Hak cipta dan penggunaan kembali:
Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis dan melisensikan ciptaan turunan dengan syarat yang serupa dengan ciptaan asli.
Copyright and reuse:
This license lets you remix, tweak, and build upon work
non-commercially, as long as you credit the origin creator
and license it on your new creations under the identical
terms.
PENGEMBANGAN APLIKASI DROWTION SEBAGAI PENDETEKSI KONDISI KANTUK PENGEMUDI BERBASIS
DATA PENGUKURAN MINDWAVE
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Giovanni 10110210011
PROGRAM STUDI SISTEM KOMPUTER UNIVERSITAS MULTIMEDIA NUSANTARA
PENGESAHAN SKRIPSI
PENGEMBANGAN APLIKASI DROWTION SEBAGAI PENDETEKSI KONDISI KANTUK PENGEMUDI BERBASIS DATA PENGUKURAN
MINDWAVE
Oleh
Nama : Giovanni
NIM : 10110210011
Fakultas : Teknologi Informasi dan Komunikasi Program Studi : Sistem Komputer
Tangerang, 7 Februari 2014
Ketua Sidang, Dosen Penguji,
Dr. Hugeng, S.T., M.T Kanisius Karyono, S.T., M.T
Dosen Pembimbing,
Dr.rer.nat. P.Y. Topo Suprihadi
Ketua Program Studi Sistem Komputer,
Kanisius Karyono, S.T., M.T
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini saya:
Nama : Giovanni
NIM : 10110210011
Fakultas : Teknologi Informasi dan Komunikasi Program Studi : Sistem Komputer
Menyatakan bahwa skripsi ini adalah karya saya sendiri dan saya tidak melakukan plagiat. Semua kutipan karya ilmiah orang lain atau lembaga lain yang dirujuk dalam laporan skripsi ini telah saya sebutkan sumber kutipannya serta saya cantumkan di Daftar Pustaka.
Tangerang, 11 Januari 2014
Giovanni
PENGEMBANGAN APLIKASI DROWTION SEBAGAI PENDETEKSI KONDISI KANTUK PENGEMUDI BERBASIS DATA PENGUKURAN
MINDWAVE
ABSTRAK
Kecelakaan lalu lintas yang diakibatkan pengemudi mengantuk atau lelah menyumbang 25% dari total kecelakaan di Jerman tahun 2013. Kontribusi ini dapat dikurangi apabila dapat diketahui waktu saat pengemudi mulai mengantuk. Pada penelitian ini proses kekantukan dideteksi dengan pendekatan Electroencephalography menggunakan Mindwave. Elektroda mendeteksi pola perubahan potensial otak yang disebabkan oleh perubahan konsentrasi otak. Pola perubahan potensial dipetakan antara kondisi sadar dan kantuk. Hasil penelitian yan menunjukkan kondisi mengantuk dideteksi pada penurunan nilai rata-rata low- alpha menjadi < 0,7, high-alpha menjadi 0,6, dan theta menjadi 0,7 dari kondisi normal. Pada dasarnya, low-alpha sudah cukup menunjukkan kondisi kantuk. Hal yang sama dijumpai pada high-alpha dan theta. Namun demikian, low-alpha lebih menggambarkan kondisi kantuk yang sebenarnya. Dari hasil ini dikembangkan aplikasi DrowTion berbasis C# untuk secara otomatis mendeteksi kekantukan pengemudi dan untuk memicu peringatan. Aplikasi ini akan mulai mendeteksi kantuk ketika nilai low-alpha berada di rentang 18.000 hingga 40.000.
Kata kunci: EEG, DrowTion, aplikasi pendeteksi mengantuk,C#
PENGEMBANGAN APLIKASI DROWTION SEBAGAI PENDETEKSI KONDISI KANTUK PENGEMUDI BERBASIS DATA PENGUKURAN
MINDWAVE
ABSTRACT
Tired or drowsy driver contributes 25% of the total traffic accidents in Germany by 2013. This contribution can be reduced if the drowsy condition of the driver can be identified. Research conducted by using Electroencephalography approach to detect drowsy state of the user using Mindwave. Electrodes of Mindwave detect the pattern changes of the potential caused by changes in concentration. Pattern changes between conscious and drowsiness state are mapped. Results of the research proves that drowsy state detected when the average of low-alpha below 0,7 , high-alpha below 0,6, and theta below 0,7 from the normal condition.
Basically, low-alpha wave was enough to show the condition of drowsiness. High- alpha and theta can be used to determine drowsy condition too. However, the low- alpha can illustrate more than others to detect the actual condition of drowsiness.
