Kelelahan bisa digolongkan menjadi dua bagian, yaitu kelelahan fisik dan mental. Kelelahan fisik adalah ketidakmampuan otot yang bersifat sementara untuk melakukan pekerjaan fisik secara optimal, hal ini akan menjadi lebih parah jika pekerjaan fisik dilakukan secara terus menerus. Kelelahan mental adalah penurunan sementara kinerja maksimal kognitif yang disebabkan oleh lamanya periode aktifitas kognitif yang dilakukan. Hal ini dapat berwujud dengan sesorang akan mengantuk atau lesu Pada saat kelelahan sinyal yang berpengaruh dalam gelombang otak adalah alpha, beta dan tetha. Ketiga sinyal tersebut akan diolah menggunakan metode perhitungan MCT, sehingga didapatkan dasar dari ciri seseorang kelelahan dengan nilai yang didapat dari sinyal alpha, beta dan tethta.Penelitian ini melakukan pengambilan data dengan tiga subjek yang masing-masing subjek akan diambil gelombang otaknya pada saat subjek di tes mengerjakan soal aritmatika selama tiga jam penuh atau sampai subjek merasa kelelahan. Pengambilan data dilakukan selama 10 hari per subjek, subjek terdiri dari satu wanita dan dua pria.Penelitian ini mendapatkan akurasi 52,38% dari hasil perhitungan dengan membandingkan dengan expert judgement 2 dimensi, yaitu dimesni performance dan frustration.
Kata kunci:
kelelahan, gelombang otak, sinyal alpha, beta dan theta, MCTI. PENDAHULUAN
elelahan bisa digolongkan menjadi dua bagian, yaitu kelelahan fisik dan mental. Kelelahan fisik adalah ketidakmampuan otot yang bersifat sementara untuk melakukan pekerjaan fisik secara optimal, hal ini akan menjadi lebih parah jika pekerjaan fisik dilakukan secara terus menerus. Pada sebuah website Transport Accident Commision (TAC) mencatat bahwa 20% dari kejadian kecelakaan yang terjadi disebabkan oleh kelelahan dialami oleh pengemudi (Transport Accident Commision , 2014).
Paper ini bertujuan untuk mendeteksi kelelahan mental seseorang menggunakan alat Neurosky Mindwave dan akan diolah dengan means comparison test
II. TINJAUAN PUSTAKA A. Brain-Computer Interface
Brain Computer Interface (BCI) adalah metode komunikasi berdasarkan aktivitas saraf yang dihasilkan oleh otak dan independen dari jalur produksi normal saraf perifer dan otot. Aktivitas saraf yang digunakan dalam BCI dapat direkam menggunakan teknik invasif atau non-invasif. Tujuan dari BCI tidak menentukan pikiran seseorang dengan menguping pada aktivitas otak, tetapi menyediakan saluran keluar baru untuk otak dan itu membutuhkan kesedian pengguna (Wolpaw et ai, 2000b).
B. Neurosky Mindwave
Neurosky Mindwave merupakan sebuah alat pendeteksi sensor gelombang otak dengan menggunakan elektroda yang ditempelkan didepan dahi pemakai yang dibuat oleh perusahaan yang bernama Neurosky. Secara umum bagian-bagian dari Neurosky Mindwave adalah seperti gambar 1 :
Gambar 1. Bentuk Neurosky Mindwave
Pada gambar 1 diatas, terlihat bahwa bentuk dari Neurosky Mindwave mirip seperti headset musik di pasaran. Hanya terdapat pengait didepan kepala yang berfungsi sebagai pendeteksi sensornya (Sensor Tip/Arm). Disisi lain Neurosky Mindwave juga dapat membaca kedipan mata sang pengguna. Itu dikarenakan Neurosky Mindwave sudah dibekali alat Ear
ANALISIS DAN IDENTIFIKASI SINYAL ALPHA,BETA DAN
TETHA MENGGUNAKAN NEUROSKY UNTUK MENDETEKSI
KELELAHAN KOGNITIF MAHASISWA MENGGUNAKAN
METODE MEANS COMPARISON TEST (MCT)
Rizky Nugraha, Dr.Eng. Febriliyan Samopa, S.Kom, M.Kom dan Radityo Prasetianto
Wibowo, S.Kom, M.Kom
Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
rizkynugraha92@gmail.com, iyan@its-sby.edu,radityo.p.w@gmail.com
Clip yang berguna untuk mendeteksi kedipan mata sang pemakai (Neurosky, 2011). Jika dipakai maka akan tampak seperti gambar 2 dibawah ini.
