Hasil Pencarian  ::  Simpan CSV :: Kembali

"Shift kerja yang diterapkan perusahaan dapat memberikan dampak positif maupun negatif terhadap pekerja. Salah satu dampak negatif adalah timbulnya gejala kelelahan Hasil kajian shift kerja terhadap gejala kelelahan % CVL crew shift pagi ada 56 responden (100%) tidak terjadi kelelahan 22 responden (39,3%) shift malam kategori tidak terjadi kelelahan, 33 responden (58,9%) diperlukan perbaikan dan 1 responden (1,8%) kategori kerja dalam waktu singkat. Pada shift pagi hari ke-7 ada kenaikan sebesar 42,9% pada kategori hipertensi grade I, pada shift malam ada kenaikan sebesar 46,5% pada kategori hipertensi grade II. Tingkat kelelahan secara subjektif ada 49 responden shift pagi (87,5%) responden masuk dalam kategori tidak lelah dan 7 responden (12,5%) lelah ringan. Sedangkan pada shift malam ada 7 responden (12,5%) kategori tidak lelah, 29 responden (51,8%) lelah ringan dan 20 responden (35,7%) lelah sedang. Tingkat kantuk ada 56 responden (100%) kategori kantuk normal (shift pagi), sedangkan shift malam ada 32 responden (57,1%) kategori kantuk berlebih dan 24 responden (42,9%) tingkat kantuk normal.

---

Work shift which is applied by the company can made a good or bad effect to the employee. One of the bad affect is a presence of fatigue symptoms. Study work shift against the symptoms of fatigue from % CVL are 56 respondents (100%) are not suffering from fatigue, 22 respondents (39,3%) from night shift workers are also not suffering from fatigue, 33 respondents (58,9%) are necessary to repairs and 1 respondents (1,8%) is working in a short time. On a morning work shift day 7th there is an increase 42,9% in a Hypertension Grade I, and on a night work shift day 7th there is an increase 46,5% on a Hypertension Grade II. The level of subjective fatigue on a morning shift there is 49 respondents (87,5%) are not suffering from fatigue and 7 respondents (12,5%) in a light fatigue. On a night shift there are 7 respondents (12,5%) not suffering from fatigue, 29 respondents (51,8%) in a light fatigue and 20 respondents (35,7%) in a mild fatigue. The level of sleepiness there are 56 respondents morning work shift (100%) in a normal level, on a night shift there are 32 respondents (57,1%) in a excessive sleepiness category and 24 respondents (42,9%) in a normal level."

"Asupan nutrisi dan energi, status nutrisi, serta aktivitas harian berpengaruhpada kejadian mengantuk yang berpengaruh negatif pada konsentrasi danproduktivitas belajar pada mahasiswa. Kejadian mengantuk berhubungandengan penurunan kemampuan kognitif yang disebabkan oleh defisiensizat besi. Seseorang yang mengantuk akan mengalami penurunan aktivitasfisik yang menyebabkan kelebihan berat badan sehingga berisiko lebih ting-gi untuk terkena penyakit degeneratif seperti penyakit kardiovaskular dandiabetes melitus. Penelitian ini bertujuan untuk menganalisis faktor dominanyang berpengaruh pada kejadian mengantuk di kalangan mahasiswa.Penelitian dengan desain studi cross sectional ini dilakukan terhadap sam-pel 139 mahasiswa Fakultas Kesehatan Masyarakat Universitas Indonesia.Proporsi mahasiswa yang hampir mengantuk sekitar 28,80%. Terdapathubungan yang signifikan antara durasi tidur dan masalah kantuk (nilai p =0,048). Mahasiswa dengan durasi tidur < 8 jam per hari mengalami kejadi-an mengantuk 0,50 kali lebih besar daripada mahasiswa dengan durasitidur ≥ 8 jam per hari. Faktor dominan yang berhubungan dengan kejadianmengantuk adalah durasi tidur setelah dikontrol dengan asupan protein danlemak, aktivitas fisik, dan paparan media. Mahasiswa yang seringmengantuk memperlihatkan asupan zat besi rendah sehingga disarankanuntuk meningkatkan asupan zat besi yang berasal dari sumber makananyang mengandung heme.pact for sleepiness problem. Sleepiness related to the decreasing of cogni-tive ability that caused by iron deficiency. A person who feels sleepy willhave a lack of physical activities that lead to overweight and therefore hasa higher risk to suffer degenerative diseases such as cardiovascular and di-abetes mellitus. This study aimed to analyze dominant factor that can giveinfluence to sleepiness problem among students. The cross sectional re-search used 139 students of Faculty of Public Health University ofIndonesia. The percentage of students who is almost sleepy was 28,80%.This research showed the association between sleep duration and somno-lence problem is significant (p value = 0,048). Students with sleep duration< 8 hours a day could be 0,50 times more sleepy than students with sleepduration ≥ 8 hours a day. The dominant factor is sleep duration after con-trolled by protein and fat intake, physical activity, and media exposure.Students that frequently feels sleepy indicated low iron intake so that sug-gested to increase the iron intake through consuming heme contained food."

