Electronic Theses and Dissertation

Kantuk saat berkendara merupakan salah satu penyebab utama
kecelakaan lalu lintas yang sering berakibat fatal. Sistem yang hanya menggunakan
pengamatan visual atau data detak jantung mentah sering kali kurang tepat dalam
mengenali perubahan kondisi tubuh pengemudi secara langsung. Oleh karena itu,
penelitian ini bertujuan untuk mengembangkan dan mengevaluasi efektivitas sistem
deteksi kantuk pengemudi berbasis integrasi sensor MAX30100 dan metode Fuzzy
logic, dengan buzzer sebagai alat peringatan dini. Sensor MAX30100 digunakan
untuk mengukur sinyal detak jantung dan menghitung parameter Heart Rate
Variability (HRV) seperti Standard Deviation of NN intervals (SDNN), Root Mean
Square of Successive Differences (RMSSD), dan Beats Per Minute (BPM). Nilainilai tersebut menjadi input bagi sistem Fuzzy logic untuk menentukan tingkat
kantuk pengemudi. Hasil pengujian terhadap tujuh responden menunjukkan bahwa
sistem dengan Fuzzy logic mampu menampilkan hasil yang lebih stabil dan akurat,
dengan 18 data (85,7%) dinyatakan valid atau berhasil mendeteksi kondisi sesuai
dengan kondisi responden. Nilai fuzzy score berada pada kisaran 20–25 saat tidak
ngantuk dan meningkat hingga sekitar 55 pada kondisi kantuk ringan hingga
sedang. Dengan demikian, integrasi Fuzzy logic dan sensor MAX30100 dinilai
efektif sebagai sistem deteksi dini kantuk pengemudi.
Kata kunci: kantuk, fuzzy logic, HRV, SDNN, RMSSD.

Drowsiness while driving is one of the main causes of traffic accidents, which often result in fatal outcomes. Systems that rely solely on visual observation or raw heart rate data are often inaccurate in recognizing real-time changes in the driver’s physiological condition. Therefore, this study aims to develop and evaluate the effectiveness of a driver drowsiness detection system based on the integration of the MAX30100 sensor and Fuzzy logic method, with a buzzer serving as an early warning device. The MAX30100 sensor is used to measure heart rate signals and calculate Heart Rate Variability (HRV) parameters such as the Standard Deviation of NN intervals (SDNN), Root Mean Square of Successive Differences (RMSSD), and Beats Per Minute (BPM). These values are used as inputs for the Fuzzy logic system to determine the driver’s level of drowsiness. Test results on seven respondents showed that the system using Fuzzy logic produced more stable and accurate results, with 18 data points (85.7%) declared valid, successfully detecting conditions that matched the respondents’ actual states. The fuzzy score ranged from 20–25 when the driver was alert and increased to around 55 under mild to moderate drowsiness. Thus, the integration of Fuzzy logic and the MAX30100 sensor is considered effective as an early detection system for driver drowsiness.