Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021 Nuryani Nuryani: Pengembangan Sistem Deteksi Kantuk ... ISSN 2301 - 4156 Pengembangan Sistem Deteksi Kantuk Menggunakan Pengklasifikasi Random Forest pada Sinyal Elektrokardiogram (Development of Drowsiness Detection System Using Random Forest Classifier on Electrocardiogram Signals) Nuryani Nuryani 1 , Khoirun Nisak 1 , Artono Dwijo Sutomo 1 Abstract—Drowsiness is one of the main causes of accidents in traffic, manufacturing industry, and other fields. A system that can detect sleepiness early is important to reduce the number of accidents due to drowsiness. Changes in autonomous nervous activity associated with drowsiness were analyzed using heart rate variability (HRV) obtained from ECG. The Random Forest classifier is known to perform well and is strong against overfitting. In this study, a drowsiness detection system was developed based on electrocardiogram (ECG) signals and Random Forest. The drowsiness detection system was trained using ECG recordings from DROZY database equipped with Karolinska Sleepiness Scale (KSS). The system input features were extracted based on time domain and frequency domain methods. Drowsiness levels were classified based on simplified KSS: drowsy and awake. Random Forest was validated using the Out-of-Bag (OOB) method. The effects of the number of estimators and max features variations were evaluated. The features were sorted based on their importance and combined for the system input with various ECG segmentation lengths. The best performance of the drowsiness detection system was with an average accuracy of 94.61%, sensitivity of 96.67%, and specificity of 91.67% from 40 s segmentations. Intisari—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. Kata Kunci--Kantuk, Elektrokardiogram, KSS, Random Forest. I. PENDAHULUAN Kematian dan luka akibat kecelakaan lalu lintas menjadi masalah yang serius secara global. Menurut data Global Status Report on Road Safety 2018, angka kematian akibat kecelakaan lalu lintas terus bertambah, mencapai 1,35 juta jiwa pada tahun 2016 [1]. Kantuk merupakan salah satu penyebab meningkatnya risiko kecelakaan lalu lintas. AAA Foundation for Traffic Safety telah melakukan survei pada lebih dari 14.000 kecelakaan dari tahun 2009 hingga 2013 dan memperkirakan bahwa kantuk terlibat dalam 21% kecelakaan fatal di Amerika [2]. Kantuk didefinisikan sebagai keadaan ketika kesadaran terganggu karena kecenderungan untuk tidur [3]. Kinerja mengemudi yang tidak stabil sering terjadi pada pengemudi dalam keadaan mengantuk [2]. Tingkat kantuk dapat dikelompokkan berdasarkan Karolinska Sleepiness Scale (KSS) [4]. Dengan skala KSS, subjek berada pada tingkatan yang mencerminkan kondisi psikofisik yang dirasakan [5]. Keadaan kantuk dan terjaga berkorelasi dengan aktivitas saraf otonom simpatetik dan parasimpatetik tubuh. Keadaan terjaga ditunjukkan dengan meningkatnya aktivitas simpatetik dan/atau menurunnya aktivitas parasimpatetik. Aktivitas saraf otonom dapat dianalisis menggunakan Heart Rate Variability (HRV) dari sinyal elektrokardiogram (EKG) [6]. Analisis HRV tersebut dapat dilakukan, baik pada ranah waktu maupun ranah frekuensi [7]. EKG merupakan rekaman dari aktivitas listrik yang dihasilkan oleh sel jantung yang mencapai permukaan tubuh [8]. Beberapa penelitian mengenai deteksi kantuk menggunakan sinyal EKG telah dilakukan sebelumnya, di antaranya menggunakan analisis diskriminan linier [6], jaringan Saraf Tiruan (JST) dengan Radial Basis Function (RBF) [9], dan JST-RBF dengan optimasi menggunakan Particle Swarm Optimization (PSO) [10]. Pada makalah ini dipaparkan sistem deteksi kantuk menggunakan Random Forest. Dipilihnya Random Forest pada sistem deteksi ini adalah karena keunggulan-keunggulan yang dimiliki oleh Random Forest, di antaranya unggul dalam penanganan overfitting. Overfitting merupakan masalah yang banyak terjadi pada machine learning. Di samping itu, Random Forest juga belum banyak dieksplorasi untuk sistem deteksi kantuk, khususnya yang menggunakan EKG. Random Forest 1 Program Studi Fisika, F. MIPA, Universitas Sebelas Maret, Jl. Ir. Sutami 36A, Surakarta, INDONESIA (Tlp: 0271-669017; e-mail: nuryani@mipa.uns.ac.id) 265