From this result, DrowTion application is developed based on C# to automatically detect driver drowsiness and trigger the alert. This application will begin to detect drowsiness when the low-alpha values between 18.000 and 40.000.
Keyword: EEG, DrowTion, drowsiness detection application,C#
KATA PENGANTAR
Dalam hidup tiada kata terindah yang dapat kita ucapkan selain terima kasih dan ucapan syukur kepada Tuhan yang membuat dan memberikan segalanya baik dalam hidup kepada kita masing-masing. Suatu berkat dan rahmat yang luar biasa telah dicurahkan oleh Tuhan yang Mahakuasa kepada penulis, hingga akhirnya dapat menyelesaikan skripsi yang berjudul “Pengembangan Aplikasi DrowTion sebagai Pendeteksi Kondisi Kantuk Pengemudi Berbasis Data Pengukuran Mindwave”. Skripsi ini disusun dan diajukan sebagai salah satu prasyarat pemenuhan Mata Kuliah Tugas Akhir yang merupakan salah satu syarat kelulusan Program Studi Sarjana (S1) Sistem Komputer Universitas Multimedia Nusantara.
Melalui kesempatan ini, penulis juga ingin memberikan terima kasih kepada orang-orang di sekitar penulis yang terkait dalam keberhasilan penulisan dan penyelesaian skripsi ini. Mereka merupakan orang-orang yang luar biasa yang telah memberikan dukungan baik secara langsung maupun tidak langsung kepada penulis.
1. Dr. Ninok Leksono, selaku Rektor Universitas Multimedia Nusantara.
2. Dr. rer. Nat P. Y Topo Suprihadi, Dipl.-Phys., selaku Wakil Rektor Bidang Akademik dan Pembimbing yang senantiasa meluangkan waktu untuk membimbing selama proses pembuatan dan penulisan skripsi ini.
3. Ir. Andrey Andoko, M.Sc., selaku Wakil Rektor Bidang Administrasi Umum dan Keuangan.
4. Hira Meidia, Ph.D., selaku Wakil Rektor Bidang Akademik dan Kemahasiswaan.
5. Prof. Dr. Muliawati G. Siswanto, M.Eng.Sc., selaku Wakil Rektor Bidang Hubungan dan Kerjasama.
6. Kanisius Karyono, S.T., M.T., selaku Dekan Fakultas ICT dan Ketua Program Studi Sistem Komputer, yang bersedia meluangkan waktu memberikan ide dan masukan-masukan dalam pembuatan dan pengembangan aplikasi ini.
7. Eddy Wiryanto dan Endang Susilowati, kedua orang tua yang memberikan dukungan dan semangat selama pengerjaan skripsi ini.
8. Geraldi Karim, Angelina Riyanti, Odilia Hana, dan Samuel Christianto yang senantiasa menyemangati dan membantu dalam proses pengerjaan skripsi ini.
9. Ayu Indah Shekar Melati, yang menjadi teman diskusi dalam pembuatan dan penulisan laporan skripsi ini.
10. David Avila, Edbert Hansel, dan Geraldi Karim, yang membantu dalam proses pengambilan data untuk skripsi ini.
11. Dareen Halim, Hizkia Hymnus, Edbert Hansel, Imanuel, Farisi Dharmawan, David Avila, Ardis, Febryan Laya, Gian Gautama, Randy Samuel, Yulyanto Thedy, Resky Kurniawan, Chris Manjaya, Aswin Kurnia dan Geraldi Karim teman seangkatan Program Studi Sistem Komputer 2010 UMN.
12. Para sahabat, Airell, Angeline, Chiara Wijaya, Tania Juanita, Christian Ligouri, Edith Lidwina, dan Devina Rustandi yang memberikan dukungan dari jauh.
Semoga skripsi ini bermanfaat bagi para pembaca, terutama mahasiswa UMN dalam mengembangkan teknologi informasi dan komunikasi.
