Sistem Pendeteksi Stres Pada Pengemudi Berdasarkan Heart Rate Variability Menggunakan Algoritma K-Nearest Neighbor Berbasis Raspberry Pi

Wibowo, Panji Mukti and Rekyan Regasari Mardi Putri, S.T., M.T. and Dr.Eng. Fitra Abdurrachman Bachtiar, S.T., M.Eng (2024) Sistem Pendeteksi Stres Pada Pengemudi Berdasarkan Heart Rate Variability Menggunakan Algoritma K-Nearest Neighbor Berbasis Raspberry Pi. Sarjana thesis, Universitas Brawijaya.

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi stres pada pengemudi yang berbasis Raspberry Pi dengan menggunakan variabilitas denyut jantung atau Heart Rate Variabilty (HRV) dengan algoritma K-Nearest Neighbor. Stres pada pengemudi menyebabkan sebanyak 80% kecelakaan lalu lintas. Hal ini juga diperparah seiring dengan meningkatnya lalu lintas. Kepadatan lalu lintas dapat memperparah kondisi mental pengemudi khususnya mobil sehingga pengemudi sering berkendara dalam kondisi mental yang tidak baik atau adalam keadaan stres. Maka dari itu diperlukan alat yang dapat mendeteksi stres pengemudi dengan akurat dan dengan waktu komputasi yang cepat sehingga dapat mendeteksi stres bagi pengendara secara cepat dan tepat. Untuk mengurangi angka kecelakaan akibat kesalahan pengemudi khususnya akibat stres atau tekanan yang terjadi pada pengemudi, maka sistem akan berfungsi sebagai sebuah sistem deteksi dini stres, sehingga pengemudi dapat mengevaluasi kembali dirinya ketika berkendara. Sistem ini menggunakan sensor Photoplethysmography yang ditempatkan pada kemudi mobil untuk mengakuisisi sinyal biologis. Sinyal yang diperoleh kemudian melalui filterisasi dan ekstraksi fitur agar menjadi metrik HRV yang relevan. Sebelas fitur akan digunakan dalam proses klasifikasi ini. Penggunaan model pembelajaran mesin juga digunakan untuk meningkatkan proses klasifikasi. KNN berfungsi sebagai pengklasifikasi stres menjadi empat kelas yang berbeda: normal, stres ringan, stres sedang, dan stres berat. Hasil pengujian menunjukkan bahwa sistem dapat mengklasifikasikan stres dengan akurasi 83% dan waktu komputasi rata-rata 0,342 detik. Dengan demikian, penelitian ini diharapkan berkontribusi pada keselamatan berkendara dengan memberikan peringatan dini.

English Abstract

This research aims to develop a Raspberry Pi-based driver stress detection system using heart rate variability (HRV) with the K-Nearest Neighbor algorithm. Stress in drivers causes as much as 80% of traffic accidents. This is also exacerbated as traffic increases. Traffic density can exacerbate the mental state of drivers, especially cars, so drivers often drive in a bad mental state or in a state of stress. Therefore, a tool is needed that can detect driver stress accurately and with fast computing time so that it can detect stress for drivers quickly and precisely. To reduce the number of accidents due to driver error, especially due to stress or pressure that occurs in the driver, the system will function as an early stress detection system, so that the driver can re-evaluate himself when driving. The system uses a Photoplethysmography sensor placed on the steering wheel of a car to acquire biological signals. The acquired signals then go through filtering and feature extraction to become relevant HRV metrics. Eleven features will be used in this classification process. The use of machine learning models is also used to improve the classification process. KNN serves as a stress classifier into four different classes: normal, mild stress, moderate stress, and severe stress. Test results show that the system can classify stress with 83% accuracy and an average computation time of 0.342 seconds. Thus, this research is expected to contribute to driving safety by providing early warning.

Item Type:	Thesis (Sarjana)
Identification Number:	052415
Uncontrolled Keywords:	Photoplethysmography, PPG, Heart Rate Variability, HRV, K-Nearest Neighbor, KNN, Raspberry Pi
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	S Sucipto
Date Deposited:	20 Feb 2025 02:04
Last Modified:	20 Feb 2025 02:04
URI:	http://repository.ub.ac.id/id/eprint/237181

Text (DALAM MASA EMBARGO) Panji Mukti Wibowo.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item