"Pada penelitian ini, dibuat sebuah sistem yang dapat mencegah terjadinya kecelakaan lalu lintas ketika mengemudi. sistem ini dibuat untuk mendeteksi tanda-tanda terjadinya kantuk dan menghasilkan keluaran peringatan mengantuk kepada pengemudi. Parameter yang menjadi acuan seseorang dalam kondisi mengantuk pada sistem ini yaitu detak jantung manusia. Metode yang digunakan pada sistem ini yaitu batas bawah detak jantung seseorang mengantuk (-8 BPM). Sistem ini terdiri dari dua perangkat keras utama, yaitu Mi Band 3 dan ponsel berbasis Android. Mi Band 3 berfungsi untuk mengambil data detak jantung pengemudi, sedangkan ponsel berfungsi untuk menampilkan peringatan terjadinya kantuk melalui aplikasi pendeteksi kantuk berbasis Android Drowsy Alert. Kualitas sistem pendeteksi kantuk ini diuji dengan melakukan survey menggunakan metode Mean Opinion Score (MOS). Nilai rata-rata kualitatif untuk pengujian tampilan aplikasi dari responden adalah sebesar 4.18 dan pengujian fungsionalitas sistem sebesar 4.45 (dalam skala 5 terbaik). Aplikasi sistem pendeteksi kantuk ini berhasil mendeteksi rasa kantuk seseorang berdasarkan batas bawah -8 BPM dengan penurunan detak jantung sebesar 8-18% pada setiap responden dari kondisi segar hingga mengantuk.

---

In this paper, a system was created to prevent traffic accidents while driving. This system was made to detect a signs of drowsiness and give an alert to the driver. Parameter that becomes a reference point of drowsy condition is human heart rate. Method that used in this system is a lower limit of drivers drowsiness heart rate (-8 BPM). This system consist of two main hardware devices, Mi Band 3 and Android smartphone. Mi Band 3 is used to retrieve drivers heart rate data, whereas a smartphone is used to show drowsiness alert via drowsiness detection Android application Drowsy Alert.

The quality of the application was tested by conducting a survey using the Mean Opinion Score (MOS) method. The qualitative average value from respondents for application appearance testing is 4.18 and system functionality testing is 4.45 (5 scale for the best). This drowsiness detection application successfully detects a respondents drowsiness based on the lower limit of -8 BPM with 8-18% heart rate decrease for each respondent from awake state to drowsy."

"Teknologi deep learning dapat menyelesaikan banyak masalah yang sulit dipecahkan oleh rumus matematis biasa. Salah satu masalah yang bisa diatasi adalah bahaya akibat rasa kantuk yang dialami pengemudi saat berkendara. Pada penelitian ini dibuat aplikasi android sistem deteksi kantuk yang memanfaatkan kamera smartphone. Kamera digunakan untuk mendapatkan informasi fitur citra wajah yaitu aspek rasio mata kanan, aspek rasio mata kiri, aspek rasio mulut, percentage of eye closure (PERCLOS), tingkat kejadian microsleep, dan tingkat kejadian menguap. Fitur-fitur tersebut didapat dari proses transformasi titik-titik landmark wajah. Pada penelitian ini, ditemukan bahwa metode terbaik untuk mendapatkan titik landmark wajah adalah dengan pelacakan Lucas-Kanade optical flow dengan 5 jumlah frame yang dilacak. Fitur-fitur yang dikumpulkan dapat digunakan untuk mendeteksi tingkat kantuk dengan memanfaatkan model deep learning yang telah dilatih dengan data yang dikumpulkan dari 10 orang. Pada penelitian ini, ada 2 jenis model deep learning yang dilatih untuk mendeteksi tingkat kantuk yaitu model deep neural network (DNN) dan long short-term memory (LSTM). DNN memiliki keseluruhan performa yang lebih baik dibandingkan LSTM. DNN memiliki accuracy sebesar 0.902538 dan f1 sebesar 0.899563. Sedangkan LSTM memiliki dari accuracy sebesar 0.891857 dan f1 sebesar 0.892689. Aplikasi android sistem deteksi kantuk yang dibuat menggunakan model deep learning DNN dan memiliki performa yang bagus dengan accuracy sebesar 0.844 dan f1 sebesar 0.865052. Aplikasi Android memiliki mekanisme pemberitahuan berupa suara yang dimainkan ketika pengemudi mengantuk. Selain itu, pada aplikasi Android juga terdapat 2 fungsi tambahan yaitu deteksi tidur dan deteksi gangguan konsentrasi pengemudi. Kedua fungsi tersebut akan mengeluarkan suara ketika terdeteksi untuk memberitahukan kepada pengguna. Dengan adanya aplikasi sistem deteksi kantuk yang dibuat pada penelitian ini, diharapkan dapat mendeteksi tingkat kantuk pengemudi sehingga mengurangi risiko kecelakaan akibat mengantuk.

