Klasifikasi Kantuk Berdasarkan Skala Kantuk Karolinska Menggunakan Eye Aspect Ratio dan Multilayer Perceptron

Putra, Andhika (2024) Klasifikasi Kantuk Berdasarkan Skala Kantuk Karolinska Menggunakan Eye Aspect Ratio dan Multilayer Perceptron. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024201063_Andhika Putra_Buku Final.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (8MB) | Request a copy

Abstract

Klasifikasi kantuk menghadapi tantangan dalam aplikasi praktis sehari-hari karena metode intrusif seperti EEG yang mengganggu aktivitas normal. Penurunan FPS dalam video menyebabkan data tidak valid, dan dataset tidak seimbang membuat model sulit mengklasifikasikan tingkat kantuk. Banyak sistem klasifikasi kantuk tidak mampu menafsirkan berbagai tingkat kantuk secara detail. Metode non-intrusif seperti EAR menghadapi masalah keakuratan dan keandalan karena variabilitas individu. Penelitian bertujuan membangun klasifikator untuk mengklasifikasikan kantuk berdasarkan pola kedipan mata menjadi tiga kelas: waspada, kewaspadaan rendah, dan mengantuk. Klasifikator menggunakan model MLP yang dilatih dengan data EAR. Penelitian juga melakukan rekonstruksi data hilang menggunakan interpolasi dan penyetaraan data untuk meningkatkan akurasi model. Hasil penelitian menunjukkan bahwa MLP unggul dalam mengklasifikasikan ketiga kategori kantuk dibandingkan LSTM dan SVM. Akurasi MLP untuk kewaspadaan rendah, mengantuk, dan waspada masing-masing 0,43, 0,42, dan 1, dengan akurasi keseluruhan 0,48. LSTM memiliki akurasi keseluruhan 0,38, sementara SVM mencapai 0,43. Penelitian ini menyoroti efektivitas interpolasi spline dibandingkan linear, dengan dua dari tiga model menunjukkan kinerja terbaik dengan interpolasi spline cubic. Penelitian menekankan pentingnya penyetaraan jumlah data per video dan per kategori untuk menghindari bias dalam performa model.
==================================================================================================================================
Drowsiness classification faces significant challenges in practical applications due to intrusive methods like EEG, which disrupt normal activities despite their accuracy. A decrease in FPS (Frames Per Second) in video recordings often results in invalid data, and imbalanced datasets make it difficult for models to classify drowsiness levels effectively. Many current drowsiness classification systems struggle to interpret various drowsiness levels in detail. Non intrusive methods such as EAR (Eye Aspect Ratio) also face accuracy and reliability issues due to individual variability.This study aims to develop a classifier to categorize drowsiness based on eye blink patterns into three levels: alert, low alertness, and drowsy. The classifier utilizes a Multilayer Perceptron (MLP) model trained with EAR data. The study also reconstructs missing data using interpolation and data balancing to enhance model accuracy. The findings indicate that the MLP model outperforms LSTM and SVM in classifying the three drowsiness categories. The accuracy of MLP for low alertness, drowsy, and alert is 0.43, 0.42, and 1, respectively, with an overall accuracy of 0.48. LSTM achieves an overall accuracy of 0.38, while SVM reaches 0.43. The study highlights the effectiveness of spline interpolation over linear interpolation, with two out of three models showing the best performance using cubic spline interpolation. It emphasizes the importance of equalizing the amount of data pervideo and per category to avoid bias in model performance.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	EAR, Klasifikasi Kantuk, MLP, LSTM, SVM, Drowsiness Classification
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:	Andhika Putra
Date Deposited:	13 Sep 2024 06:43
Last Modified:	13 Sep 2024 06:43
URI:	http://repository.its.ac.id/id/eprint/111391

Actions (login required)

View Item