PENGEMBANGAN SISTEM PENDETEKSI KANTUK BERDASARKAN FACIAL LANDMARKS MENGGUNAKAN METODE HAAR CASCADE DENGAN EMBEDDED DEVICE
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Pratama, Muhammad Nabil Akbar
Subject
T Technology (General)
Datestamp
2022-07-20 03:35:01
Abstract :
Kemajuan di bidang ilmu dan teknologi sangat berdampak ke semua sektor kehidupan manusia. Meningkatnya penggunaan transportasi oleh masyarakat yang tentunya sangat memudahkan untuk menunjang aktivitas sehari-hari juga dapat membawa dampak negatif. Menurut Badan Pusat Statistik, jumlah kecelakaan lalu lintas di Indonesia pada tahun 2018 mengalami peningkatan dari tahun sebelumnya dengan total kecelakaan sebanyak 109.215 jiwa. Rasa kantuk merupakan salah satu penyebab utama dan juga yang sering diabaikan oleh para pengemudi, terutama ketika mengemudi dalam jarak yang cukup jauh. Untuk meminimalisir terjadinya kecelakaan yang diakibatkan oleh kantuk pada saat mengemudi, Maka diperlukan sebuah sistem yang bentuknya ringkas dan dapat memberikan notifikasi berupa alarm kepada pengemudi secara langsung jika terdeteksi mulai mengalami kondisi mengantuk. Metode yang digunakan yaitu Haar Cascade berdasarkan Facial Landmarks yang berjalan pada sebuah embedded device dengan memanfaatkan beberapa parameter seperti mata, mulut, dan juga arah kepala agar dapat memberikan hasil deteksi dan rekognisi yang optimal, dan juga dapat meminimalisir terjadinya kecelakaan dengan tepat dan cepat. Kemudian pada tahap ujicoba di penelitian ini, ditetapkan threshold dari rasio mata sebesar 0,32 sebanyak 10 frames, kemudian rasio mulut sebesar 0,43, dan rasio batas kemiringan kepala pada 10 dan -10 derajat. Lalu digunakan metode Confusion Matrix yang mengukur tingkat akurasi serta presisi pada saat proses pendeteksian kantuk. Terdapat beberapa kondisi tambahan yang dijadikan parameter pada saat proses pengujian. Intensitas dan perubahan cahaya sangat berpengaruh selama proses pendeteksian kantuk terhadap pengemudi. Dalam pengujian hasil akurasi serta presisi di penelitian ini, didapatkan hasil berupa persentase akurasi sebesar 85,1% dan persentase presisi sebesar 91,41%.
Kemajuan di bidang ilmu dan teknologi sangat berdampak ke semua sektor kehidupan manusia. Meningkatnya penggunaan transportasi oleh masyarakat yang tentunya sangat memudahkan untuk menunjang aktivitas sehari-hari juga dapat membawa dampak negatif. Menurut Badan Pusat Statistik, jumlah kecelakaan lalu lintas di Indonesia pada tahun 2018 mengalami peningkatan dari tahun sebelumnya dengan total kecelakaan sebanyak 109.215 jiwa. Rasa kantuk merupakan salah satu penyebab utama dan juga yang sering diabaikan oleh para pengemudi, terutama ketika mengemudi dalam jarak yang cukup jauh. Untuk meminimalisir terjadinya kecelakaan yang diakibatkan oleh kantuk pada saat mengemudi, Maka diperlukan sebuah sistem yang bentuknya ringkas dan dapat memberikan notifikasi berupa alarm kepada pengemudi secara langsung jika terdeteksi mulai mengalami kondisi mengantuk. Metode yang digunakan yaitu Haar Cascade berdasarkan Facial Landmarks yang berjalan pada sebuah embedded device dengan memanfaatkan beberapa parameter seperti mata, mulut, dan juga arah kepala agar dapat memberikan hasil deteksi dan rekognisi yang optimal, dan juga dapat meminimalisir terjadinya kecelakaan dengan tepat dan cepat. Kemudian pada tahap ujicoba di penelitian ini, ditetapkan threshold dari rasio mata sebesar 0,32 sebanyak 10 frames, kemudian rasio mulut sebesar 0,43, dan rasio batas kemiringan kepala pada 10 dan -10 derajat. Lalu digunakan metode Confusion Matrix yang mengukur tingkat akurasi serta presisi pada saat proses pendeteksian kantuk. Terdapat beberapa kondisi tambahan yang dijadikan parameter pada saat proses pengujian. Intensitas dan perubahan cahaya sangat berpengaruh selama proses pendeteksian kantuk terhadap pengemudi. Dalam pengujian hasil akurasi serta presisi di penelitian ini, didapatkan hasil berupa persentase akurasi sebesar 85,1% dan persentase presisi sebesar 91,41%.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
