Deteksi Kondisi Lelah Berbasis Sinyal Electroencephalograph (EEG) Satu Kanal Menggunakan Linear Discriminant Analysist (LDA)

Hendrawan, Muhammad Afif (2017) Deteksi Kondisi Lelah Berbasis Sinyal Electroencephalograph (EEG) Satu Kanal Menggunakan Linear Discriminant Analysist (LDA). Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
07111550052002-Master_Thesis.pdf - Accepted Version

Download (14MB) | Preview

Abstract

Kondisi kelelahan dapat menjadi permasalahan serius jika tidak ditangani dengan tepat, khususnya kondisi kelelahan mental. Kondisi kelelahan mental sangat erat hubungannya dengan tingkat kemampuan dan konsentrasi yang dimiliki oleh seseorang. Selain itu, kondisi kelelahan mental juga dapat menjadi indikasi penyakit berbahaya tertentu. Banyak penelitian telah dilakukan untuk mendeteksi kondisi kelelahan secara mental ini. Pengukuran secara subjektif, kognitif, dan fisiologis telah diusulkan pada penelitian-penelitian sebelumnya. Di antara metodemetode tersebut pengukuran dengan menggunakan pengukuran fisiologis, khususnya dengan memanfaatkan sinyal electroencephalograph (EEG) dirasa paling akurat dan paling banyak digunakan. Meskipun demikian, pemanfaatan sinyal EEG untuk mendeteksi kelelahan secara mental masih terkendala dengan proses komputasi yang kompleks, karena memanfaatkan banyak kanal dalam perekaman sinyal EEG. Tingkat kompleksitas yang tinggi ini membuat pemanfaatan hasil penelitian yang telah dilakukan sulit untuk di implementasikan pada kondisi sebenarnya. Sehingga diperlukan paradigma baru yang dapat digunakan untuk mendeteksi kondisi kelelahan mental dengan metode yang lebih sederhana. Pada penelitian ini diusulkan metode pendeteksian kelelahan mental dengan menggunakan sinyal EEG yang diambil dari satu kanal. Untuk mendapatkan informasi yang lebih detail mengenai ciri kondisi kelelahan mental, sinyal EEG dibagi ke dalam beberapa segmen. Metode klasifikasi LDA, QDA, dan SVM digunakan untuk mengetahui tingkat akurasi yang dihasilkan oleh metode yang diusulkan. Akurasi sebesar 78.13% dengan menggunakan LDA. Hasil tersebut didapatkan dengan memanfaatkan segmentasi dengan panjang segmen sebesar 60 detik. Berdasarkan hasil tersebut dapat dibuktikan bahwa pendeteksian kondisi kelelahan mental dapat menggunakan sinyal EEG yang didapatkan hanya dari satu kanal. ========================================================================================================= Fatigue condition can be a serious problem if it not handled properly, especially mental fatigue condition. Mental fatigue condition is a type of fatigue that related to cognitive and concentration ability of human being. It also has a correlation with acute or chronic illness. Many previous researchers tried to find an effective method to detect mental fatigue condition. Methods like subjective measurement, cognitive measurement, and physiological measurement have been used in the previous research. However, physiological measurement seems more promising to detect mental fatigue condition. Electroencephalogram (EEG) signal is the most widely used as a physiological measurement in this case. Nevertheless, mental fatigue detection using EEG signal has some problem such as complex computation. The complex computation problem was caused by multi-channel electrode sensor which used to record EEG signal. This problem lead to difficult implementation in real life condition. Another solution need to be proposed to solve the implementation problem. The new solution must be as simple as possible. In this research, mental fatigue detection using EEG signal using single channel sensor has been proposed. Window segmentation method was used to get more information about mental fatigue characteristics. LDA, QDA, and SVM also used to classify mental fatigue condition. According to our experiments, LDA yield the highest performance with 78.13% of accuracy. This result obtained from 60 second length of window segmentation. This result showed that mental fatigue can be detect using EEG signal which captured only from single channel.

Item Type: Thesis (Masters)
Additional Information: RTE 621.398 1 Hen d-1 3100018074309
Uncontrolled Keywords: fatigue; mental fatigue; EEG; LDA; kelelahan; kelelahan mental
Subjects: R Medicine > RC Internal medicine > RC386.5 Electroencephalography.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
Divisions: Faculty of Electrical Technology > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User: Hendrawan Muhammad Afif
Date Deposited: 07 Feb 2018 04:48
Last Modified: 04 May 2020 00:27
URI: http://repository.its.ac.id/id/eprint/49396

Actions (login required)

View Item View Item