Klasifikasi Kantuk Berdasarkan Pola Kedipan Mata dan Pola Bukaan Mulut dengan IndRNN

Merdila, Adritia Alfiana (2023) Klasifikasi Kantuk Berdasarkan Pola Kedipan Mata dan Pola Bukaan Mulut dengan IndRNN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000017-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (6MB) | Request a copy

Abstract

Kantuk adalah keadaan dimana seseorang membutuhkan waktu istirahat dan seringkali muncul pada saat yang tak terduga, seperti saat belajar, bekerja, atau mengemudi. Gejala dari rasa kantuk umumnya adalah microsleeps (berkedip dengan durasi lebih dari 500 ms) dan menguap. Salah satu cara untuk mendeteksi kantuk yaitu dengan metode non-intrusif menggunakan visi komputer dengan menerapkan algoritma Deep Learning. Recurrent Neural Network merupakan salah satu jenis Deep Learning yang melibatkan masukan berurutan karena memiliki memori untuk menyimpan state. IndRNN merupakan pengembangan dari RNN namun pemrosesan setiap neuron pada suatu layer tidak bergantung dengan layer lain. Melalui penelitian ini model klasifikasi kantuk akan dibuat dengan menggunakan parameter kedipan mata dan pola bukaan mulut dengan menggunakan IndRNN. Penelitian ini mengambil data berupa video dari database UTA-RLDD. Data tersebut kemudian diproses sehingga didapatkan nilai Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR) pada setiap frame. EAR dan MAR tersebut nantinya akan digunakan sebagai masukan model klasifikasi pada IndRNN yang menghasilkan output berupa 3 kelas yang mengacu pada skala kantuk Karolinska. Kelas tersebut diantaranya : Kelas pertama (Waspada) yaitu terdiri dari label kelas KSS 1 sampai 3, Kelas kedua (Waspada Rendah) yaitu terdiri dari label kelas KSS 6 dan 7, Kelas ketiga (Mengantuk) yaitu terdiri dari label kelas KSS 8 dan 9. Berdasarkan penelitian yang telah dilakukan, model klasifikasi kantuk yang paling efektif adalah model IndRNN dengan data teraugmentasi. Model tersebut memiliki nilai akurasi sebesar 0,6943 dan niali validasi sebesar 0,52.
=====================================================================================================================================
Drowsiness is a condition in which a person needs rest and often occurs unexpectedly, such as during studying, working, or driving. Common symptoms of drowsiness are microsleeps (blinks longer than 500 ms) and yawning. One way to detect drowsiness is by using a non-intrusive method using computer vision by applying the Deep Learning algorithm. RNN is a type of Deep Learning that involves sequential input because it has memory to store state. IndRNN is a development of RNN but the processing of each neuron in a layer is independent of other layers. Through this research a drowsiness classification model will be created using the parameters of eye blink and mouth opening pattern using IndRNN. This study retrieved data in the form of videos from the DROZY and UTA-RLDD databases. The data is then processed to obtain the Eye Aspect Ratio (EAR) and Mouth Aspect Ratio (MAR) values for each frame. The EAR and MAR will later be used as input for the classification model in IndRNN which produces output in the form of 3 classes that refer to the Karolinska sleepiness scale. These classes include: First class (Alert) which consists of class labels KSS 1 to 5, Second class (Low Vigilant) which consists of class labels KSS 6 and 7, Third class (Drowsy) which consists of class labels KSS 8 and 9. Based on the conducted research, the most effective drowsiness classification model is the IndRNN model with augmented data. It achieved an accuracy score of 0.6943 and a validation score of 0.52.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kantuk, Visi Komputer; Computer Vision, Drowsiness, IndRNN
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Adritia Alfiana Merdila
Date Deposited:	04 Aug 2023 02:40
Last Modified:	31 Aug 2023 06:22
URI:	http://repository.its.ac.id/id/eprint/102315

Actions (login required)

View Item