Gambar 2. Penggunaan Neurosky Mindwave
Dalam tugas akhir ini Neurosky Mindwave digunakan sebagai alat pendeteksi gelombang otak dan kedipan mata sang pemakai yang kemudian akan dilakukan analisis dari hasil pengambilan tersebut. Dalam pendeteksi gelombang otak, Neurosky mendefinisikan sinyal tersebut sesuai frekuensinya yaitu : Delta: 1-3Hz Theta: 4-7Hz Low Alpha: 8-9Hz High Alpha: 10-12Hz Low Beta: 13-17Hz High Beta: 18-30Hz Low Gamma: 31-40Hz High Gamma: 41-50Hz
Sinyal-sinyal tersebut yang akan diukur untuk menentukan kondisi seseorang sedang mengalami kelelahan mental atau tidak.
C. Median Filtering
Median filtering digunakan untuk memperhalus dari sinyal α,β dan θ dan untuk menghilangkan nilai yang abnormal. Median berfungsi untuk memisahkan nilai yang tinggi dari suatu populasi. Median dari sinyal α,β dan θ dihitung setiap detiknya sebelum menggunakan MCT dengan menggunakan sliding windows setiap 10 detik. Penggunaan metode ini bertujuan untuk memperhalus sinyal α,β dan θ yang diterima sehingga data yang didapat bisa sebagai dasar untuk berbagai subjek. Penggunaan median filtering adalah menggunggunakan median filtering 1d, median filtering 1d bisa contohkan sebagai berikut :
x = [2 80 6 3]
Jadi median filteringnya adalah : y[1] = Median[2 2 80] = 2
y[2] = Median[2 80 6] = Median[2 6 80] = 6 y[3] = Median[80 6 3] = Median[3 6 80] = 6 y[4] = Median[6 3 3] = Median[3 3 6] = 3
Contoh diatas jika data yang adalah x dan pergeraknnya adalah 3.
D. Means Comparison Test (MCT)
Metode MCT diaplikasikan pada sinyal α,β dan θ, dengan melakukan komparasi antara suatu moving window dengan window yang sudah fix. Seperti pada gambar 3.
Gambar 2. Ilustrasi dari windows untuk MCT
Penggunaan MCT bisa dirumuskan dengan ada membandingkan dua populasi yang independent dengan panjang n1 dan n2, yang berarti rata-ratanya 𝑥̅1 dan 𝑥̅2, variannya adalah s21 dan s22 . Maka perhitungan variabelnya seperti ditunjukkan persamaan 1 :
…(1) Dengan mengikuti hukum derajad kebebasan n1+n2-2. Maka kesetaraanya dari dua rata-rata bisa di uji dengan tes bilateral dengan confidence threshold seperti ditunjukkan persamaan 2 :
…(2) Jika dua populasi memiliki panjang yang sama maka n ( n1=n2=n) maka teori variannya setara, bisa diformulakan seperti ditunjukkan persamaan 3 :
…(3) Jadi variable t mengikuti n-1 sesua dengan hukum derajad kebebasan. Selain itu, jika popilasinya sangat besar (n1 dan n2 adalah setara atau lebih besar dari populaszi), maka tes yang digunakan menggunakan variable seperti ditunjukkan persamaan 4 :
…(4)
Kapan penggunaan dari persamaan 3 atau 4 bisa dilihat pada gambar 4, yaitu jika n1=n2=n dan tidak lebih dari populasi. Maka persamaan yang digunakan adalah persamaan 3 dan jika lebih dari 20 maka menggunakan persamaan 4.
