Pengujian dan Analisa

BAB IV

PENGUJIAN DAN ANALISA

Pada bab ini, ini akan dibahas mengenai pengujian dari sistem yang telah dirancang pada bab sebelumnya. Bab ini bertujuan untuk mendapatkan data yang kemudian dilakukan analisa pada masing-masing pengujian. Pengujian yang dilakukan meliputi pengujian pulse oximeter dengan sensor MAX30105, pengambilan data pada sensor MPU-6050, dan pengujian motion sensor test pada sistem Wearable Headgear.

4. 1. Realisasi Sistem

Pada subbab ini akan ditunjukkan realisasi mekanik dan elektronik sistem secara keseluruhan. Realisasi mekanik dan elektronik realisasi sistem secara keseluruhan ditampilkan pada gambar 4.1. Sistem yang ditampilkan tidak termasuk smartphone yang dihubungkan lewat bluetooth, karena smartphone terhubung secara nirkabel atau wireless.

Gambar 4.1 Realisasi Mekanik dari Wearable Headgear Pendeteksi Kantuk dan Kondisi Fisiologis Pengemudi Mobil

4. 2. Pengujian Pulse Oximeter Menggunakan Sensor Partikel MAX30105

Pengujian pada subbab ini melibatkan pulse oximeter pada sensor MAX30105 yang hasil pengukurannya akan dibandingkan dengan hasil pengukuran pada produk serupa. Produk serupa yang digunakan pada tugas akhir ini adalah Fitbit Alta HR yang diproduksi oleh Fitbit Incorporated. Fitbit Inc adalah perusahaan produsen perangkat wearable yang bermarkas di San Fransisco, Amerika Serikat. Produk Fitbit Alta HR dapat dilihat pada gambar 4.2 berikut ini.

Gambar 4.2 Fitbit Alta HR[23]

Perbandingan hasil pembacaan kecepatan denyut jantung oleh sensor MAX30105 dengan sensor pada Fitbit Alta HR dapat dilihat pada tabel 4.1. Perangkat ini juga menggunakan prinsip photoplethysmography. Perlu dicatat bahwa perangkat Fitbit Alta HR juga tidak 100% akurat. Perbandingan ini hanya untuk membandingkan dengan produk serupa yang sudah ada di pasaran.

Tabel 4.1 Perbandingan hasil pembacaan sensor MAX30105 dengan Fitbit Alta HR

Objek Selisih Pengukuran

1 1.3%

2 6.1%

3 2.0%

Rata-rata 3.14%

Pengujian selanjutnya adalah mengukur seberapa cepat denyut jantung dari orang yang sedang dalam keadaan mengantuk.

Batas ambang kecepatan denyut jantung orang mengantuk ini berbeda-beda untuk tiap orang. Kecepatan denyut jantung yang menjadi batas ambang dalam penelitian ini adalah sebesar 70 bpm, sebagaimana yang didapatkan dari penelitian yang dilakukan oleh Deepu Kurian, dkk. Tabel hasil pengukuran denyut jantung dari orang yang tidak mengantuk, mengantuk, dan tidur dapat dilihat pada tabel 4.3 berikut ini.

Tabel 4.2 Variasi kecepatan denyut jantung dari subjek berbeda[24]

Subyek Normal Mengantuk Tidur

1 76 63 59

Rata-rata 79,71 69,85 64,86

Pengujian batas ambang kecepatan denyut jantung orang mengantuk ini dilakukan dengan mengukurnya pada 3 subjek berbeda menggunakan sensor MAX30105. Pengukuran dilakukan dengan cara mengambil 100 sampel kecepatan denyut jantung.

Didapatkan hasil yang dapat dilihat pada tabel 4.4 berikut ini.