---

Deep learning technology can solve many problems that are difficult to solve by ordinary mathematical formulas. One of the problems that can be overcome is the danger due to drowsiness experienced by the driver while driving. In this study, a drowsiness detection system on Android application that uses a smartphone camera is made. The camera is used to obtain facial image feature informations which is right eye aspect ratio, left eye aspect ratio, mouth aspect ratio, percentage of eye closure (PERCLOS), microsleep rate, and yawning rate. These features are obtained by transforming and processing facial landmark points. In this study, it was found that the best method for obtaining facial landmarks points is from Lucas-Kanade optical flow tracking with 5 frames tracked. The features collected can be used to detect drowsiness by utilzing a deep learning model that has been trained with data collected from 10 volunteers. In this study, there are 2 types of deep learning models that are trained to detect drowsiness that are deep neural network (DNN) and long short-term memory (LSTM). DNN has better overall performance than LSTM. DNN has an accuracy of 0.902538 and f1 of 0.899563. Whereas LSTM has an accuracy of 0.891857 and f1 of 0.892689. The drowsiness detection system Android application is created using the DNN model and has a good performance with an accuracy of 0.844 and f1 of 0.865052. The Android application has a notification mechanism in the form of sound that played when the driver is detected to be drowsy. In addition, the Android application also has an additional function that are sleeping detection and driver distraction detection. Both functions will make a sound when detected to notify the user. With the application of drowsiness detection system made in this study, it is expected to detect the level of drowsiness of the driver thereby reducing the risk of accidents due to drowsiness.

"

"Pengukuran fatigue dilakukan sebagai data dasar untuk melihat profil fatigue sopir di sebuah perusahaan jasa ekspedisi. Sebanyak 52 sopir diukur selama 10 menit menggunakan Psychomotor Vigilance Task-192 (PVT-192). Dari hasil rata-rata waktu reaksi, responden memiliki profil fatigue normal dan signifikan sebesar 0,046 terhadap jarak berkendara yang berpola negatif. Ada 1 sopir yang fatigue dan 18 sopir merasakan kantuk setelah mengantar muatan. Kegiatan promosi dan preventif tetap perlu dilakukan berkala seperti edukasi dan pemeriksaan kesehatan berkala. Kegiatan kuratif dan rehabilitatif dilakukan bagi sopir yang fatigue.

---

Fatigue measurement was performed as baseline to see fatigue profile on drivers at an expedition service company. A total of 52 drivers were measured for 10 minutes using Psychomotor Vigilance Task-192 (PVT-192). From the mean reaction time, respondents had normal and significant fatigue profiles of 0.046 on the driving distance with the negative pattern. There was one fatigue driver and 18 sleepiness drivers after dropping off the load. Promotion and preventive activities need periodically (education and medical checks up). Curative and rehabilitative programs for drivers had fatigue."

"Sebuah survei yang dilakukan oleh National Highway Traffic Safety Administration NHTSA memperkirakan 5.895.000 kasus kecelakaan yang terkait dengan permasalahan kantuk maupun tidur saat berkendara di jalan jalan U.S.A pada tahun 2005-2009. Dari jumlah tersebut, 83.000 kasus setiap tahunnya merupakan kecelakaan fatal, bahkan pada tahun 2014, 846 orang meningga pada kecelakaan berkendara yang berkaitan dengan kantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi Blur, fungsi Canny dan fungsi Kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi color thresholding dan fungsi kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Kinerja sistem deteksi kantuk diuji melalui empat variabel, yaitu mesin pengolah yang berbeda, nilai ambang batas, kondisi pencahayaan dan karakteristik mata yang berbeda. Berdasarkan hasil pengujian, nilai ambang batas Vlo dan VHi terbaik adalah Vlo = 10 atau 20 dengan perbedaan VHI 10-20. Selain itu, ditemukan bahwa setiap kecepatan setiap proses bergantung pada pengolahan mesh dimana semakin baik pengolahannya. Mesin semakin cepat waktu prosesnya. Perbedaan dalam kondisi pencahayaan pagi, siang, siang dan malam berpengaruh terhadap kinerja sistem deteksi kantuk dengan tingkat kesalahan 20 , yaitu saat kondisi malam hari. Karakteristik mata berkacamata dan tanpa kacamata berpengaruh pada kinerja sistem deteksi kantuk dengan deteksi 100 tingkat keberhasilan, yaitu bila kondisi mata tertutup pada orang dengan kacamata.

