Pengembangan Sistem Deteksi Kantuk Menggunakan Pengklasifikasi Random Forest pada Sinyal Elektrokardiogram

Abstract

Kantuk merupakan salah satu penyebab utama kecelakaan dalam lalu lintas, industri manufaktur, maupun pada bidang lain. Untuk itu, sistem yang dapat mendeteksi kantuk secara dini merupakan hal yang sangat penting dalam rangka mengurangi angka kecelakaan akibat kantuk. Kantuk dapat dianalisis melalui Heart Rate Variability (HRV) dari sinyal EKG yang menunjukkan perubahan aktivitas saraf otonom. Pengklasifikasi Random Forest diketahui berkinerja sangat baik serta kuat terhadap overfitting. Oleh karena itu, pada makalah ini dikembangkan sistem deteksi kantuk menggunakan sinyal elektrokardiogram (EKG) dan Random Forest. Sistem deteksi kantuk dilatih menggunakan rekaman EKG dari database DROZY yang dilengkapi Karolinska Sleepiness Scale (KSS). Fitur masukan sistem diekstraksi berdasarkan metode ranah waktu dan ranah frekuensi. Tingkat kantuk diklasifikasikan berdasarkan KSS yang disederhanakan menjadi dua kelas, yaitu kantuk dan terjaga. Random Forest divalidasi dengan metode Out-of-Bag (OOB). Efek dari variasi jumlah estimator dan max feature terhadap kinerja sistem dievaluasi. Fitur diurutkan berdasarkan kepentingannya dan dikombinasikan sebagai masukan sistem dengan berbagai panjang segmentasi EKG. Kinerja terbaik sistem deteksi kantuk yaitu rata-rata akurasi 94,61%, sensitivitas 96,67%, dan specificity 91,67%, yang diperoleh dengan segmentasi 40 detik.