Deteksi Tingkat Kewaspadaan Berbasis Electroencephalogram Menggunakan Fuzzy C-Means dan Support Vector Machine

Abstract

Beberapa pekerjaan menuntut agar tingkat konsentrasi tetap terjaga dalam waktu yang lama selama waktu bekerja. Kurangnya waktu tidur akan mengakibatkan terganggunya tingkat konsentrasi seseorang. Untuk mengetahui tingkat konsentrasi seseorang dapat dilakukan dengan merekam gelombang otaknya. Penelitian ini menggunakan teknologi Electroencephalographam (EEG) yang berfungsi menangkap gelombang otak manusia. Fokus penelitian ini adalah untuk membuat model sistem pendeteksi tingkat konsentrasi seseorang. Data penelitian ini adalah data hasil perekaman gelombang otak menggunakan Neurosky Mindwave Mobile yang telah diekstrasi fiturnya sebanyak 19 fitur, antara lain meanA4, meanD4, meanD3, meanD2, meanD1, stdA4, stdD4, stdD3, stdD2, stdD1, rmsA4, rmsD4, rmsD3, rmsD2, rmsD1, ratioA4D4, rasioD4D3, ratioD3D dan rasio D2D1. Data tersebut kemudian akan diberikan label menggunakan teknik cluster yaitu Fuzzy C-Means (FCM). Penggunaan teknik FCM didasari pada fakta FCM adalah pendekatan adaptif yang cocok untuk clustering non-stasioner sinyal biomedis yang dimana salah satu sinyal non-stasioner biomedis adalah EEG. Data FCM akan menghasilkan label yang merepresentasikan tertidur, mengantuk, dan siaga untuk setiap raw data. Label tertidur, mengantuk, dan siaga akan diubah menjadi angka 0, 1 dan 2 yang menjadi input pada proses klasifikasi yang menggunakan Support Vector Machine. Dengan menggunakan metode clustering FCM, pada penelitian ini penggantian classifier dari ANN ke SVM dengan kernel trick linear, polynomial, dan RBF mendapatkan hasil yang lebih baik dari sebelumnya yaitu 99,11%, 96,22%, dan 99,33%. Penggunaan FCM dapat membangun model clustering untuk mendapat kelas yang representatif terhadap tingkat kewaspadaan pada sinyal EEG. Hal ini juga dapat disimpulkan bahwa penggunaan FCM dapat mengelompokkan data EEG dibandingkan AHC.