Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."

"ABSTRAK

Aplikasi Meditasi berbasis EEG merupakan aplikasi yang dapat digunakan untuk mendeteksi perasaan stres seseorang dan membantunya bermeditasi dengan memanfaatkan alat EEG untuk membaca gelombang otak. Proses yang terjadi dalam aplikasi ini adalah menerima data gelombang otak dari EEG, mengubah sinyal gelombang otak dari domain waktu ke domain frekuensi dengan Fast Fourier Transform (FFT), dan mengklasifikasikan data dengan k-Nearest Neighbor (KNN). Proses klasifikasi dengan KNN diuji dengan memberikan variasi jumlah gelombang data yang digunakan serta variasi nilai k pada KNN. Dengan menggunakan nilai k = 3 dan menggunakan lima gelombang otak, yaitu gelombang delta, teta, alfa, beta, dan gama sebagai fitur dalam KNN, dapat diperoleh hasil akurasi terbaik sebesar 80% dan waktu pemrosesan tercepat sebesar 23 ms. Dalam pemakaian aplikasi meditasi, waktu rata-rata pengguna untuk dapat menurunkan tingkat stresnya adalah selama 4,2 menit. Implementasi EEG dan proses klasifikasi dengan KNN pada aplikasi meditasi ini dapat mengecek tingkat stres seseorang secara real time dan memastikan bahwa orang tersebut tidak stres lagi setelah bermeditasi.

---

ABSTRACTEEG-based Meditation Application is an application that can be used for detecting someone's stress feeling and helping someone to meditate by using EEG to get brainwave signals. The processes that will be done in this application include collecting brainwave data from EEG, altering the brainwave signals from time domain to frequency domain with Fast Fourier Transform (FFT), and classifying data with k-Nearest Neighbor (KNN). Classification processes with KNN are tested by using variation in the number of brain waves used and using variation in the value of k used in KNN. By using k value of 3 and using five brainwaves, namely delta wave, theta wave, alpha wave, beta wave, and gamma wave as features in KNN, the best accuracy value can be gained, i.e. 80% with the fastest processing time, which is 23 ms. With the meditation application, the average time for the user to reduce the stress level is 4,2 minutes. The implementation of EEG and classification with KNN on this application makes it able to check a person's stress level in real time and to make sure that the person is de-stressed after meditation.

"

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."

"Masalah kesehatan mental pada kelompok mahasiswa merupakan isu yang perlu menjadi perhatian. Secara khusus, tingginya prevalensi gejala depresi juga ditemukan dalam kelompok mahasiswa. Berbagai kondisi yang menyertai peran mahasiswa menjadi faktor risiko berkembangnya gejala depresi pada mahasiswa, salah satunya adalah pengalaman lonelinesss. Selain faktor risiko, masalah depresi pada mahasiswa perlu ditinjau pula faktor yang dapat memproteksi. Self-compassion pada penelitian terdahulu ditemukan berhubungan dengan kesehatan mental yang lebih baik. Untuk mendapat gambaran yang lebih jelas akan fenomena depresi dan lebih lanjut menyusun tindakan pencegahan serta intervensi terkait maka perlu diuji bagaimana loneliness dan self-compassion berperan dalam kehadiran gejala depresi pada mahasiswa. Sebanyak 401 mahasiswa di Jabodetabek terlibat dalam penelitian ini dengan mengisi instrumen pengukuran secara daring. Data dianalisis dengan menggunakan analisis regresi berganda. Hasil penelitian menunjukkan bahwa loneliness memiliki peran yang signifikan dalam memprediksi meningkatnya gejala depresi sementara self-compassion mampu memprediksi berkurangnya gejala depresi pada mahasiswa. Secara khusus, tipe emotional loneliness yang mampu memprediksi berkembangnya gejala depresi. Penelitian ini menggambarkan pentingnya mempertimbangkan kualitas relasi serta mengembangkan self-compassion dalam upaya mengurangi gejala depresi pada mahasiswa.

