Implementasi Adaptive Neuro-Fuzzy Inference System Pada Sistem Deteksi Kelelahan Mental Berbasis Sinyal Electroencephalogram

Surya Darma Santoso, Teguh and Edita Rosana Widasari, S.T., M.T., M.Eng., Ph.D (2024) Implementasi Adaptive Neuro-Fuzzy Inference System Pada Sistem Deteksi Kelelahan Mental Berbasis Sinyal Electroencephalogram. Sarjana thesis, Universitas Brawijaya.

Abstract

Kelelahan mental merupakan fenomena umum di kalangan pelajar dan pekerja yang ditandai dengan penurunan energi, motivasi, kemampuan kognitif, dan lainnya. Jika tidak segera dideteksi dan ditangani dengan tepat, maka dapat menyebabkan berbagai gangguan kesehatan dan meningkatkan risiko kecelakaan. Psikolog dapat mengidentifikasi kelelahan mental melalui dua metode pengukuran yaitu pengukuran secara subjektif dengan kuesioner atau pengukuran secara kognitif dengan tes kognitif. Namun, proses tersebut memerlukan waktu yang lama dan hasil pengukuran cenderung bersifat subjektif, rentan terhadap kesalahan dan kurang valid untuk pasien yang terbiasa dengan aktivitas kognitif. Adapun pengukuran kelelahan mental secara fisiologis berbasis sinyal electroencephalogram (EEG) yang dinilai lebih akurat dan objektif. Akan tetapi, penggunaan alat EEG banyak kanal juga memiliki kelemahan yaitu kompleksitas komputasi yang tinggi dan cenderung menimbulkan rasa tidak nyaman bagi pasien. Oleh karena itu, penelitian ini mengusulkan implementasi metode Adaptive Neuro-Fuzzy Inference System (ANFIS) pada sistem deteksi kelelahan mental berbasis sinyal EEG satu kanal untuk meningkatkan performa akurasi klasifikasi, efisiensi waktu komputasi dan kenyamanan pengguna. Metode pra-pemrosesan sinyal seperti normalisasi, segmentasi dan dekomposisi Discrete Wavelet Transform digunakan dalam sistem. Fitur Power Percentage, Standard Deviation dan Mean Absolute Value dari sinyal theta digunakan sebagai ciri normal dan ciri lelah dalam proses klasifikasi. Sistem dikemas dalam bentuk aplikasi Graphical User Interface berbasis MATLAB sehingga sistem dapat menampilkan keluaran berupa grafik sinyal theta, nilai ekstraksi fitur, dan hasil diagnosa pada laptop. Sistem ini menghasilkan akurasi klasifikasi sebesar 90% dan rata-rata waktu komputasi sistem yaitu 0,42 detik. Sistem ini dapat diandalkan dan digunakan oleh psikolog sebagai alat validator tambahan dalam mendeteksi kelelahan mental pasien dengan lebih objektif, cepat dan nyaman.

English Abstract

Mental fatigue is a common phenomenon among students and workers characterized by decreased energy, motivation, cognitive ability and more. If not detected and treated appropriately, it can lead to various health problems and increase the risk of accidents. Psychologists can identify mental fatigue through two measurement methods: subjective measurement with questionnaires or cognitive measurement with cognitive tests. However, the process takes a long time and the measurement results tend to be subjective, prone to errors and less valid for patients who are accustomed to cognitive activities. The physiological measurement of mental fatigue based on electroencephalogram (EEG) signals is considered more accurate and objective. However, the use of many EEG devices also has disadvantages, namely high computational complexity and tends to cause discomfort for patients. Therefore, this study proposes the implementation of the Adaptive Neuro-Fuzzy Inference System (ANFIS) method on a single-channel EEG signal-based mental fatigue detection system to improve classification accuracy performance, computational time efficiency and user comfort. Signal pre-processing methods such as normalization, segmentation and Discrete Wavelet Transform decomposition are used in the system. The Power Percentage, Standard Deviation and Mean Absolute Value of theta signal are used as normal features and fatigue features in the classification process. The system is packaged in the form of a MATLAB-based Graphical User Interface application so that the system can display output in the form of theta signal graphs, feature extraction values, and diagnosis results on a laptop. This system produces a classification accuracy of 90% and the average system computation time is 0.42 seconds. This system can be relied upon and used by psychologists as an additional validator tool in detecting patient mental fatigue more objectively, quickly and conveniently.

Item Type:	Thesis (Sarjana)
Identification Number:	052415
Uncontrolled Keywords:	ANFIS, EEG, Kelelahan Mental, Sistem Deteksi, ANFIS, Detection System, EEG, Mental Fatigue
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Annisti Nurul F
Date Deposited:	12 Feb 2024 02:44
Last Modified:	12 Feb 2024 02:44
URI:	http://repository.ub.ac.id/id/eprint/215898

Text (DALAM MASA EMBARGO) Teguh Surya Darma Santoso.pdf Restricted to Registered users only Download (8MB)

Actions (login required)

View Item