Klasifikasi Kenyenyakan Tidur Berdasarkan Umur Pada Sinyal Electroencephalograph Dengan Melihat Kondisi Non Rapid Eye Movement : Classification Depth Of Sleep Based On Age By Using Electroencephalograpgh Wave With See Non Rapid Eye Movement Condition

Abstract

Abstrak Manusia membutuhkan tidur untuk mengekang stress di dalam diri. Kurang tidur membuat mudah stress, cemas, dan juga tegang. Maka dari itu tidur yang cukup sangatlah penting. Saat tidur, otak beraktivitas, merespon, dan menghasilkan brainwave atau sinyal otak. Dalam tidur terbagi dua metode kondisi mata yaitu Rapid Eye Movement (REM) dan Non Rapid Eye Movement (NREM). Salah satu cara untuk mendeteksi dan merekam sinyal otak yang disebabkan oleh aktivitas neuron pada otak manusia adalah Electroencephalography (EEG). Oleh karena itu penelitian ini mengklasifikasikan kondisi kenyenyakan tidur pada sinyal EEG yang di ekstraksi ciri dengan HJORTH Descriptor. Setelah itu akan diklasifikasikan menggunakan Support Vector Machine. Dalam mengklasifikasikannya penelitian ini mengambil data dari penelitian Analysis of a SleepDependent Neuronal Feedback Loop: The Slow-Wave Microcontinuity of the EEG. Data ini sudah melalui tahap proses pre-procesing data yang ada di database, setelah itu menggunakan metode Hjorth Descriptor untuk mengekstraksi ciri fitur sinyal EEG dan diklasifikasi menggunakan SVM untuk melihat kondisi tidur tersebut termasuk dalam kategori nyenyak, kurang nyenyak, atau bahkan tidak nyenyak. Dalam penelitian ini hanya mengambil 39 data yang terdiri dari 20 correspondent dan dalam 2 kondisi malam yang berbeda. Malam pertama perekaman tidur normal. Malam kedua perekaman tidur dengan diberikan obat tidur kepada correspondent. Penelitian ini memperoleh parameter keberhasilan 100% menggunakan kernel Linear SVM, menghasilkan keluaran kondisi tidur yang terdiri dari tidur nyenyak pada saat lampu dimatikan, tidur kurang nyenyak pada saat mau terbangun, dan tidur tidak nyenyak pada saat awal tidur. Kata kunci : EEG, NREM, REM, HJROTH Descriptor, SVM Abstract Human need sleep to curb stress. Lack of sleep make easy stress, worried, and uptight. Therefore enough sleep is more important. At sleep, the brain moves, respond, and generate brainwave. In sleep has divided two condition method eye there is Rapid Eye Movement (REM) and Non Rapid Eye Movement (NREM). Either way to detect and record brainwave is Electroencephalography (EEG). Therefore this research will classify depth of sleep in EEG signal using HJORTH Descriptor to extraction the feature of data. After that will classify using Support Vector Machine. In classifying it, this research take data from research Analysis of a Sleep-Dependent Neuronal Feedback Loop: The Slow-Wave Microcontinuity of the EEG. The data has been pre-processing, after that using HJORTH Descriptor to extract characterstic feature signal of EEG and classify using SVM too see the sleep condition included in the category depth of sleep, well sleep, or not well sleep. In this research just took 39 data consisting of 20 correspondent in two night difference condition. The first night normal sleep recorded. The second night Temazepam has given to correspondent. This research has been reach 100% using Linier kernel SVM, produce output condition of sleep consisting of depth of sleep when the lights off, well sleep when before waking up, not well sleep when the lights on. Keywords: EEG, NREM, REM, HJROTH Descriptor, SVM