Giffary, Muhammad Zufar and Edita Rosana Widasari, S.T., M.T., M.Eng., Ph.D. (2024) Implementasi Metode K-Nearest Neighbor Pada Sistem Deteksi Kelelahan Mental Berbasis Sinyal Electroencephalogram. Sarjana thesis, Universitas Brawijaya.
Abstract
Kelelahan mental dapat dialami individu dari berbagai latar belakang pekerjaan, baik pelajar maupun pekerja. Kelelahan mental yang terjadi pada individu dapat berdampak negatif salah satunya menjadi penyebab terjadinya kecelakaan lalu lintas. Menurut Victorian Transport Resources, sekitar 10-40% kecelakaan lalu lintas yang terjadi di Australia bukan disebabkan oleh kelelahan mengemudi, melainkan kelelahan secara mental akibat beban mental yang dialami pengemudi. Deteksi dini kelelahan mental merupakan salah satu pencegahan terhadap dampak buruk akibat kelelahan mental. Deteksi kelelahan mental dapat dilakukan dengan tes psikologis dan fisiologis, namun deteksi kelelahan mental secara psikologis membutuhkan waktu untuk melakukan proses deteksi dengan harus menggunakan lebih dari satu kuesioner psikometri, serta data hasil tes psikologis bersifat subjektif. Deteksi kelelahan mental dengan tes fisiologis dapat menjadi validator tambahan untuk mendukung data hasil tes psikologis dan dapat digunakan untuk mengurangi waktu deteksi, salah satu tes fisiolgis ialah dengan pengukuran sinyal electroencephalogram menggunakan teknik Electroencephalography (EEG) untuk mendapatkan hasil yang lebih objektif. Penelitian ini akan membahas pengembangan sistem deteksi kelelahan mental berbasis sinyal EEG dengan gelombang Theta (4-8Hz) yang mengimplementasikan metode K-Nearest Neighbor (KNN). Penelitian ini akan mengklasifikasi kelelahan mental ke dalam tiga kelas, yaitu Alert, Slight, dan Severe. Ekstraksi fitur menggunakan metode Mean Absolute Value (MAV), Absolute Power (AVP), dan Standard Deviation (SD). Akurasi yang didapatkan pada pengujian adalah 83,33% dengan rata-rata waktu komputasi 0,5656 detik. Klasifikasi kelelahan mental ditampilkan pada graphical user intercace GUI di aplikasi MATLAB. Sistem ini diharapkan mampu mengukur tingkat kelelahan mental melalui tiga kelas klasifikasi dan menjadi validator tambahan yang membantu psikolog.
English Abstract
Mental fatigue can be experienced by individuals from various work backgrounds, both students and workers. Mental fatigue that occurs in individuals can have a negative impact, one of which is the cause of traffic accidents. According to Victorian Transport Resources, around 10-40% of traffic accidents that occur in Australia are not caused by driving fatigue, but mental fatigue due to the mental burden experienced by the driver. Early detection of mental fatigue is one way to prevent the adverse effects of mental fatigue. Detection of mental fatigue can be done by psychological and physiological tests, but the detection of mental fatigue psychologically takes time to carry out the detection process by having to use more than one psychometric questionnaire, and the data from psychological test results are subjective. Detection of mental fatigue with physiological tests can be an additional validator to support psychological test data and can be used to reduce detection time, one of the physiological tests is the measurement of electroencephalogram signals using Electroencephalography (EEG) techniques to get more objective results. This research will discuss the development of an EEG signal-based mental fatigue detection system with Theta waves (4-8Hz) that implements the K-Nearest Neighbor (KNN) method. This research will classify mental fatigue into three classes, namely Alert, Slight, and Severe. Feature extraction uses the Mean Absolute Value (MAV), Absolute Power (AVP), and Standard Deviation (SD) methods. The accuracy obtained in the test is 83.33% with an average computation time of 0.5656 seconds. The mental fatigue classification is displayed on the graphical user interface GUI in the MATLAB application. This system is expected to be able to measure the level of mental fatigue through three classification classes and become an additional validator that helps psychologists.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0524150188 |
| Uncontrolled Keywords: | Absolute Power, Electroencephalography, K-Nearest Neighbor, Kelelahan Mental, Mean Absolute Value, Standard Deviation, Theta.Absolute Power, Electroencephalography, K-Nearest Neighbor, Mean Absolute Value, Mental Fatigue, Standard Deviation, Theta. |
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer |
| Depositing User: | Sugeng Moelyono |
| Date Deposited: | 25 Mar 2024 02:25 |
| Last Modified: | 25 Mar 2024 02:25 |
| URI: | http://repository.ub.ac.id/id/eprint/216124 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Muhammad Zufar Giffary.pdf Restricted to Registered users only Download (5MB) |
Actions (login required)
 |
View Item |