Tangerang, 11 Januari 2014
Penulis
DAFTAR ISI
PENGESAHAN SKRIPSI ... i
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... ii
ABSTRAK ... iii
ABSTRACT ... iv
KATA PENGANTAR ... v
DAFTAR ISI ... viii
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xiv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Perumusan Masalah ... 4
1.3 Tujuan Penelitian ... 4
1.4 Manfaat Penelitian ... 5
BAB II TINJAUAN PUSTAKA ... 6
2.1 Kajian Teori ... 6
2.1.1 Fungsi Otak ... 6
2.1.4 Neurosky Mindwave ... 10
2.1.5 Data Pencilan (Outlier) ... 11
2.1.6 Discrete Fourier Transform (DFT) ... 11
2.1.7 C# dan Visual Studio ... 12
2.2 Kerangka Berpikir ... 13
BAB III METODOLOGI PENELITIAN... 16
3.1 Alat dan Bahan ... 16
3.2 Metode Penelitian ... 16
3.2.1 Struktur dan Cara Kerja Neurosky Mindwave ... 17
3.2.2 Thinkgear Library ... 19
3.2.3 Konektivitas Mindwave ... 23
3.2.4 Pengambilan Data Penelitian ... 24
3.2.5 Analisis Data ... 25
3.3 Aplikasi DrowTion ... 29
3.3.1 Pengujian Aplikasi ... 29
3.3.2 Optimalisasi Aplikasi ... 29
BAB IV HASIL PENELITIAN ... 30
4.1 Pengamatan Transfer Data ... 30
4.2 Akuisisi Data pada Sampel ... 30
4.2.1 Karakteristik Data yang Diterima ... 30
4.2.2 Optimasi Akuisisi Data ... 34
4.3 Pengukuran Gelombang Otak dalam Beberapa Skenario ... 40
4.4 Pengolahan Data ... 59
4.5 Algoritma ... 63
4.6 Perancangan Aplikasi ... 67
4.7 Pengujian Aplikasi ... 73
BAB V KESIMPULAN DAN SARAN ... 87
5.1 Kesimpulan ... 87
5.2 Saran ... 88
DAFTAR PUSTAKA ... 89
FORMULIR KONSULTASI SKRIPSI...91
DAFTAR RIWAYAT HIDUP... 93
DAFTAR GAMBAR
Gambar 2.1 Tahapan tidur... 9
Gambar 2.2 Fungsi DFT ... 12
Gambar 2.3 Inverse Fungsi DFT ... 12
Gambar 3.1 Struktur Neurosky Mindwave ... 17
Gambar 3.2 Struktur Data yang ditransmisikan Mindwave ... 19
Gambar 3.3 Flow Chart Rancangan Aplikasi ... 28
Gambar 4.1 Grafik Hasil Pengambilan Data Posisi Duduk Kondisi Mengantuk Ke-6 ... 35
Gambar 4.2 Grafik Hasil Pengambilan Data Posisi Duduk Kondisi Mengantuk ke-7 ... 35
Gambar 4.3 Grafik Pengambilan Data Posisi Duduk Tanpa Dilepas Pertama ... 36
Gambar 4.4 Grafik Pengambilan Data Posisi Duduk Tanpa Dilepas Kedua ... 37
Gambar 4.5 Grafik Pengambilan Data saat Rileks (Ketidakstabilan 5 detik pertama)... 40
Gambar 4.6 Grafik Pengambilan Data Posisi Duduk Kondisi Tidak Mengantuk 42 Gambar 4.7 Grafik Pengambilan Data Posisi Duduk Kondisi Mengantuk ... 43
Gambar 4.8 Perbandingan Hasil Pengambilan Data Posisi Duduk Tidak Mengantuk (1) dan Mengantuk (2) ... 43
Gambar 4.9 Grafik Pengambilan Data Posisi Berbaring Kondisi Tidak Mengantuk Pengambilan Pertama ... 44
Gambar 4.10 Grafik Pengambilan Data Posisi Berbaring Kondisi Mengantuk Pengambilan Pertama ... 45 Gambar 4.11 Perbandingan Hasil Pengambilan Data Posisi Berbaring Tidak Mengantuk (3) dan Mengantuk (4) Pengambilan Pertama ... 46 Gambar 4.12 Grafik Pengambilan Data Posisi Berbaring Kondisi Tidak
Mengantuk Pengambilan Kedua ... 47 Gambar 4.13 Grafik Pengambilan Data Posisi Berbaring Kondisi Mengantuk Pengambilan Kedua ... 47 Gambar 4.14 Perbandingan Hasil Pengambilan Data Posisi Berbaring Kondisi Tidak Mengantuk (3) dan Mengantuk (4) Pengambilan Kedua... 48 Gambar 4.15 Grafik Pengambilan Data Posisi Mengemudi Kondisi Tidak
