Pengembangan Sistem Deteksi Kantuk Dan Kelelahan Pengemudi Mobil Berbasis Image Processing Analisa Ekspresi Wajah dan Postural Kepala

Ibrahim, Farhan Majid (2025) Pengembangan Sistem Deteksi Kantuk Dan Kelelahan Pengemudi Mobil Berbasis Image Processing Analisa Ekspresi Wajah dan Postural Kepala. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5023211049-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Kecelakaan lalu lintas, yang sering disebabkan oleh kantuk dan kelelahan pengemudi, merupakan penyebab utama kematian global dengan sekitar 1,35 juta kematian per tahun menurut WHO. Penurunan kewaspadaan pengemudi akibat kantuk memengaruhi kemampuan pengambilan keputusan yang dapat berakibat fatal. Penelitian ini mengusulkan sistem deteksi kantuk berbasis multimodal yang menggabungkan analisis ekspresi wajah dan gerakan kepala, memantau parameter seperti PERCLOS, PEBR, MAR, dan pola gerakan kepala. Dengan menggunakan teknologi pemrosesan citra non-kontak, sistem ini lebih nyaman dan praktis dibandingkan dengan sistem berbasis sensor fisik. Sistem ini dibangun dengan arsitektur pemrosesan paralel yang efisien, serta model deep learning LSTM untuk klasifikasi tingkat kantuk. Hasil pengujian menunjukkan akurasi deteksi posisi kepala mencapai 97,46% dan akurasi model training sebesar 84,6%, yang memungkinkan deteksi kantuk secara real-time. Penggunaan kuisioner dan rater dalam penelitian ini meningkatkan validitas data yang digunakan untuk melatih model deteksi. Pengembangan sistem ke depan akan difokuskan pada pengujian pada pengemudi profesional, yang memiliki threshold kantuk dan ketahanan fisik yang berbeda. Sistem ini akan dirancang untuk mengakomodasi perbedaan individu antara pengemudi, serta menggunakan komponen hardware yang lebih ringkas dan mudah dipasang di kendaraan tanpa mengganggu kenyamanan pengemudi. Selain itu, sistem akan dilengkapi dengan sensor ECG untuk meningkatkan akurasi deteksi, memberikan data fisiologis pengemudi yang lebih mendalam untuk mendeteksi tanda-tanda kantuk lebih awal. Penambahan dataset yang mencakup variasi kondisi pengemudi dan lingkungan pada level 3 dan 4 akan memperkuat kemampuan deteksi dan akurasi sistem secara keseluruhan, diharapkan dapat meningkatkan keselamatan berkendara dan mengurangi kecelakaan akibat kantuk.
=========================================================================================================================================
Traffic accidents, often caused by driver fatigue and drowsiness, are a leading cause of global fatalities, with around 1.35 million deaths annually according to the WHO. A decrease in driver awareness due to drowsiness affects decision-making abilities, which can have fatal consequences. This study proposes a multimodal drowsiness detection system combining facial expression and head movement analysis, monitoring parameters such as PERCLOS, PEBR, MAR, and head movement patterns. Using non-contact image processing technology, the system is more comfortable and practical compared to sensor-based systems. The system is built with an efficient parallel processing architecture and an LSTM-based deep learning model for drowsiness classification. Test results show a head position detection accuracy of 97.46% and a training model accuracy of 84.6%, enabling real-time drowsiness detection. The use of questionnaires and raters in this study enhances the validity of the data used to train the detection model. Future development will focus on testing the system with professional drivers, who have different drowsiness thresholds and physical endurance. The system will be designed to accommodate individual differences among drivers and use more compact hardware that can be easily installed in vehicles without compromising driver comfort. Additionally, the system will be equipped with ECG sensors to improve detection accuracy by providing deeper physiological data from the driver, allowing for earlier identification of drowsiness signs. Adding datasets covering various driver and environmental conditions at levels 3 and 4 will further strengthen the system’s detection capabilities and overall accuracy, with the aim of improving road safety and reducing accidents caused by drowsiness.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Drowsiness detection, postural expression, facial expression, LSTM, driving safety. Deteksi kantuk, ekspresi postural, ekspresi wajah, LSTM, keselamatan berkendara.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Farhan Majid Ibrahim
Date Deposited:	04 Aug 2025 02:30
Last Modified:	04 Aug 2025 02:30
URI:	http://repository.its.ac.id/id/eprint/126618

Actions (login required)

View Item