Tabel 4.3 Pengukuran dengan sensor MAX30105 terhadap orang mengantuk

Subyek Kecepatan Denyut Jantung

1 69,61 ± 4,37 bpm

2 60,26 ± 8,98 bpm

3 67,02 ± 10,07 bpm

4. 3. Pengambilan Data pada Sensor Motion MPU6050 Berdasarkan pola perilaku orang yang mengantuk yang telah dipaparkan pada bab 3, diketahui bahwa gerakan kepala orang mengantuk tidak hanya gerakan menunduk ke depan, namun juga memungkinkan untuk menunduk ke kanan depan atau kiri depan. Oleh karena itu, menjadikan data accelerometer sumbu z saja sebagai parameter deteksi kantuk tidaklah cukup. Data dari accelerometer sumbu x dan y juga diperlukan untuk mengetahui gerakan kepala.

Pada gambar 4.4, dapat dilihat hasil percobaan pertama yaitu pengambilan data accelerometer terhadap gerakan kepala jatuh dengan arah yang bermacam-macam, mulai dari gerakan kepala ke kiri, kiri depan, depan, kanan depan, hingga kanan.

Pengambilan sampel data diambil dengan sample rate sebesar 10 data/detik atau 100 ms/data.

-1,5

1 3 5 7 9 111315171921232527293133353739414345474951535557596163

Percepatan x g (10 m/s2)

Waktu (x 300 ms) Sumbu x Sumbu y Sumbu z

Gambar 4.3 Grafik data accelerometer pada gerakan kepala jatuh saat mengantuk

Dari grafik di atas, dapat disimpulkan bahwa setiap kali ada gerakan kepala jatuh diakibatkan karena mengantuk, accelerometer sumbu z memberikan data sebesar kurang dari 0.8. Sedangkan untuk sumbu x dan sumbu y, data accelerometer menghasilkan angka yang berbeda-beda. Dapat dilihat bahwa data accelerometer sumbu x dan sumbu y di sudut gerakan manapun akan menghasilkan resultan yang sama. Untuk membuktikannya, dilakukan percobaan kedua yaitu untuk melihat resultan accelerometer sumbu x dan

sumbu y. Resultan ini didapat dengan rumus:

Grafik dari percobaan ini dapat dilihat pada gambar 4.5 yang menampilkan resultan accelerometer sumbu x dan y pada gerakan kepala jatuh ke kiri, ke kanan, dan ke depan.

0

Grafik resultan percepatan pada sumbu x dan sumbu y terhadap gerakan kepala jatuh saat mengantuk

Gambar 4.4 Grafik resultan data accelerometer pada sumbu x dan sumbu y terhadap gerakan kepala jatuh saat mengantuk

Parameter deteksi kantuk berdasarkan nilai a_xy dan a_z saja dinilai kurang, dikarenakan nilai accelerometer dapat berubah-ubah saat berkendara meskipun kepala dalam keadaan diam.

Sebagai contoh, apabila pengemudi melewati turunan tajam dalam waktu singkat, maka mungkin saja nilai a_xy akan bernilai melebihi threshold juga. Oleh karena itu diperlukan parameter tambahan untuk deteksi kantuk ini. Parameter tambahan tersebut adalah sudut yang dibentuk oleh headgear setelah gerakan kepala jatuh saat mengantuk. Parameter ini didapatkan dengan menghitung resultan sudut θ pada sumbu x dan y. Resultan ini didapatkan melalui rumus berikut.

θ_xy = resultan sudut sumbu x dan sumbu y θ_x = sudut roll (Φ)

θ_y = sudut pitch (θ)

Pada percobaan sebelumnya, diperoleh data sudut yang dibentuk terhadap sumbu x dan sumbu y. Sehingga resultan sudut dari sumbu x dan y dapat dihitung. Berikut ini adalah gambar 4.6 yang merupakan grafik dari sudut resultan yang terbentuk saat gerakan kepala jatuh akibat mengantuk.