Terdapat nilai n1,n2 dan n Mulai Apakah nilai n1=n2=n dan tidak lebih dari populasi? Menggunakan persamaan 3 Menggunakan persamaan 4 Iya Tidak Selesai
Gambar 3. diagram penggunaan persamaan 3 atau 4
Mengikuti hukum pusat normal pengurangan. Maka threshold confidence yang di tes dengan pengujian tes bilateral seperti ditunjukkan persamaan 5 :
…(5)
Setiap detik sinyal α,β dan θ dihitung, panjang dari fixed refrence windows adalah n1=60 detik dan satu dari moving
windows adalah 30 detik dengan overlap 29 detik.Threshold λ adalah perbaikan persentase dari alarm palsu yag diharapkan. Semakin tinggi threshold, semakin kecil persentase alarm palsu. Penggunaan metode ini bertujuan untuk mendapatkan hasil yang sesuai apakah orang tersebut sudah kelalahan atau belum, dengan adanya perbandingan dari dasar data dan threshold.
E. Mental Arithmetic Task
Peserta akan duduk di depan computer dengan tangan kanannya memegang tiga tombol pada keyboard. Soal aritmatika akan berisikan dengan empat digit angka secara acak, tiga operator dan target dari jawaban (seperti 4 + 7 – 5 + 2 = 8). Soal akan terus menerus muncul dengan angka yang acak, peserta diwajibkan untuk memecahkan soal aritmatika tersebut. Kemudian memilih apakah jawaban dari soal tersebut lebih kecil, sama dengan atau lebih besar. Jelasanya bisa dilihat pada gambar . Peserta diwajibkan untuk menjawab pertanyan secepat mungkin, setelah menjawab satu soal. Menuju ke soal selanjutnya aka nada jeda satu detik, peserta akan terus menjawab pertanyaan tersebut sampai peserta merasa kelelahan atau sudah nerlangsung selama tiga jam. Penggunaan metode ini bertujuan untuk sebagai prosedur pengambilan data untuk mendapatkan data gelombang otak seseorang yang sedang kelelahan.
Gambar 4. Skema pengerjaan soal aritmatika
F. NASA TLX
NASA-TLX (Task Load Index) adalah alat penilaian dari beban kerja secara subyektif. NASA-TLX memungkinkan untuk melakukan penilaian beban kerja subyektif pada subjek yang bekerja dengan berbagai sistem manusia-mesin. NASA-TLX adalah prosedur penilaian multi-dimensi yang berasal skor beban kerja secara keseluruhan berdasarkan rata-rata tertimbang dari peringkat pada enam subskala. (NASA, n.d.) Enam dimensi tersebut adalah Mental demand, Physical Demand,Temporal Demand, Performance, Effort dan Frustation Level. Penjelasannya bisa dilihat dari gambar bawah.
Gambar 5. Penjelasan dimensi NASA TLX (Ari Widyanti, 2010)
Pada berbagai dimensi diatas yang digunakan dalam penelitian ini adalah dimensi perfoma dan tingkat frustasi.
III. PERANCANGAN DAN IMPLEMENTASI Secara umum diagram alur metodologi pengerjaan tugas akhir yang digunakan adalah sebagai berikut :
Mulai Studi Pendahuluan dan literatur Membuat aplikasi soal aritmatika Melakukan prosedur pengambilan data Membuat aplikasi analisis MCT Mengolah data dengan aplikasi analisis MCT Mengambil kesimpulan dan saran Penyusunan Buku dan tugas akhir
Selesai
Gambar 7. Diagram Alur Pengerjaan Tugas Akhir
A. Studi Literatur
Mencari dan mempelajari cara menangkap signal gelombang otak dengan Neurosky Mindwave, mencatat signal gelombang otak dari Neurosky Mindwave dengan aplikasi, dan memprediksi keadaan kelelahan dari hasil penerimaan gelombang otak dengan metode MCT.
