Deteksi Mengantuk Pada Pengemudi Berbasis Fitur Facemesh Menggunakan Deep Learning

Nuralif, Imam (2024) Deteksi Mengantuk Pada Pengemudi Berbasis Fitur Facemesh Menggunakan Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022212015-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (12MB) | Request a copy

Abstract

Peningkatan jumlah kendaraan setiap tahun berbanding lurus dengan resiko keceleakaan yang juga semakin besar. Salah satu aspek utama yang mempengeruhi tingginya resiko kecelakaan adalah kondisi pengemudi yang mengantuk dijalan. Hal ini mendorong banyak penelitian khususnya deteksi mengantuk pada pengemudi. Penelitian ini mengembangkan sistem deteksi mengantuk pada pengemudi yang dapat bekerja secara real-time menggunakandeep learning dengan fitur facemesh. Penelitiaan ini mengesktrak fitur wajah seperti Eye Aspect Ratio (EAR), Mouth Aspect Ratio (MAR), Pupil Circularity (PUC), dan Mouth Over Eye (MOE). Data ini diproses melalui model Long Short-Term Memory (LSTM). Model LSTM menunjukkan kemampuan prediksi yang tinggi dengan serta akurasi keseluruhan mencapai 89%. Hasil ini dibuktikan melalui evaluasi menggunakan confusion matrix, menunjukkan kemampuan model dalam mengidentifikasi kondisi mengantuk. Uji coba dalam kondisi mengemudi nyata dengan menggabungkan MediaPipe dan model LSTM menunjukkan bahwa sistem dapat mendeteksi mengantuk serta mengatasi gangguan visual. Tujuan dari penelitian ini adalah memanfaatkan fitur facemesh sehingga setiap ekspresi mengantuk dapat dideteksi sehingga dari setiap pergerakkan landmark fitur wajah, sehingga dapat mendeteksi tanda-tanda mengantuk dan memberikan peringatan kepada pengemudi dan meningkatkan keselamatan berkendara.
==================================================================================================================================
The number of vehicles increases each year, so does the risk of accidents. A primary aspect influencing the high risk of accidents is the condition of drowsy drivers on the road. This has spurred numerous studies, particularly in the detection of driver drowsiness. This research develops a real-time drowsy driver detection system using deep learning with facemesh features. It extracts facial features such as Eye Aspect Ratio (EAR), Mouth Aspect Ratio (MAR), Pupil Circularity (PUC), and Mouth Over Eye (MOE). These data are processed through a Long Short-Term Memory (LSTM) model. The LSTM model demonstrates high predictive capability with an overall accuracy of 89%. This result is validated through evaluation using a confusion matrix, showing the model ability to identify drowsy conditions. Real-driving condition tests, integrating MediaPipe and the LSTM model, show that the system can detect drowsiness and overcome visual disturbances. The goal of this research is to utilize facemesh features, detecting every expression of drowsiness from the movement of facial landmarks, thus identifying signs of drowsiness and providing warnings to drivers to enhance driving safety.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deteksi Mengantuk Pengemudi, LSTM, MediaPipe, Keselamatan Berkendara, Driver Drowsiness Detection, Deep Learning, Facemesh, Driving Safety.
Subjects:	T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL152.8 Vehicles, Remotely piloted. Autonomous vehicles.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Imam Nuralif
Date Deposited:	26 Jan 2024 04:20
Last Modified:	26 Jan 2024 04:20
URI:	http://repository.its.ac.id/id/eprint/105660

Actions (login required)

View Item