Klasifikasi Kantuk Berdasarkan Nilai Bukaan Mata (PERCLOS) Dan Nilai Bukaan Mulut (MAR) Menggunakan Skala Karolinska Dan Support Vector Machine

Napitupulu, Joel (2024) Klasifikasi Kantuk Berdasarkan Nilai Bukaan Mata (PERCLOS) Dan Nilai Bukaan Mulut (MAR) Menggunakan Skala Karolinska Dan Support Vector Machine. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024201017_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (9MB) | Request a copy

Abstract

Seseorang Tentunya Membutuhkan Konsentrasi Dalam Melakukan Pekerjaan. Kantuk Seringkali Menjadi Masalah Yang Menggangu Konsentrasi Seseorang Dalam Melakukan Pekerjaan Sehingga Dapat Menyebabkan Kecelakaan Kerja. Penelitian Ini Bertujuan Untuk Mengklasifikasikan Tingkat Kantuk Seseorang Menggunakan Metrik Perclos (Persentase Penutupan Mata) Dan Mar (Nilai Bukaan Mulut) Sebagai Indikator Kantuk. Penelitian Ini Menggunakan Skala Karolinska Untuk Menilai Subjektivitas Kantuk Dan Menerapkan Support Vector Machine (Svm) Untuk Klasifikasi Otomatis. Digunakan Juga Multi-layer Perceptron (Mlp) Dan Long-short Term Memory (Lstm) Sebagai Pembanding Model Yang Telah Dibuat. Penelitian Dilakukan Dengan Menggunakan Dataset Video Yang Telah Terverifikasi. Dengan Dataset Video Yang Digunakan, Didapatkan Nilai Openness Dan Mar. Nilai Openness Kemudian Dilakukan Perhitungan Hingga Mendapatkan Nilai Perclos. Nilai Perclos Dan Mar Digunakan Untuk Proses Training Yang Akan Menghasilkan Model. Sebelum Data Perclos Dan Mar Digunakan Untuk Training,Dilakukan Augmentasi Untuk Mendapatkan Model Yang Terbaik. Dengan Menggunakan Data Yang Tidak Diaugmentasi Untuk Di Training, Didapatkan Hasil Akurasi Model Svm Sebesar 44%,Mlp Sebesar 44%, Dan Lstm Sebesar 56%. Sedangkan Dengan Menggunakan Data Yang Diaugmentasi,Hasilnya Didapatkan Model Dengan Akurasi 92% Oleh Svm,81% Oleh Mlp, Dan 81% Oleh Lstm.
=====================================================================================================================================
An Individual Certainly Needs Concentration To Perform Work. Drowsiness Often Becomes A Problem That Disrupts One`s Concentration In Performing Tasks, Which Can Lead To Work Accidents. This Study Aims To Classify The Level Of Drowsiness Using Perclos (Percentage Of Eye Closure) And Mar (Mouth Aspect Ratio) Metrics As Indicators Of Drowsiness. This Study Uses The Karolinska Sleepiness Scale To Assess Subjective Sleepiness And Applies Support Vector Machine (Svm) For Automatic Classification. Multi-layer Perceptron (Mlp) And Long-short Term Memory (Lstm) Were Also Used As Comparison Models. The Research Was Conducted Using A Verified Video Dataset. With The Video Dataset Used, Openness And Mar Values Were Obtained. The Openness Values Were Then Calculated To Obtain The Perclos Values. The Perclos And Mar Values Were Used For The Training Process, Which Would Produce A Model. Before The Perclos And Mar Data Were Used For Training, Augmentation Was Performed To Obtain The Best Model. Using Unaugmented Data For Training, The Svm Model Accuracy Was 44%, Mlp Was 44%, And Lstm Was 56%. Whereas Using Augmented Data, The Results Showed Model Accuracies Of 92% By Svm, 81% By Mlp, And 81% By Lstm

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kantuk, PERCLOS, MAR, Skala Karolinska, SVM, Model Drowsiness, PERCLOS, MAR, Karolinska Scale, SVM, Model
Subjects:	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:	Joel Napitupulu
Date Deposited:	01 Aug 2024 00:58
Last Modified:	09 Sep 2024 07:25
URI:	http://repository.its.ac.id/id/eprint/110858

Actions (login required)

View Item