Implementasi Klasifikasi Kantuk Menggunakan IndRNN pada Single Board Computer

Assagaf, Itqan Fikri (2025) Implementasi Klasifikasi Kantuk Menggunakan IndRNN pada Single Board Computer. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024201008-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (6MB) | Request a copy

Abstract

Penelitian ini mengembangkan sistem deteksi kantuk berbasis Independently Recurrent Neural Network (IndRNN) yang diimplementasikan pada perangkat Single-Board Computer (SBC) Jetson Nano untuk memberikan peringatan kepada pengemudi secara real-time saat terdeteksi dalam kondisi berbahaya. Sistem ini menggunakan kamera untuk merekam video, dari mana fitur Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR) diekstraksi menggunakan pustaka MediaPipe. Fitur-fitur tersebut dinormalisasi dan diproses dalam format sliding window agar sesuai dengan data pelatihan model, memungkinkan pengolahan data secara kontinu. Metode ini dirancang untuk memonitor tingkat kantuk pengemudi dengan dua level peringatan. Pada level pertama, jika pengemudi terdeteksi dalam kondisi waspada rendah, sistem memberikan peringatan agar segera beristirahat. Pada level kedua, jika kondisi kantuk meningkat menjadi mengantuk, sistem akan mengaktifkan alarm secara terus-menerus untuk memperingatkan pengemudi agar segera berhenti untuk beristirahat penuh. Jetson Nano digunakan untuk menjalankan model dengan efisiensi tinggi, sementara buzzer diintegrasikan untuk memberikan peringatan suara berdasarkan tingkat kantuk yang terdeteksi. Hasil implementasi menunjukkan bahwa sistem yang dirancang telah sesuai dengan tujuan yang diinginkan. Sistem mampu memantau kondisi kantuk pengemudi dan memberikan peringatan dini sesuai dengan tingkat kantuk yang terdeteksi. Integrasi perangkat keras, seperti kamera, Jetson Nano, dan buzzer, berjalan dengan baik dan menunjukkan kemampuan untuk memberikan peringatan sesuai dengan level kantuk, mendukung keselamatan pengemudi secara efektif. Berdasarkan penelitian yang telah dilakukan, model klasifikasi kantuk yang paling efektif adalah model IndRNN dengan teknik sliding window dengan data training, menunjukkan hasil yang sangat baik dengan akurasi training sebesar 99.1% dan akurasi validasi sebesar 88.6%. Selain itu, penerapan model ini ke Jetson Nano juga menunjukkan performa yang sangat efisien, dengan kecepatan proses inferensi mencapai 11–13 FPS, menjadikannya solusi yang optimal untuk aplikasi real-time dalam klasifikasi kantuk.
==============================================================================================================================
This research develops a drowsiness detection system based on Independently Recurrent Neural Network (IndRNN), implemented on a Single-Board Computer (SBC) Jetson Nano to provide warnings to drivers when detected in hazardous conditions. The system utilizes a camera to record video, from which Eye Aspect Ratio (EAR) and Mouth Aspect Ratio (MAR) features are extracted using the MediaPipe library. These features are normalized and processed in a sliding window format to match the model training data, enabling continuous data processing. This method is designed to monitor driver drowsiness levels with two warning levels. At the first level, if the driver is detected to be in a low alert state, the system provides a warning to rest immediately. At the second level, if the drowsiness condition escalates to drowsy, the system will continuously activate an alarm to warn the driver to stop and take a full rest. Jetson Nano is used to run the model efficiently, while a buzzer is integrated to provide audio warnings based on the detected drowsiness level. The implementation results show that the designed system meets the desired objectives. The system is capable of monitoring driver drowsiness conditions and providing early warnings according to the detected drowsiness levels. The integration of hardware, such as the camera, Jetson Nano, and buzzer, works well and demonstrates the ability to provide warnings according to drowsiness levels, effectively supporting driver safety. Based on the research conducted, the most effective drowsiness classification model is the IndRNN model combined with the training data, which shows excellent results with a training accuracy of 99.1% and validation accuracy of 88.6%. Furthermore, the implementation of this model on the Jetson Nano also demonstrated highly efficient performance, with an inference speed reaching 11–13 FPS, making it an optimal solution for real-time drowsiness classification applications.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kantuk, IndRNN, SBC, Drowsiness
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. R Medicine > R Medicine (General) > R858 Deep Learning T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Itqan Fikri Assagaf
Date Deposited:	03 Feb 2025 02:43
Last Modified:	03 Feb 2025 02:43
URI:	http://repository.its.ac.id/id/eprint/117668

Actions (login required)

View Item