Pencahayaan buatan di malam hari di rumah sakit dapat mengganggu ritme sirkadian pasien dan menurunkan kualitas tidur. Oleh karena itu, dibutuhkan sistem pencahayaan otomatis yang dapat menyesuaikan berdasarkan kondisi tidur atau bangun pasien. Namun, tantangan dalam pengembangan sistem ini adalah mendeteksi kondisi tersebut secara akurat menggunakan sinyal EEG yang bersifat kompleks dan rentan noise. Penelitian ini mengusulkan klasifikasi kondisi tidur dan bangun menggunakan algoritma Support Vector Machine (SVM) pada data EEG dari Sleep-EDF. Sinyal EEG diproses menggunakan ekstraksi fitur berbasis Power Spectral Density (PSD) dengan metode Welch, diikuti oleh normalisasi dan balancing data menggunakan SMOTE. Beberapa jenis kernel diuji, yaitu linear, polynomial, RBF, dan sigmoid. Evaluasi dilakukan menggunakan akurasi, precision, recall, dan F1-score. Hasil terbaik diperoleh dari model dengan kernel RBF mencapai akurasi tertinggi sebesar 0,8647. Hasil ini mengungguli kernel linear dan sigmoid (0,7812) serta kernel polynomial (0,8054). Model terbaik ini kemudian diimplementasikan pada perangkat keras ESP32 untuk mengendalikan lampu, dengan hasil klasifikasi 0 (bangun) untuk menyalakan lampu dan 1 (tidur) untuk mematikan lampu.

Artificial lighting at night in hospitals can disrupt patients’ circadian rhythms and reduce sleep quality. Therefore, an automatic lighting system that adjusts based on sleep or wake conditions is needed. However, a key challenge in developing such a system is accurately detecting these conditions using EEG signals, which are complex and prone to noise. This study proposes a classification of sleep and wake states using the Support Vector Machine (SVM) algorithm on EEG data from the Sleep-EDF dataset. EEG signals were processed through feature extraction using the Welch-based Power Spectral Density (PSD) method, followed by normalization and data balancing using SMOTE. Several kernel types were tested, including linear, polynomial, RBF, and sigmoid. Evaluation was performed using accuracy, precision, recall, and F1-score. The best result was achieved by the RBF kernel model with the highest accuracy of 0,8647, outperforming the linear and sigmoid kernels (0,7812) and the polynomial kernel (0,8054). The best-performing model was then implemented on ESP32 hardware to control a light, where classification results of 0 (wake) turned the light on and 1 (sleep) turned it off.