B. Membuat aplikasi soal aritmatika
Aplikasi ini berbentuk web-base dengan kriteria sesuai dengan metode yang digunakan. Soal akan terus bermunculan dan angka yang muncul acak. Setiap soal yang muncul dan telah dijawab oleh peserta, akan masuk ke database. Penggunaan metode bertujuan untuk membuat aplikasi yang akan dikerjakan oleh peserta agar mendapatkan keadaan peserta menjadi kelelahan mental dari keadaan yang prima. C. Melakukan prosedur pengambilan data
Dalam tugas akhir ini peserta yang diteliti adalah mahasiswa yang melakukan aktifitas kuliah. Untuk pengumpulan data peserta akan menggunakan alat Neurosky Mindwave selama 3 jam atau sampai peserta merasa kelelahan dimulai pada jam 18.00. Tujuan pemakaian pada jam tersebut adalah saat awal dalam kondisi prima sampai kondisi dimana orang tersebut membutuhkan istirahat. Keseluruhan data yang diambil adalah 30set data, masing-masing terdiri dari catatan aktivitas otak selama 3 jam. Jumlah total rekaman gelombang otak adalah 90 jam. Apabila kebutuhan sistem telah tercapai, dasar-dasar ilmu serta teknologi yang akan digunakan telah diketahui, maka langkah selanjutnya adalah melakukan perhitungan menggunakan MCT.
D. Membuat Aplikasi Analisis MCT
Aplikasi yang dibuat adalah median filtering, MCT dan bilateral test. Aplikasi median filtering bertujuan untuk memperhalus nilai dari data yang sudah diambil, MCT bertujuan untuk mencari nilai keadaan peserta kelelahan dan
menentukan threshold yang tepat, bilateral test bertujuan untuk menunjukan apakah nilai threshold yang didapat sudah benar. Ketiga aplikasi tersebut akan diuji menggunakan perhitungan statistika manual untuk menentukan apakah aplikasi tersebut sudah sesuai atau belum.
E. Mengolah Data dengan Aplikasi Analisis MCT
Tahapan ini dilakukan untuk mengolah data yang telah didapat menggunakan aplikasi analisis yang telah dibuat pada tahapan sebelumnya. Pengolahan data akan mendapatkan nilai yang dicari. Mulai Data gelombang otak Median Filtering Means Comparison test Bilateral Test Selesai
Gambar 8. Diagram Alur Pengolahan Data
IV. HASIL DAN DISKUSI
Pada pembahasan lingkungan implementasi meliputi pembahasan spesifikasi perangkat keras yang digunakan, perangkat lunak, dan tools yang digunakan untuk membangun sistem pendeteksi kelelahan. Berikut adalah tabel 1
menunjukkan detail dari perangkat keras yang digunakan :
Tabel 1 Spesifikasi Komputer
Perangkat Keras Spesifikasi
Komputer Personal Proc Intel Core i5 2450M @ 2.50 GHz
Ram 4096 MB
Bluetooth Version 2.0
Brainwave Reader Name Mindwave Mobile Vendor Neurosky
Data yang digunakan untuk diuji adalah 30 rekaman gelombang otak dari 3 subjek yang mengerjakan tes aritmatika selama tiga jam atau sampai subjek merasa kelelahan.
Gelombang otak yang didapat dari pengujian akan diolah dengan median filtering untuk mendapatkan hasil data yang jarak perdatanya tidak terlalu tinggi, kemudian diolah menggunakan MCT untuk mendapatkan perhitungan yang akan bisa dibandingkan dengan hasil expert judgment.
Expert judgement yang digunakan berdasarakan dari dua dimensi yaitu dimensi performance dan frustration, dimana dimensi performance didapat dari selish waktu pengerjaan per soal dari subjek dan dimensi frustration didapatkan dari penilaian secara subjektif dengan melihat dari rekaman video saat subjek melakaukan tes aritmatika. Penilain subjekti dilakukan dengan memberikan skala 1-5 yang menandakan dia sedang kelelahan atau tidak sdnagn interval 20 detik.
