin, J.D., et al. (2007). Optoelectronic Retinal Prosthesis: System Design and Performance. Journal of Neural Engineering. Maddala, M. 1992. Introduction to Econometrics. MacMillan Publishing Co. New York NeuroSky White Paper. (2009). Brainwave EEG Signal. NeuroSky, How to Use Mindwave, July-2011 NeuroSky. (2009). NeuroSky's eSense Meter and Detection of Mental State. Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta, Graha Ilmu. Yeo et al. 2009 . Can SVM be used for automatic EEG detection of drowsiness during car driving. Mc-Grawhill. New York