View/Open

Author
BINTANG, FIKRI FAUZAN

Date Published
19 May 2026

Advisor
Martin Clinton Tosima Manullang, S.T., M.T., Ph.D.,

Subject
Teknik Informatika

Publisher

Kantuk saat berkendara merupakan faktor risiko utama kecelakaan lalu lintas yang sulit dinilai secara mandiri oleh pengemudi. Penelitian ini merancang dan mengevaluasi arsitektur model Mamba berbasis Selective State Space Model (SSM) untuk mendeteksi tingkat kantuk dari sinyal Electroencephalogram (EEG) dan Electrooculogram (EOG) menggunakan dataset DROZY (36 rekaman, 14 subjek). Model dievaluasi menggunakan subject-wise 5-fold cross-validation dengan segmentasi sliding window 30 detik dan normalisasi Z-Score per-subjek. Studi perbandingan dilakukan antara dua skenario pelatihan: klasifikasi biner langsung menggunakan Weighted Cross-Entropy Loss, dan regresi nilai Karolinska Sleepiness Scale (KSS) kontinu (1-9) yang dikonversi ke keputusan biner pada tahap inferensi. Hasil menunjukkan bahwa arsitektur Mamba yang dikembangkan sangat ringan secara komputasi, dengan hanya 62.930 parameter dan beban operasi 0,01 GFLOPS. Pada evaluasi performa, pendekatan klasifikasi (akurasi rata-rata 66,00% ± 8,26%; F1-Score 0,5844 ± 0,1319) secara konsisten mengungguli pendekatan regresi (akurasi 57,51% ± 6,48%; F1-Score 0,4676 ± 0,1566) dalam mendeteksi kondisi Drowsy, meskipun dengan risiko false alarm yang lebih tinggi. Tingginya standar deviasi antar fold mengindikasikan bahwa performa masih sangat dipengaruhi oleh variabilitas sinyal antarindividu, yang menjadi tantangan utama yang perlu diatasi pada penelitian selanjutnya.

URI
https://repo.itera.ac.id/depan/submission/SB2605190051

Keyword
Deteksi Kantuk Electroencephalogram Electrooculogram Model Mamba Klasifikasi