Mengantuk (Simulasi Pertama) ... 49 Gambar 4.16 Grafik Pengambilan Data Posisi Mengemudi Kondisi Tidak
Mengantuk (Simulasi Kedua) ... 50 Gambar 4.17 Grafik pengambilan Data Posisi Mengemudi Kondisi Mengantuk (Simulasi Pertama) ... 51 Gambar 4.18 Grafik Pengambilan Data Posisi Mengemudi Kondisi Mengantuk (Simulasi Kedua) ... 52 Gambar 4.19 Perbandingan Hasil Pengambilan Data Posisi Mengemudi Kondisi Tidak Mengantuk (5) dan Mengantuk (6) Pengambilan Pertama ... 52 Gambar 4.20 Perbandingan Hasil Pengambilan Data Posisi Mengemudi Kondisi
Gambar 4.21 Grafik Pengambilan Data Posisi Mengemudi Kondisi Tidak
Mengantuk (Real)... 54
Gambar 4.22 Grafik Pengambilan Data Posisi Mengemudi Kondisi Mengantuk(Real)... 54
Gambar 4.23 Perbandingan Hasil Pengambilan Data Posisi Mengemudi Kondisi Tidak Mengantuk(5) dan Mengantuk (6) Pengambilan 3 (Kondisi Nyata) ... 55
Gambar 4.24 Grafik Pengambilan Data saat Menyetir Kondisi Macet ... 56
Gambar 4.25 Grafik Pengambilan Data saat Berputar Arah ... 56
Gambar 4.26 Grafik Pengambilan Data Subyek 1 Berbincang-bincang... 57
Gambar 4.27 Grafik Pengambilan Data Subyek 1 Menonton Video ... 58
Gambar 4.28 Grafik Pengambilan Data Subyek 1 dalam Kondisi Termenung .... 59
Gambar 4.29 Gambar Prototype Aplikasi DrowTion (tanpa log pada file) ... 63
Gambar 4.30 Flow Chart Timeout pada DrowTion ... 80
Gambar 4.31 Tampilan Aplikasi saat Pengujian Berlangsung... 81
DAFTAR TABEL
Tabel 3.1 Tabel Nilai pada Library Thinkgear (Neurosky, 2011). ... 21 Tabel 3.2 Tabel Skenario ... 24 Tabel 4.1 Tabel Penerimaan Data Mentah dari Mindwave Pengambilan Pertama31 Tabel 4.2 Tabel Penerimaan Data Mentah dari Mindwave Menunjukkan Duplikasi Data dan Ketidakpastian Timestamp ... 31 Tabel 4.3 Tabel Penerimaan Data Menunjukkan Data Diterima Tidak Memiliki Timestamp yang Jelas ... 33
Tabel 4.4 Tabel Perbandingan Pengambilan 1000 Data dengan 3000 Data ... 39 Tabel 4.5 Tabel Skenario Pengambilan Data ... 41 Tabel 4.6 Tabel Perbandingan Pengambilan Data pada Skenario Lima dan Enam ... 61 Tabel 4.7 Tabel Perbandingan Hasil Rata-rata Gelombang Otak Subyek
Berdasarkan Skenario (1) ... 65 Tabel 4.8 Tabel Perbandingan Hasil Rata-rata Gelombang Otak Subyek
Berdasarkan Skenario (2) ... 65 Tabel 4.9 Tabel Perhitungan Nilai X ... 66 Tabel 4.10 Tabel Algoritma untuk Mendeteksi Mengantuk pada Tiap Gelombang ... 71 Tabel 4.11 Tabel Algoritma untuk Mendeteksi Tidak Mengantuk pada Tiap
Tabel 4.13 Tabel Hasil Pengujian Waktu Pendeteksian Aplikasi DrowTion ... 76
Tabel 4.14 Tabel Hasil Pengujian Kondisi Normal Pertama ... 81
Tabel 4.15 Tabel Hasil Pengujian Kondisi Mulai Mengantuk Pertama... 82
Tabel 4.16 Tabel Hasil Pengujian Kondisi Normal Kedua ... 82
Tabel 4. 17 Tabel Hasil Pengujian Kondisi Mulai Mengantuk Kedua ... 83
Tabel 4.18 Tabel Pengujian Kondisi Normal Ketiga ... 84
Tabel 4.19 Tabel Pengujian Kondisi Kantuk Intentisitas Tinggi (Pengujian Ketiga) ... 84
Tabel 4.20 Tabel Pengujian Kondisi Normal Keempat ... 85
Tabel 4.21 Tabel Pengujian Kondisi Kantuk Intensitas Tinggi (Pengujian Keempat) ... 85
Tabel 4.22 Tabel Tingkat Akurasi Pengujian ... 86