0

Grafik resultan data angle sudut roll dan sudut pitch terhadap gerakan kepala jatuh saat mengantuk

Gambar 4.5 Grafik resultan sudut roll dan sudut pitch terhadap gerakan kepala jatuh saat mengantuk

Percobaan berikutnya dilakukan di dalam mobil yang sedang berjalan. Percobaan ini dilakukan untuk melihat apakah ada perbedaan antara hasil pembacaan sensor MPU-6050 di dalam ruangan dengan hasil pembacaan di dalam mobil yang sedang dikendarai. Percobaan dilakukan di halaman parkir Departemen Teknik Elektro ITS.

Pada percobaan ini, data yang diambil terlebih dahulu adalah data accelerometer sumbu x, y, dan z dengan posisi kepala diam. Dari data yang diperoleh, didapat sebuah kesimpulan bahwa nilai accelerometer tidak stabil saat digunakan di dalam mobil.

Tingkat noise dari ketiga sumbu mencapai 19,6%. Grafik dari data accelerometer saat berada di dalam mobil dapat dilihat pada gambar 4.7 berikut ini.

-0.2

Grafik Data Accelerometer pada saat digunakan di dalam mobil yang sedang dikendarai

a Sumbu x a sumbu y a sumbu z

Gambar 4.6 Grafik data accelerometer sumbu x, y, dan z pada saat berada di mobil yang sedang dikendarai

Data yang dianalisa selanjutnya adalah data angle sumbu x, y, dan z. Dari data yang diperoleh, didapat kesimpulan bahwa data angle dari ketiga sumbu ini relatif stabil. Setelah dilakukan perhitungan noise, didapatkan hasil bahwa tingkat noise dari data angle ini hanya sebesar 6% saja. Grafik dari data angle ketiga sumbu saat berada di dalam mobil ini dapat dilihat pada gambar 4.8 berikut ini.

Grafik Data Angle pada saat digunakan di dalam mobil yang sedang dikendarai

Series1 Series2

Gambar 4.7 Grafik data angle sumbu x, y, dan z pada saat berada di mobil yang sedang dikendarai

4. 4. Analisa Parameter Deteksi Kantuk

Parameter pertama yang akan menjadi acuan deteksi

penelitian yang dilakukan oleh Deepu Kurian, dkk, seperti yang telah disebutkan di subbab 4.2, kecepatan denyut jantung rata-rata orang yang mengantuk adalah sebesar 70 bpm[24]. Sehingga, digunakan batas ini untuk menentukan apakah pengguna sedang dalam keadaan mengantuk atau tidak.

Parameter 1: beatAvg < 70 bpm

Parameter selanjutnya adalah parameter posisi dan percepatan gerakan kepala saat dalam kondisi mengantuk.

Parameter ini ditentukan dengan melihat hasil dari percobaan yang telah dilakukan pada subbab 4.3.

Pada grafik 4.3 di subbab sebelumnya, dapat dilihat bahwa ketika posisi kepala sedang dalam keadaan menunduk, baik itu menunduk ke depan, depan kiri, ataupun depan kanan, percepatan pada sumbu z akan bernilai di bawah 0,8g (1g = 10 m/s²). Batas 0,8g ini akan menjadi parameter kedua dalam metode deteksi kantuk. Untuk mengatasi noise yang terjadi akibat getaran yang disebabkan oleh mobil, maka percepatan yang dilihat adalah percepatan saat itu dan dua nilai sebelumnya.

Parameter 2: a_z < 0,8g

Selanjutnya dengan melihat grafik pada gambar 4.4, dapat diambil kesimpulan bahwa apabila terjadi gerakan kepala jatuh akibat mengantuk, maka resultan akselerasi sumbu x dan sumbu y mengalami kenaikan sebanyak lebih dari 0,8g dari pengukuran resultan akselerasi 100 ms sebelumnya. Kenaikan ini dapat diartikan sebagai selisih atau delta dari a_xy(t-1) dengan a_xy(t) adalah sebesar lebih dari +0,8g.