Data hasil olahan MCT akan dibandigkan oleh hasil expert judgement dengan dua dimensi, setiap dimensi akan dibandingkan sehingga mendapatkan dua hasil.
Pembandingkannya menggunakan tabel kontigensi ROC
Tabel 2 Tabel Kontigensi ROC
Standart Decision Tidak Lelah Lelah
Metode MCT Tidak Lelah True Negative (TN) False Negative (FN) Lelah False Positive (FP) True Positive (TP)
Pembandingan data dengan expert judgement akan mendapatkan hasil berapa TP,TN,FP dan FN. Kemudian hasil tersebut akan diolah untuk mendapatkan akurasinya dengan persamaan 1
ACC= ((TP+TN))/((TP+FP+FP+FN)) ……(1) Hasil yang didapat dari analisa ROC menunjukan bahwa dari batas 1-5% dan menggunakan dua dimensi yaitu performance dan frustration, tidak ada satupun yang berada diatas 70-80%. Rata-rata tertinggi dari hasil semua subjek dan hari adalah 52.38% yang didapat dari gelombang theta dengan batas 5% menggunakan dimensi performance.
Kedua dimensi performance dan frustration akan dilakukan uji korelasi dengan menggunakan fungsi yang ada di excel untuk mencari korelasi. Nilai yang dijui adalah setiap accuracy yang didapat oleh setiap dimensi per batas antara 1-5% dan dilakukan per gelombang.
. Hasil yang tertinggi didapat dari uji korelasi adalah dari gelombang alpha yang didapat dari batas 3%. Nilai yang didapat adalah 0,59909 hampir mendekati satu.
Meskipun begitu karena masih disekitaran 50% maka uji korelasi yang dilakukan tidak bisa disimpulkan adanya korelasi yang kuat antara dimensi frustration dan performance.
V. KESIMPULANDANSARAN A. Kesimpulan
Berdasarkan hasil pengerjaan tugas akhir yang telah dilakukan, maka dapat diambil beberapa kesimpulan seperti di bawah ini :
1. Metode MCT tidak bisa digunakan dalam mendeteksi kelelahan seseorang karena hanya mendapatkan hasil terbaik 52.38%.
2. Nilai threshold yang terbaik yang didapat dari penelitian ini adalah 3% dengan mendapat nilai tertinggi 51.06%.
3. Tidak korelasi yang kuat antara dimensi performance dan dimensi frustration
B. Saran
Beberapa hal yang diharapkan dapat dikembangkan pada masa mendatang adalah sebagai berikut:
1. Mencari metode yang tepat untuk mendapatkan nilai expert judgement
2. Mencari metode perhiungan yang lebih baik dari MCT, bisa dengan bereksperimen dengan metode baru
3. Mendalami mengenai bagaimana kelelahan lebih dalam, karena kelelahan sendiri merupakan lingkup yang cukup luas.
DAFTAR PUSTAKA
[1] D. S. Tan and A. Nijholt, 2010. Brain-Computer Interfaces: applying our minds to human-computer interaction. Springer.
[2] Hart, W.M., 1992. Adler’s Physiology of the Eye: Clinical Application, ninth ed. Mosby, Philadelphia.
[3] Doughty, M.J., 2002. Further assessment of gender- and blink patternrelated differences in the spontaneous eyeblink activity in primary gaze in young adult humans. Optometry and Vision Science 79, 439–447.
[4] Dinges, D.F., Mallis, M.M., Maislin, G., Powell, J.W., 1998. Final Report: Evaluation of Techniques for Ocular Measurement as an Index of Fatigue and as the Basis for Alertness Management. National Highway Traffic Safety Administration, Washington DC.