---

survey conducted by the National Highway Traffic Safety Administration NHTSA estimates 5,895,000 cases of accidents related to sleepiness and sleep problems while driving on the U.S.A roadway in 2005 2009. Of these, 83,000 cases each year are fatal accidents, even by 2014, 846 people die in a dormant driving accident. The drowsiness detection system was developed to overcome this. The sleepiness detection system is built using the OpenCV library, with a combination of several algorithms, the Haar Cascade Classifier, the Blur function, the Canny function and the Contour function. Haar Cascade Classifier algorithm is used to detect the facial area and eye area of the driver. While the combination of color thresholding function and contour function is used to detect the eye object and analyze the open or closed eyes.

The performance of the drowsiness detection system is tested through four variables, ie different processing machines, threshold values, lighting conditions and different eye characteristics. Based on the test results, the best Vlo and VHi threshold values are Vlo 10 or 20 with a VHI difference of 10 20. In addition, it was found that every speed of each process depends on mesh processing where the better the processing. The faster the machine the process time. Differences in lighting conditions morning, noon, day and night affect the performance of the drowsiness detection system with a 20 error rate, ie during nighttime conditions. Eye characteristics bespectacled and without glasses affect the performance of the drowsiness detection system with a 100 detection rate of success, ie when eye conditions are closed in people with glasses."

"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)."

"Mengemudi dalam keadaan mengantuk merupakan salah satu bentuk kelalaian dalam berkendara yang dapat membahayakan. Oleh karena itu, penelitian ini ditujukan untuk merancang dan membangun sebuah sistem pendeteksi kantuk yang mampu memperingatkan pengemudi apabila sudah berada pada kondisi yang memerlukan istirahat. Sistem yang dikembangkan berupa sebuah aplikasi Android yang memanfaatkan tiga jenis sensor yaitu kamera depan sebagai sumber data citra wajah dengan resolusi 480p, perangkat EEG portabel sebagai sumber data gelombang otak dan MiBand sebagai sumber data detak jantung. Data dari ketiga sensor ini selanjutnya akan digunakan sebagai input bagi sebuah model neural network untuk melakukan deteksi kantuk. Dari penelitian ini didapatkan hasil bahwa arsitektur 1D CNN lebih cocok digunakan sebagai model dalam sistem pendeteksi kantuk dibandingkan dengan LSTM. Interval waktu 4 menit digunakan pada sistem pendeteksi kantuk yang dikembangkan karena dinilai paling optimal untuk digunakan. Dengan menggunakan data dari sepuluh partisipan, model mampu mendapatkan validation accuracy sebesar 96.30%. Sedangkan dari 12 kali percobaan pengujian sistem pendeteksi kantuk yang dikembangkan, sistem mampu melakukan klasifikasi kantuk dengan tingkat akurasi sebesar 83.3%

 

---

Driving in a drowsy condition is one form of carelessness in driving that can be dangerous. Therefore, this research is intended to design and build a drowsy detection system that can warn the driver when they are in a condition that requires to rest. The system was developed in the form of an Android application that utilizes three types of sensors, which are the front camera as a source of face image with 480p resolution, portable EEG devices as a source of brainwaves data and MiBand as the source of heart rate data. Collected data from these three sensors will then be used as input for a neural network model to detect drowsiness. From this study it was found that the 1D CNN architecture is the most suitable to be used as a model in drowsiness detection systems compared to LSTM. A 4-minute time interval is used in the drowsy detection system that was developed because it was considered as the most optimal. By using data from ten participants, the model was able to get a validation accuracy of 96.30%. While from 12 trials of drowsiness detection system testing that was developed, the system can do drowsiness classification with an accuracy rate of 83.3%

 

"