Parameter 3: a_xy(t) - a_xy(t-1) > 0.8g

Kemudian yang menjadi parameter terakhir dalam metode deteksi kantuk ini adalah perubahan posisi sudut kepala saat terjadinya gerakan jatuh akibat mengantuk. Dengan melihat grafik pada gambar 4.5, apabila terjadi gerakan kepala jatuh akibat mengantuk, maka resultan posisi sudut terhadap sumbu x dan posisi sudut terhadap sumbu y atau θ_xy mengalami kenaikan sebanyak lebih dari 10. Dengan kata lain, selisih atau delta dari θ_xy(t-1) dengan θ_xy(t) adalah sebesar lebih dari +10.

Parameter 4: θ_xy(t) - θ_xy(t-1) > 10

Gambar 4.8 Flowchart dari deteksi kantuk dan tidur

Selain deteksi kantuk, dengan menggunakan data yang didapat dari sensor MPU-6050, ditambahkan sebuah metode deteksi kondisi tertidur. Deteksi kondisi tertidur ini adalah apabila pengguna menundukkan kepala lebih dari 4 detik. Deteksi kondisi tertidur ini hanya akan aktif apabila sebelumnya perangkat sudah mendeteksi adanya kondisi mengantuk pada pengguna. Parameter deteksi kepala menunduk dalam hal ini adalah posisi sudut θ_xy. Apabila θ_xy bernilai kurang dari 30 selama lebih dari 4 detik maka perangkat akan menyatakan pengguna sedang dalam keadaan tertidur.

Parameter kondisi tidur: θ_xy < 30 selama t=0 hingga t=4 s Flowchart dari deteksi kantuk dan tidur ini dapat dilihat pada gambar 4.8.

4. 5. Pengujian Deteksi Gerakan Kantuk dan Tidur pada Sistem Wearable Headgear

Setelah parameter deteksi kantuk dan tidur sudah didapatkan, maka diperlukan proses uji coba terhadap parameter-parameter tersebut. Uji coba ini dilakukan dengan menggunakan sistem wearable headgear keseluruhan, yang berarti uji coba ini juga melibatkan smartphone untuk menampilkan data dan alarm.

Selain itu, apakah data berhasil terkirim ke server dan diterima oleh aplikasi kedua juga akan diuji.

Hasil pengujian deteksi gerakan kantuk pada sistem wearable headgeardapat dilihat pada tabel 4.5.

Tabel 4.4 Hasil pengujian Deteksi Gerakan Kantuk No

Perger-akan

ke-Arah

Gera-kan

Terde-teksi Terkirim ke server

8 8 Depan   

Hasil pengujian deteksi gerakan tertidur pada sistem wearable headgear dapat dilihat pada tabel 4.6.

Tabel 4.5 Hasil pengujian Deteksi Gerakan Tertidur No

Perger-akan

ke-Jenis

Gera-kan

Terde-teksi Terkirim ke server

Diterima aplikasi SH

R

2 2 Menunduk   

3 3 Menunduk   

4 4 Menunduk   

5 5 Menunduk   

6 6 Menunduk   

7 7 Menunduk x x x

8 8 Menunduk x x x

9 9 Menunduk   

10 10 Menunduk   

Berdasarkan pengujian tersebut, dari 40 kali percobaan, 33 di antaranya berhasil terdeteksi, sehingga tingkat keberhasilan alat adalah sebesar 82,5%.

BAB V PENUTUP

4. 6. Kesimpulan

Berdasarkan percobaan yang telah dilakukan pada pelaksanaan tugas akhir ini didapat beberapa kesimpulan sebagai berikut:

1. Tingkat error perangkat wearable headgear dalam mendeteksi kecepatan denyut jantung apabila dibandingkan dengan produk serupa yaitu Fitbit Alta HR, adalah sebesar 3,14%.

2. Untuk mendeteksi kantuk, parameter yang digunakan adalah beatAvg < 70, a_z < 0,8, a_xy(t) - a_xy(t-1) > 0.8, dan θ_xy(t) - θ_xy(t-1)

> 10. Sedangkan deteksi kondisi tertidur dilakukan dengan parameter θ_xy < 30 selama t=0 hingga t=4 s.