---

Mental health problems in college students are issues that need special attention. Particularly, the high prevalence of depressive symptoms was also found in college students. Various conditions accompanying the role of college students lead to higher risk for developing depression symptoms, for instance the experience of loneliness. In addition to risk factors, protective factors should be considered as well. Earlier researches found self-compassion to be associated with better mental health. To get a clearer picture about depression and to further develop preventive measures and related interventions, it is necessary to examine how loneliness and self-compassion play a role in the presence of depressive symptoms in college students. A total of 401 college students in Jabodetabek area were involved in this research by completing online measurement instruments. Data were analyzed using multiple regression analysis. The results showed that loneliness had a significant role in predicting the increase in depressive symptoms while self-compassion was able to predict the reduction of depressive symptoms in college students. Particularly, emotional loneliness has a significant role to predict depressive symptoms in college students. This study illustrates the importance of considering the quality of relationships and developing self-compassion in an effort to reduce depression symptoms in college students."

"

Meningkatnya angka prevalensi gangguan depresi, terutama di generasi muda, membawa urgensi tentang pentingnya menjaga kesehatan mental. Terlebih lagi, adanya gangguan depresi pada seseorang telah terbukti untuk meningkatkan risiko dan keparahan (severity) penyakit kardiovaskular. Seringkali, depresi luput atau salah didiagnosis sebagai penyakit lain, karena gejala-gejalanya yang mirip dengan penyakit non-mental lainnya. Karena itu, kebutuhan untuk membuat suatu sistem berbasis sinyal elektroensefalografi (EEG) yang dapat membantu diagnosis gangguan mental ini menjadi semakin penting. Tujuan penelitian ini adalah membuat program analisis spektral dan klasifikasi sinyal EEG untuk membantu diagnosis gangguan depresi yang berbasis Machine Learning. Untuk melengkapinya, dibuat juga aplikasi MATLAB dengan Graphical User Interface agar mempermudah pengguna. Sinyal EEG diproses menggunakan dua metode, yaitu wavelet dan Power Spectral Density (PSD). Relative Power Ratio dan Average Alpha Asymmetry dihitung sebagai fitur klasifikasi. Untuk mereduksi jumlah fitur, dilakukan perhitungan dominansi. Fitur akan diurutkan sesuai dominansinya, sehingga fitur dengan dominansi tertinggi akan digunakan untuk klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah feedforward neural network dengan cross validation. Hasil akurasi tertinggi yang dicapai adalah 83,6% menggunakan metode wavelet dan 77,5% menggunakan metode PSD. Selain itu, di bagian Frontal dan Parietal subyek depresi, ditemukan aktivitas alfa bagian otak kanan yang lebih dominan. Hal tersebut konsisten dengan penemuan dari riset-riset sebelumnya yang menunjukkan bahwa subyek depresi memiliki asimetri aktivitas otak yang dominan di bagian kanan.

---

The increasing prevalence of depressive disorder (also known as major depressive disorder or MDD), especially in the younger generations, has brought urgency upon the importance of keeping good mental health. Moreover, depression has proven to increase risks of cardiovascular diseases, along with their severities. Depressive disorders are oftentimes not diagnosed or misdiagnosed, because some of the symptoms are similar with those of other non-mental illnesses. Because of that, the necessity to build a system based on electroencephalographic (EEG) signals that could help diagnose this mental illness has been increasing in importance. The goal of this research is to make a Machine Learning-based classification program that implements EEG spectral analysis to aid for the diagnostics of depression. A MATLAB application with a Graphical User Interface was made as an addition to the program so that users can operate it easily. EEG signals were processed using two different signal processing methods, which are wavelet and Power Spectral Density (PSD). Relative Power Ratio and Average Alpha Asymmetry were calculated for feature extraction. As a feature-reducing method, feature dominance was calculated and ranked so that the highest ranked features will be used as input for the Machine Learning classification. The classifier used was feedforward neural network with cross validation. The highest achieved results were 83,6% accuracy using the wavelet method and 77,5% accuracy using the PSD method. Other than that, depressed subjects also showed a dominant right-hemisphere alpha activity in the Frontal and Parietal region, which is consistent with previous research that reveals the right-dominated asymmetry in the depressed brain.

"

