Tidur memiliki peran penting dalam menjaga kesehatan, dan kualitas tidur yang buruk dapat memicu kelelahan yang berpotensi menyebabkan microsleep, yaitu hilangnya kesadaran singkat yang meningkatkan risiko kecelakaan. Penelitian ini merancang sistem deteksi kelelahan berbasis pola tidur menggunakan metode Fuzzy Mamdani sebagai upaya pencegahan risiko microsleep. Data dikumpulkan melalui kuesioner demografis dan kebiasaan tidur dari 188 responden, mencakup tujuh variabel input (usia, durasi tidur malam, aktivitas sebelum tidur, jam tidur malam, jumlah aktivitas, frekuensi tidur siang, dan durasi tidur siang) serta satu output (tingkat kelelahan). Fuzzifikasi dilakukan menggunakan fungsi keanggotaan segitiga (trimf) dan trapesium (trapmf), kemudian diproses melalui 38 aturan IF-THEN dengan bantuan Python dan pustaka scikit-Fuzzy. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan skor kelelahan numerik (0–100) yang terbagi ke dalam lima kategori, dengan distribusi 126 responden (67%) pada kategori sedang, 47 responden (25%) rendah, 12 responden (6%) tinggi, dan 3 responden (2%) sangat tinggi. Analisis demografis mengungkap bahwa kelompok remaja lebih rentan terhadap kelelahan tinggi, siswa SMK didominasi kategori sedang, sementara pekerja menunjukkan variasi yang lebih beragam. Faktor jenis kelamin tidak signifikan karena jumlah sampel tidak seimbang. Secara keseluruhan, sistem Fuzzy Mamdani terbukti konsisten dalam mendeteksi tingkat kelelahan dan dapat digunakan untuk mengidentifikasi kelompok berisiko terhadap microsleep.

Sleep plays an important role in maintaining health, and poor sleep quality can trigger fatigue that may lead to microsleep, which is a brief loss of consciousness that increases the risk of accidents. This study designed a fatigue detection system based on sleep patterns using the Fuzzy Mamdani method as an effort to prevent the risk of microsleep. Data was collected through demographic and sleep habit questionnaires from 188 respondents, covering seven input variables (age, nighttime sleep duration, pre-sleep activities, bedtime, number of activities, daytime sleep frequency, and daytime sleep duration) and one output (fatigue level). Fuzzification was performed using triangular (trimf) and trapezoidal (trapmf) membership functions, then processed through 38 IF THEN rules with the help of Python and the scikit-Fuzzy library. The results showed that the system was able to generate a numerical fatigue score (0–100) divided into five categories, with the following distribution 126 respondents (67%) in the moderate category, 47 respondents (25%) in the low category, 12 respondents (6%) in the high category, and 3 respondents (2%) in the very high category. Demographic analysis revealed that the adolescent group was more prone to high fatigue, vocational high school students were predominantly in the moderate category, while workers showed more varied results. Gender was not a significant factor due to the unbalanced sample size. Overall, the Mamdani Fuzzy system proved consistent in detecting fatigue levels and can be used to identify groups at risk of microsleep.