3. Dengan menggunakan parameter yang disebutkan di poin nomor 2, hasil pengujian perangkat wearable headgear mampu mendeteksi gerakan kepala mengantuk dan tertidur dengan tingkat akurasi sebesar 82,5%.

4. 7. Saran

Sebagai sistem pendeteksi kantuk dan kondisi fisiologis bagi pengemudi mobil, maka terdapat beberapa saran dari penulis berdasarkan hasil yang diperoleh saat percobaan, yaitu sebagai berikut:

1. Pengujian dan analisa lebih lanjut dengan jumlah percobaan yang lebih banyak yang bertujuan untuk mendapatkan parameter deteksi kantuk dan tidur yang lebih akurat.

2. Penyusunan mekanik headgear yang lebih nyaman untuk dipakai dan lebih stabil saat dikenakan.

3. Perancangan aplikasi smartphone yang lebih ramah pengguna dan memiliki ukuran file yang lebih kecil sehingga didapatkan performa yang lebih ringan.

(Halaman ini sengaja dikosongkan)

5. Daftar Pustaka DAFTAR PUSTAKA

[1] Subdirektorat Statistik Transportasi, “Statistik Transportasi Darat 2015”, Badan Pusat Statistik, Jakarta, 2016.

[2] Hayon, E. T., “Polisi: 90% Kecelakaan Lalu Lintas Akibat Kelengahan Pengemudi”, Kabar24, 2015. [Daring]. Tersedia:

http://kabar24.bisnis.com/read/20150419/15/424539/polisi-90-kecelakaan-lalu-lintas-akibat-kelengahan-pengemudi [Diakses 18 Oktober 2017].

[3] E. Michail, A. Kokonozi, I. Chouvarda, N. Maglaveras (2008) Eeg and hrv markers of sleepiness and loss of control during car driving. In: Conf Proc IEEE Eng Med Biol Soc, pp 2566 –2569 [4] A. Baharav, S. Kotagal, V. Gibbons, B.K. Rubin, G. Pratt, J. Karin,

S. Akselrod (1995) Fluctuations in autonomic nervous activity during sleep displayed by power spectrum analysis of heart rate variability. Neurology 45(6):1183–1187

[5] Yasha, “Internet of Things: Panduan Lengkap”, Dewaweb, 2018, [Daring]. Tersedia: https://www.dewaweb.com/blog/internet-of-things/ [Diakses 15 Oktober 2018]

[6] “L’Oréal My UV Patch Is Redesigned to Fit Different Personal Styles”, Tuvie, 2018. [Daring] Tersedia: http://www.tuvie.com/

loreal-my-uv-patch-is-redesigned-to-fit-different-personal-styles/

[Diakses 15 Oktober 2018]

[7] “Jabra Sport Pulse Special Edition review”, Wareable, 2016, [Daring]

Tersedia: https://www.wareable.com/hearables/jabra-sport-pulse-special-edition-review [Diakses 15 Oktober 2018]

[8] “Internet of Things (IoT) in healthcare: benefits, use cases and evolutions”, iScoop, 2018. [Daring] Tersedia: https://www.i-scoop.

eu/internet-of-things-guide/internet-things-healthcare/ [Diakses 16 Oktober 2018]

[9] “Bluetooth 4.0 BLE Module with CC2540”, Open Impulse, 2016, [Daring] Tersedia: https://www.openimpulse.com/blog/products-page/product-category/bluetooth-4-0-ble-module-cc2540/

[Diakses 15 Oktober 2018]

[10] “Bluno Beetle SKU:DFR0339”, DFRobot, 2017. [Daring] Tersedia:

https://www.dfrobot.com/wiki/index.php/Bluno_Beetle_

SKU:DFR0339 [Diakses pada 30 Oktober 2018]

[11] Ketua Sub Komite dan Investigasi Kecelakaan LLAJ, “DATA INVESTIGASI KECELAKAAN LLAJ TAHUN 2010 – 2016,”

Komite Nasional Keselematan Transportasi, Jakarta, 2016.