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"ABSTRAKIsu kesehatan mental merupakan sebuah isu yang sangat berkembang pesat pada masa ini. Remaja dan dewasa muda pada usia 16 hingga 30 tahun adalah korban utama yang menjadi penderita penyakit mentalitas. Isu kesehatan mental merupakan isu yang cukup serius dalam bidang medis dan social. Salah satu penyebab dari penyakit pada mentalitas manusia adalah kurangnya kemawasan diri, yang merupakan salah satu kunci dalam menjaga kestabilan mental pada diri seseorang. Sinyal otak merupakan suatu sinyal yang diduga mampu mendekteksi aktifitas otak manusia, dan dari sinyal tersebut, kita mampu membuat suatu sistem klasifikasi kondisi emosional manusia. Pada penelitian ini, EEG Neurostyle dengan 24 kanal digunakan untuk menangkap sinyal kelistrikan dari otak manusia. Metodenya meliputi reaksi seorang subjek terhadap stimulus berupa audio-visual yang berdurasi kurang lebih 5 menit. Subjek terdiri dari 10 orang manusia berumur 18 hingga 22 tahun, dimana tiap subjek menonton sebuah video pada lingkungan yang sama. Ekspresi mimik wajah akan direkam menggunakan kamera sebagai referensi dan konfirmasi agar sesuai dengan emosi yang dideskripsikan oleh subjek. Fitur emosi berupa RPR kemudian diambil untuk kemudian dimasukan kedalam algoritme classifier. Emosi dibagi berdasarkan 4 jenis yaitu: senang, sedih, takut, dan jijik Menggunakan Supervised Machine Learning, kita dapat menggunakan fitur fitur tersebut untuk klasifikasi. Menggunakan k-NN, didapat akurasi diatas 70% dengan menggunakan 4 kelas.

---

ABSTRACT

Mental health issues are growing rapidly in these recent years. Teenagers and young adult on age 16-30 years old are the most common victims. Mental health is a really serious issue concerning emotional health. One of the causes on emotional health issues is a lack of self-awareness, which is the key cornerstone on maintaining emotional-state. Brain signals has proven that it can read human emotion, and from there we can use brain waves to classify human emotional-state. In this research study, EEG Neurostyle of 24 channels is used to obtain brain electrical signals. The method involves the subject reaction to a set of audio-visual stimuli of approximately 5 minutes, the subject consists of 10 subjects aged 18-22, with each person watched the video-clips in the same environment. The expressions of the subjects were recorded separately to ensure their emotion accordance with the source (i.e. sad clips resulting sad emotion). Then its feature were extracted. The feature were used to classify the emotion into 4 classes: happy, sad, scared, and disgust. Using Supervised Machine Learning Method, we can use these features to identify a new sample to predict which class it belongs to. Using k-NN algorithm as classifier, an accuracy greater than 70% is obtained with 4 classes."

"ABSTRAK

Penyakit kardiovaskuler adalah penyakit serius yang mematikan di mana seperempat kematian yang terjadi ternyata disebabkan oleh penyakit ini. Sementara itu, di negara berkembang seperti Indonesia kualitas layanan kesehatan masih rendah, ditandai dengan kurangnya tenaga dokter pada daerah-daerah rural dan terpencil. Kondisi ini menjadi motivasi perlunya merancang inovasi teknologi telemedical yang berfungsi membantu dokter melakukan diagnosis dan pengobatan penyakit kardiovaskuler. Penelitian ini mengusulkan sebuah sistem berbasis teknologi machine-to-machine M2M untuk mengecek kesehatan pasien yang akan melaporkan hasilnya ke dokter jantung secara jarak jauh melalui aplikasi website dan aplikasi mobile, yang diberi nama My Kardio. Desain dari sistem ini adalah terdiri dari tiga bagian utama yaitu bagian pasien patient site yang terdiri dari sensor-sensor dan gateway, bagian server server site yaitu server aplikasi web dan mobile yang terletak di cloud internet, dan bagian dokter doctor site yaitu aplikasi web dan mobile untuk dokter agar dokter dapat melakukan pengecekan dan diagnosis terhadap pasien secara online. Sistem ini dilengkapi dengan sistem prediksi auto-rekomendasi untuk memberikan rekomendasi kepada dokter dalam menentukan diagnosis penyakit yang diderita pasien. Sistem auto-rekomendasi ini dibangun dengan algoritma k-Nearest Neighbors kNN yang terbukti cukup baik performansinya dalam hal akurasi dan kecepatan. Uji coba telah dilakukan pada empat lokasi di daerah pinggiran Jakarta yaitu Kampung Banjarsari 10 pasien , Cibubur 15 pasien , Cimanggis 37 pasien , dan Pancoran 23 pasien pada total sejumlah 85 pasien. Evaluasi kuantitatif menghasilkan rata-rata akurasi prediksi sistem auto-rekomendasi adalah 76,47 , waktu pemrosesan sistem auto-rekomendasi 1 detik, dan performansi waktu transfer data dari lokasi pemeriksaan ke server M2M adalah 8,97 detik. Evaluasi secara kualitatif dilakukan melalui wawancara dokter spesialis jantung, dan diperoleh hasil bahwa aplikasi My Kardio sangat membantu terutama untuk daerah-daerah yang kekurangan dokter spesialis jantung; dan juga bermanfaat untuk kota besar di mana akses pasien ke dokter jantung juga terkendala oleh waktu praktek dokter yang terbatas dan kemacetan. Kata kunci:Machine-to-machine, penyakit kardiovaskuler, k-Nearest Neighbors.

