Kecelakaan lalu lintas merupakan salah satu penyebab kematian dengan prevalensi tinggi, yakni mencapai 1,3 juta jiwa setiap tahun di seluruh dunia. Mengemudi dalam kondisi mengantuk menyumbang 26% dari seluruh kecelakaan tersebut. Dengan ini, risiko kecelakaan meningkat 4-6 kali lipat dibandingkan mengemudi dalam kondisi sadar penuh. Berbagai metode telah dikembangkan untuk mengklasifikasikan tingkat kantuk pengemudi, dimulai dari metode berbasis penilaian mandiri dengan mengisi kuesioner seperti Karolinska Sleepiness Scale hingga metode berbasis pengukuran objektif seperti waktu reaksi Psychomotor Vigilance Test (PVT), sudut kemudi, kamera deteksi jalur, deteksi wajah, hingga sinyal fisiologis. Di antara sensor fisiologis yang tersedia, electroencephalograph (EEG) menjadi kandidat terbaik karena mampu merekam perubahan aktivitas otak secara objektif dengan resolusi temporal tinggi tanpa dapat dimanipulasi secara sengaja oleh pengemudi
Simulasi Berkendara dengan Virtual Reality
Penelitian ini mengembangkan sistem klasifikasi kantuk pengemudi berbasis sinyal EEG yang dikumpulkan selama simulasi berkendara menggunakan perangkat Virtual Reality (VR) Meta Quest 2 yang kemudian dipadukan dengan setir force-feedback Logitech G29 untuk menambah realisme. Penggunaan VR memungkinkan Field of View (FOV) partisipan sepenuhnya dikelilingi oleh lingkungan berkendara virtual, sehingga partisipan lebih merasakan imersi dibandingkan dengan penggunaan layar datar konvensional dengan pendekatan yang menjadi salah satu kontribusi utama penelitian ini.
Prosedur Pengumpulan Data
Data EEG dikumpulkan dari 4 partisipan pria berusia 19-24 tahun tanpa riwayat gangguan neurologis. Pemilihan partisipan tersebut dilakukan untuk memastikan kontak yang baik antara cap EEG dan kulit kepala guna meminimalkan derau akibat elektroda yang kurang menempel. Sebelum dilakukan eksperimen, partisipan diminta tidur cukup dan tidak mengonsumsi kafein dalam rentang 8 jam sebelum pengambilan data yang dilakukan pada pukul 14.00-17.00. Partisipan mengemudi pada aplikasi simulasi City Car Driving (Multisoft, Rusia) selama 2 jam yang terbagi dalam 8 sesi, masing-masing berdurasi 15 menit dengan skenario berkendara bebas pada jalan tol dan kota berkepadatan rendah bertrafik 10% serta kecepatan maksimum 60 km/jam untuk mensimulasikan kondisi monoton yang dapat memicu kantuk. Di antara setiap sesi, partisipan menjalani tes PVT untuk mengukur waktu reaksi serta mengisi kuesioner Karolinska Sleepiness Scale (KSS). Berdasarkan waktu reaksi PVT tersebut, tingkat kantuk dikategorikan menjadi empat kelas, yaitu normal (>250 ms), kantuk ringan (250-350 ms), kantuk sedang (350-600 ms), dan kantuk berat (>600 ms). Dari total 32 sesi, distribusi label yang diperoleh adalah 13 sesi normal, 10 sesi kantuk ringan, 9 sesi kantuk sedang, dan 4 sesi kantuk berat.
Pengolahan Sinyal EEG
Sinyal EEG direkam menggunakan perangkat OpenBCI 8 kanal (elektroda ditempatkan pada FP1, FP2, C3, C4, T5, T6, O1, dan O2) dengan frekuensi sampling 250 Hz mengikuti sistem 10-20 standar. Sinyal mentah yang terekam menunjukkan adanya baseline drift akibat perubahan impedansi elektroda serta Power Line Interference (PLI) pada frekuensi 50 Hz yang berasal dari perangkat elektronik di sekitar eksperimen. Derau tersebut kemudian dihilangkan menggunakan filter bandpass Butterworth orde 4 pada rentang 4-64 Hz serta notch filter 50 Hz. Sinyal yang telah bersih selanjutnya didekomposisi menggunakan Discrete Wavelet Transform (DWT) dengan mother wavelet Daubechies 4 (db4) hingga level 4 untuk mengekstraksi tiga pita frekuensi, yaitu beta (16-32 Hz), alpha (8-16 Hz), dan theta (4-8 Hz) yang masing-masing berkaitan dengan kondisi terjaga, relaksasi, dan tidur NREM. Dari setiap pita frekuensi pada tiap kanal, diekstraksi dua fitur statistik, yaitu nilai rata-rata (mean) dan energi menggunakan jendela geser (sliding window) berdurasi 5 detik. Proses ini menghasilkan total 5.760 sampel dengan vektor fitur berdimensi 48 dan data uji (sekitar 1.152 sampel) dengan proporsi 80:20.
Model LTSM
Metode Long Short-Term Memory (LSTM) dipilih karena kemampuannya mempertahankan informasi dari data sekuensial melalui mekanisme gating diantaranya adalah forget gate, input gate, output gate, dan cell state, yang membuatnya cocok untuk mengenali pola pada sinyal EEG yang bersifat runtun waktu. Empat variasi model LSTM diuji dengan kombinasi jumlah hidden layer (3 dan 6) serta jumlah unit LSTM per layer (10 dan 50), masing-masing dilatih selama 100 epoch dengan hyperparameter yang tetap.
Hasil Penelitian
Hasil pengujian menunjukkan kompleksitas model sangat memengaruhi performa klasifikasi. Konfigurasi 3 hidden layer dengan 10 unit LSTM hanya mencapai akurasi 65%, dengan performa rendah pada kelas kantuk sedang dan kantuk berat. Terdapat indikasi underfitting karena model terlalu sederhana. Performa membaik pada konfigurasi 3 hidden layer dengan 50 unit dengan akurasi 74%, sementara konfigurasi 6 hidden layer dengan 10 unit mencapai akurasi 81% namun gagal total mengenali kelas kantuk berat dan menghasilkan nilai precision, sensitivity, dan F1-Score = 0. Model terbaik diperoleh pada konfigurasi 6 hidden layer dengan 50 unit LSTM dengan mencapai akurasi pengujian 91% dan rata-rata precision, sensitivity, dan F1-Score berturut-turut adalah 0,93, 0,91, dan 0,92 di seluruh kelas, termasuk performa hampir sempurna pada kelas kantuk berat dengan nilai precision 1,00; sensitivity 0,97. Performa ini dinilai lebih tinggi dibandingkan penelitian sejenis sebelumny karena lingkungan VR yang lebih imersif menghasilkan data yang lebih menyerupai kondisi berkendara nyata.Namun, penelitian ini masih terbatas pada kohort kecil dan seluruhnya partisipan pria demi menjaga kontak elektroda EEG yang optimal, sehingga saran untuk penelitian selanjutnya perlu melibatkan kohort yang lebih besar, seimbang secara gender, dan lebih beragam usia untuk memvalidasi temuan ini lebih lanjut.
Penulis: Riries Rulaningtyas
Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://scholar.unair.ac.id/en/publications/development-of-driver-drowsiness-classification-based-on-eeg-sign/