[12] A. Colic, O. Marques, B. Furht (2014) Driver Drowsiness Detection: Systems and Solutions. Springer Briefs in Computer Science, pp. 7-18.

[13] T. Tamura, Y. Maeda, M. Sekine, M. Yoshida, “Wearable Photo-plethysmographic Sensors—Past and Present”, Electronics, Volume 3, Issue 2, 2014, hlm. 282-302.

[14] “SparkFun Particle Sensor Breakout - MAX30105”, Sparkfun, 2016, [Daring] Tersedia: https://www.sparkfun.com/

products/14045 [Diakses pada 15 Oktober 2018]

[15] Maxim Integrated, MAX30105: High-Sensitivity Optical Sensor for Smoke Detection Applications, Maxim Integrated, California, [16] A. Mittal, K. Kumar, S. Dhamija, dan M. Kaur, “Head movement-2016

based driver drowsiness detection: A review of state-of-art techniques,” dalam 2016 IEEE International Conference on Engineering and Technology (ICETECH), 2016, hlm. 903–908.

[17] InvenSense, MPU-6000 and MPU-6050 Product Specification, Revision 3.4. Taiwan: InvenSense, 2013.

[18] J. Fraden, HANBOOK OF MODERN SENSORS, 3 ed. San Diego, USA: Advanced Monitors Corporation, 2013.

[19] “MPU6050 Accelerometer + Gyro”, Arduino [Daring] Tersedia pada: https://playground.arduino.cc/Main/MPU-6050 [Diakses pada 28 November 2018]

[20] “Accelerometer and Gyroscopes Sensors: Operation, Sensing, and Applications - Application Note - Maxim.” [Daring] Tersedia pada: https://www.maximintegrated.com/en/app-notes/index.

mvp/id/5830. [Diakses pada 2 November 2018].

[21] A. Dobie, “Android Studio unveiled at Google I/O keynote”.

Android Central, 2013 [Daring] Tersedia pada: https://www.

androidcentral.com/android-studio-unveiled-google-io-keynote [Diakses pada 12 November 2018]

[22] M. Amirullah, “Sistem Peringatan Dini Menggunakan Deteksi Kemiringan Kepala pada Pengemudi Kendaraan Bermotor yang Mengantuk”, Institut Teknologi Sepuluh Nopember Surabaya, Surabaya, 2018

[23] “101 Guide for Alta HR”, Fitbit, 2017 [Daring] Tersedia pada:

https://www.fitbit.com/altahr/altahr-101 [Diakses pada 12 November 2018]

[24] D. Kurian, J. P. L. Joseph, K. Radhakrishnan, A. A. Balakrishnan, Drowsiness Detection using Photoplethysmography Signal, 2014 Fourth International Conference on Advances in Computing and Communications, New Delhi, 2014, hal. 75.

(Halaman ini sengaja dikosongkan)

RIWAYAT HIDUP

Ahmad Naufal Firdaus adalah nama dari penulis laporan Tugas Akhir ini. Dilahirkan di Banyuwangi pada 6 November 1996. Penulis merupakan anak kedua dari tiga bersaudara. Menyelesaikan pendidikan SD Negeri Penganjuran IV (2003-2009), SMP Negeri 1 Pasuruan (2009-2012), dan SMA Negeri 1 Glagah (2012-2014). Pada tahun 2014 melanjutkan pendidikan S1 di Departemen Teknik Elektro, Institut Teknologi Sepuluh Nopember (ITS). Penulis memilih bidang elektronika sebagai bidang studi yang ditekuni. Pada bulan Desember 2018 mengikuti seminar Tugas Akhir dan pada Januari 2019 mengikuti ujian Tugas Akhir sebagai salah satu persyaratan untuk memperoleh gelar Sarjana Teknik.

Email:

ahmadnaufal611@gmail.com