Sanfa, Athira Ramadhanova Putri (2024) Sistem Tertanam Deteksi Kelelahan Pengemudi Berbasis Image Processing Analisis Gerakan Kepala Untuk Keamanan Berkendara. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5023201021-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5023201021-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy |
Abstract
Penyebab terbesar dari kecelakaan lalu lintas di Indonesia adalah akibat dari human error, dimana salah satunya adalah disebabkan oleh pengemudi yang mengantuk akibat kelelahan. Sebagai upaya untuk mencegah terjadinya kecelakaan akibat pengemudi yang mengantuk, dibutuhkan suatu sistem yang dapat mendeteksi kelelahan pada pengemudi. Penelitian yang telah dilakukan sebelumnya telah menunjukkan keterkaitan antara parameter postural tubuh dengan kantuk yang dialami oleh pengemudi. Namun penelitian tersebut masih menggunakan sensor yang ditempelkan di bagian belakang kepala pengemudi. Untuk meningkatkan keefektifan dan kenyamanan bagi pengemudi, pada penelitian ini diajukan sebuah sistem yang dapat mendeteksi kantuk dengan parameter postural secara non kontak, yaitu berbasis pemrosesan citra. Parameter postural yang digunakan adalah gerakan kepala dari pengemudi. Proses pengambilan data untuk pelatihan model dilakukan menggunakan Portable Driving Simulator (PDS), sementara pengujian sistem dilakukan pada PDS dan jalan raya langsung. Digunakan model machine learning Yunet untuk pendeteksian wajah dari keseluruhan citra yang lebih optimal dan cepat atas kebutuhan terhadap sistem tertanam. Kemudian selanjutnya digunakan penurunan formula Euler sebagai estimasi pose kepala yang kemudian akan dimanfaatkan sebagai pengklasifikasian gerakan kepala. Gerakan kepala ini selanjutnya akan dideteksi sebagai kantuk dengan suatu ambang batas. Hasil dari penelitian ini berupa suatu ambang batas yang dinamis menyesuaikan dengan tiap pengemudi, yaitu mean+standar deviasi dari masing-masing subjek. Didapatkan juga bahwa sudut yang dianggap berkorelasi dengan tingkat kantuk adalah yaw dan pitch, dengan korelasi senilai 0.54 dan 0.41. Model LSTM yang digunakan sebagai sistem klasifikasi memiliki akurasi sebesar 0.64. Hasil dari sistem berupa array persentase yaw dan pitch dapat digabungkan dengan hasil-hasil dari sistem deteksi kantuk dengan metode lain untuk meningkatkan akurasi dan terintegrasi sebagai suatu sistem modern electronic safety driving secara keseluruhan.
==========================================================================================================================================================
The primary cause of traffic accidents in Indonesia is human error, with driver drowsiness due to fatigue being a significant factor. To mitigate such accidents, an effective system for detecting driver fatigue is essential. Prior research has demonstrated a correlation between postural parameters and driver drowsiness, though these studies relied on sensors affixed to the back of the driver's head. This study aims to enhance driver comfort and system efficacy by proposing a non-contact drowsiness detection system based on image processing. The primary postural parameter analyzed is head movement. Data for model training were collected using a Portable Driving Simulator (PDS), while system testing was conducted both on the PDS and in real-world driving conditions. The Yunet machine learning model was employed for its optimal and rapid facial detection capabilities, tailored for embedded systems. Subsequently, Euler's formula was applied to estimate head pose, which was then used for classifying head movements. These movements were detected as indicators of drowsiness using a dynamic threshold, specifically the mean+standard deviation for each driver. The study identified yaw and pitch angles as significantly correlated with drowsiness, with correlation values of 0.54 and 0.41, respectively. The Long Short-Term Memory (LSTM) model used for classification achieved an accuracy of 0.64. The results of the system, in the form of arrays of yaw and pitch percentages, can be combined with the outputs from other drowsiness detection methods to enhance accuracy and be integrated into a comprehensive modern electronic safety driving system.
Actions (login required)
 |
View Item |