Perpustakaan Digital ITB

Kecelakaan kereta api tetap menjadi isu yang mendesak di Indonesia, dengan 156 insiden yang dilaporkan antara tahun 2015 dan 2022, yang menyebabkan kerusakan materiil yang signifikan dan ancaman serius terhadap keselamatan manusia. Hal ini memunculkan kekhawatiran pada manajemen PT KAI, sebagai badan usaha milik negara Indonesia yang bergerak di bidang perkeretaapian. Penelitian mengkonfirmasi bahwa kantuk mempengaruhi perhatian, ingatan, kewaspadaan, waktu reaksi, dan koordinasi manusia, sehingga meningkatkan kemungkinan terjadinya kecelakaan kereta api. Salah satu metrik yang dapat digunakan untuk mengkaji kantuk adalah parameter okulomotor. Namun demikian, kriteria spesifik mengenai nilai ambang batas tingkat kantuk di kalangan operator kereta api, khususnya di Indonesia masih terbatas. Penelitian ini bertujuan untuk menentukan nilai kriteria kantuk dan mengembangkan algoritma deteksi kantuk berbasis parameter okulomotor. Tujuan penelitian ini dicapai melalui eksperimen laboratorium dengan 8 partisipan yang memiliki karakteristik fisik menyerupai masinis, yang mengoperasikan simulator kereta api selama 60 menit setelah tidur normal (8 jam) dan dalam kondisi kurang tidur (tidak tidur selama 24 jam). Teknologi eye tracker digunakan untuk mengukur kantuk secara objektif berdasarkan metrik durasi dan frekuensi kedipan, serta penilaian subjektif menggunakan Karolinska Sleepiness Scale (KSS). Hasil dari penelitian ini menunjukkan bahwa kurang tidur secara substansial mempengaruhi nilai kantuk subjektif, frekuensi kedipan, dan durasi kedipan. Di antara semua indikator okulomotor, durasi kedipan menunjukkan akurasi dan sensitivitas yang paling tinggi untuk mendeteksi kelelahan. Hasil penelitian menunjukkan ambang batas untuk klasifikasi kantuk rendah atau kondisi fit, frekuensi kedipan per jamnya berjumlah kurang dari 1071 dan durasi kedipan kurang dari 164 ms, kantuk moderat dengan frekuensi kedipan antara 1071 hingga 1262 dan durasi kedipan antara 164 ms hingga 280 ms, serta kantuk berat dengan frekuensi kedipan per jam lebih dari 1262 dan durasi kedipan lebih dari 280 ms. Nilai ini digunakan untuk merancang sebuah algoritma yang bertujuan untuk mengidentifikasi jumlah kedipan dan menghitung rata-rata durasi kedipan, kemudian mengklasifikasikan tingkat kantuk masinis ke dalam tiga kategori tersebut. Algoritma alat deteksi kantuk ini diharapkan dapat mendeteksi kondisi kantuk masinis dengan akurat untuk menguji fitness for duty pada shift berikutnya. Temuan diharapkan dapat bermanfaaat untuk meningkatkan keselamatan kereta api di Indonesia. Untuk penelitian lanjutan, penambahan jumlah partisipan dan keikutsertaan masinis sebagai partisipan penelitian dapat dilakukan agar hasil penelitian lebih baik secara statistika dan representatif.