[5] Santamaria, J., Chiappa, K., 1987. The EEG in Drowsiness. Demos, New York.
[6] NeuroSky White Papers, “Brainwave EEG Signal,” Dec-2009. [7] Neurosky, “How To Use Mindwave”, July-2011
[8] Wolpaw, J.R., Birbaumer, N., McFarland, D.J., Pfurtscheller, G., Vaughan, T.M., 2002. Brain–computer interfaces for communication and control. Clinical Neurophysiology 113, 767-791
[9] Miranda ER, 2006. Brain-Computer music interface for composition and performance. Int J Dis Human Dev, 5(2):00-00
[10] Santosa B, 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu, Yogyakarta.
[11] Akerstedt, T., Gillberg, M., 1990. Subjective and objective sleepiness in the active individual. Int. J. Neurosci., vol. 52, no. 1–2, pp. 29–37 [12] Susanto, A. (2013, December 17). Di China Kasus Meninggal Karena
Kelelahan Kerja Capai 600.000. Diambil kembali dari health.liputan6.com : http://health.liputan6.com/read/777025di-china-kasus-meninggal-karena-kelelahan-kerja-capai-600000
[13] Transport Accident Commision . (2014). Statistics. Diambil kembali dari tac.vic.gov.au: http://www.tac.vic.gov.au/road-safety/statistics/summaries/fatigue-statistics
[14] Waard, D. d. (1996). The measurement of drivers’ mental workload. Traffic Research Centre, University of Groningen
[15] Baiquni, A. (2013, Agutus 6). Polri: Angka kecelakaan tertinggi disebabkan kantuk. Retrieved from merdeka.com: http://www.merdeka.com/ramadan/polri-angka-kecelakaan-tertinggi-disebabkan-kantuk.html
[16] Medical News Today. (2012, July 18). What Is Fatigue? What Causes Fatigue? Retrieved fromhttp://www.medicalnewstoday.com/: http://www.medicalnewstoday.com/articles/248002.php
[17] Ajzen, I. (n.d.). The Theory of Planned Behaviour. In Organizational Behaviour and Human Decision Process (pp. 179-221)..
[18] Al-Khatib, H. (2009). A Citizen Oriented E-Government Maturity Model. Bruney University, 7-28.
[19] Argyrous, G. (2005). Statistics for Research: With a Guide to SPSS. London: SAGE.
[20] Ari Widyanti, A. J. (2010). PENGUKURAN BEBAN KERJA MENTAL DALAM SEARCHING TASK DENGAN METODE RATING SCALE MENTAL EFFORT (RSME). Bandung: J@TI Undip.
[21] Azwar, S. (2003). Reabilitas dan Validitas. Yogyakarta: Pustaka Pelajar. [22] Baiquni, A. (2013, Agutus 6). Polri: Angka kecelakaan tertinggi disebabkan kantuk. Retrieved from merdeka.com: http://www.merdeka.com/ramadan/polri-angka-kecelakaan-tertinggi-disebabkan-kantuk.html
[23] NASA. (n.d.). NASA TLX: Task Load Index. Retrieved from humansystems.arc.nasa.gov:
http://humansystems.arc.nasa.gov/groups/tlx/
[24] Neurosky. (2011, July 12). MindWave User Guide. Retrieved from developer.neurosky.com:
http://developer.neurosky.com/docs/lib/exe/fetch.php?media=mindwave _user_guide.pdf
[25] Susanto, A. (2013, December 17). Di China Kasus Meninggal Karena Kelelahan Kerja Capai 600.000. Retrieved from health.liputan6.com: http://health.liputan6.com/read/777025/di-china-kasus-meninggal-karena-kelelahan-kerja-capai-600000
[26] Thomy, A. (2013, Maret). Kompas.com. (Koran Kompas) Retrieved Oktober 2013
[27] Thurau, H., & Klee. (1997). The role of dependence balancing in safeguarding transaction-specific assets in conventional channels: a critical reassessment and model development. Psychology and Marketing, 14, 737–764.