"Kegiatan transportasi batu bara memiliki potensi bahaya dan risiko terjadinya kecelakaan. Faktor manusia seperti kelelahan (fatigue) dan mengantuk (sleepiness) telah menjadi perhatian utama sebagai penyebab terjadinya kecelakaan. Hal ini terlihat dari tingginya kasus kecelakaan di jalur hauling akibat mengantuk dan/atau kelelahan pada pengemudi dump truck PT. X Distrik KCMB tahun 2007-2011. Penelitian ini bertujuan untuk mengetahui hubungan faktor internal (usia, kuantitas tidur, masa kerja) dan eksternal (shift kerja, pola kerja, durasi mengemudi) dengan tingkat kantuk (sleepiness) dan kelelahan (fatigue) pada pengemudi dump truck PT. X Distrik KCMB tahun 2012. Penelitian ini dilakukan pada bulan April-Mei 2012 di jalur hauling PT. X Distrik KCMB, Kalimantan Selatan. Jumlah responden dalam penelitian ini adalah 60 orang. Penelitian ini bersifat kuantitatif observasional dan menggunakan desain studi cross sectional. Tingkat kantuk (sleepiness) diukur secara subjektif dengan menggunakan kuesioner The Epworth Sleepiness Scale (ESS) dan hasilnya menunjukkan bahwa 6,7% responden diindikasikan memiliki tingkat kantuk berlebih (excessive daytime somnolence). Sedangkan tingkat kelelahan (fatigue) diukur secara subjektif dengan menggunakan kuesioner The Fatigue Severity Scale (FSS) dan hasilnya menunjukkan bahwa 31,7% responden memiliki tingkat keparahan kelelahan yang signifikan. Rata-rata tingkat kantuk tertinggi yang diukur dengan menggunakan kuesioner The Wits SleepWake Skale terjadi pada periode Pukul 04.01-05.00 WITA. Sedangkan gejala kelelahan paling banyak dirasakan pada akhir shift yang diukur dengan menggunakan kuesioner RCIF Fatigue Scale adalah letih pada kaki. Hasil uji statistik menujukkan hasil bahwa hanya durasi mengemudi yang memiliki hubungan signifikan dengan tingkat kantuk (sleepiness) dan hanya pola kerja yang memiliki hubungan signifikan dengan tingkat kelelahan (fatigue). Durasi mengemudi >9 jam mempunyai peluang 12,3 kali diindikasikan memiliki tingkat kantuk berlebih jika dibandingkan dengan pengemudi dengan durasi mengemudi ≤9 jam. Pola kerja 13 hari kerja 1 hari off adalah variabel yang paling dominan berhubungan dengan tingkat keparahan kelelahan jika dibandingkan dengan pola kerja yang lain. Pola kerja 13 hari kerja 1 hari off mempunyai peluang 0,2 kali untuk mengalami tingkat keparahan kelelahan yang signifikan dibandingkan dengan pola kerja 6 hari kerja 1 hari off.

---

AbstractCoal transportation activities has potential dangers and risks of accidents. Human factors such as tiredness (fatigue) and somnolence (sleepiness) has become a major concern as the cause of the accident. It is seen from the high incidence of accidents due to sleepiness hauling lines and / or dump truck driver fatigue on PT. District X KCMB years 2007-2011. This study aims to determine the relationship of internal factors (age, quantity of sleep, period of employment) and external (shift work, work patterns, duration of driving) to the level of sleepiness (sleepiness) and tiredness (fatigue) on the dump truck driver PT. X District KCMB 2012. The research was conducted in April-May 2012 in line hauling PT. X KCMB District, South Kalimantan. Number of respondents in this study is 60 people. This study uses quantitative observational and cross sectional study design. The level of sleepiness (sleepiness) was measured subjectively using the Epworth Sleepiness Scale The questionnaire (ESS) and the results showed that 6.7% of respondents indicated having excess levels of sleepiness (excessive daytime somnolence). While the level of fatigue (fatigue) was measured subjectively using the Fatigue Severity Scale questionnaire (FSS) and the results showed that 31.7% of respondents have a significant level of fatigue severity. Average of the highest level of sleepiness as measured using the questionnaire The Wits SleepWake Skale occurred in the period 04:01 to 05:00 o'clock pm. While the most widely perceived symptoms of fatigue at the end of shift is measured using a questionnaire RCIF Fatigue Scale was tired in the legs. The results of the statistical test results showed that only duration of driving which have significant relationship with the level of sleepiness (sleepiness) and only the work patterns that have a significant relationship with levels of fatigue (fatigue). Driving duration> 9 hours had 12.3 times the odds have indicated excessive levels of sleepiness when compared with drivers with a duration of ≤ 9 hours driving. Work pattern 13 days working a day off is the most dominant variables associated with the severity of fatigue when compared with other working patterns. Work pattern 13 days working a day off to have 0.2 times the chance to experience significant fatigue severity compared with the pattern of six days of work a day off."