---

ABSTRACT

Cardiovascular disease is a deadly disease which one-fourth of deaths are caused by this disease. Meanwhile, in developing country like Indonesia, the quality of health services is still low, marked by the lack of doctors to serve patients. This condition gives the motivation about the need for a new innovation to improve the life expectancy of cardiovascular patients in Indonesia, with the help of technology. This research proposes a machine-to-machine M2M technology-based system to check the health of patients which will report the results to the cardiologist remotely through the web and mobile applications, named My Kardio. The design of this system is composed of three main parts, the first one is patient site consisting of sensors and gateways, then server site which is web and mobile application server located in the Internet cloud, and the last is doctor site: web and mobile application for doctors to enable doctors checking and diagnosing patients online. The system is equipped with an auto - recommendation prediction system to provide recommendations to physicians in determining the diagnosis of illness suffered by the patient. This auto-recommendation system is built on the k-Nearest Neighbors kNN algorithm that has been proven with good accuracy and fast. Trials have been performed in four locations in the suburbs of Jakarta: Kampung Banjarsari 10 patients , Cibubur 15 patients , Cimanggis 37 patients , and Pancoran 23 patients of the total 85 patients. Quantitative analysis results are, first the prediction accuracy of the auto- recommendation system is 76.47 on average, then the processing time of auto- recommendation system is 1 second, and last, the duration of data transfer time from location to M2M server is 8.97 seconds. Qualitative analysis was made with cardiologists interviews, which results that My Kardio application is very helpful especially in remote areas which lacking of cardiologists, even for big cities where patients rsquo; access to cardiologists is a problem due to limited clinic time and traffic jams. "

"ABSTRAKPada penelitian ini dirancang sebuah sistem pendeteksi kantuk untuk mencegah terjadinya kelalaian pengendara yang dapat menyebabkan kecelakaan dalam bentuk aplikasi berbasis Android. Dengan menggunakan Elektoensefalogram (EEG), kondisi mengantuk pada seseorang dapat dideteksi dengan cara merekam aktivitas kelistrikan yang terjadi pada otak manusia dan direpresentasikan menjadi bentuk sinyal frekuensi. Kemudian sinyal tersebut akan dikirim ke aplikasi di smartphone Android melalui Bluetooth dan akan memberikan peringatan berupa notifikasi jika kondisi mengantuk sudah terdeteksi. Sinyal akan diproses menggunakan Fast Fourier Tranform (FFT) untuk mengekstraksi fitur pada sinyal otak dan diklasifikasi menggunakan ­K-Nearest Neighbor (KNN). Sistem tersebut diharapkan dapat meminimalisir penyebab terjadinya kecelakaan yang dikarenakan oleh pengemudi yang mengantuk. Hasil yang didapatkan dari perancangan sistem pendeteksi ini menunjukkan bahwa aplikasi sudah dapat menghasilkan performa terbaik dengan tingkat akurasi tertinggi yaitu 95.24% dengan menggunakan nilai K=3 dan dengan menggunakan 4 fitur gelombang otak (Delta, Theta, Alpha, dan Beta).

---

ABSTRACTIn this research, a drowsiness detection system is an Android application and it is designed to prevent drivers negligence that can cause accidents. By using Electroencephalogram (EEG), the condition of drowsiness can be detected by recording the electrical activity that occurs in human brain and represented as a frequency signal. Then the signal will be sent to the Android application on smartphone via Bluetooth and will give an alarm notification if the drowsiness is detected. The signal will be processed using Fast Fourier Transform (FFT) to extract features in human brain signals and be classified using K-Nearest Neighbor (KNN). The system is expected to minimize the causes of accidents that caused by drowsy drivers. The results obtained from the development of this detection system indicate that the application can produce the best performance with the highest accuracy of 95.24% using the value of K = 3 and by using 4 brain wave features (Delta, Theta, Alpha, and Beta)."

"ABSTRACTTalasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACTThalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1."