Implementasi Ekstraksi Fitur Wajah Mtcnn Pada Klasifikasi Skala Kantuk Menggunakan Cnn

Putra, Adima Mahardika (2022) Implementasi Ekstraksi Fitur Wajah Mtcnn Pada Klasifikasi Skala Kantuk Menggunakan Cnn. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211840000002-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Kantuk merupakan kondisi ketika tingkat kesadaran manusia mengalami penurunan. Rasa kantuk tidak mudah untuk diukur secara eksternal. Jika hal ini dibiarkan begitu saja, akan sangat berbahaya jika kita sedang melakukan aktifitas yang memerlukan kontrol penuh dari kesadaran seperti aktivitas mengemudi. Serangkaian alat dan metode untuk mendeteksi kantuk ini telah dikembangkan. Namun pada implementasinya metode intrusif menggunakan alat ini kurang praktis. Selain itu metode deteksi kantuk menggunakan citra video juga mengalami masalah karena berpotensi kehilangan data berupa fitur wajah karena untuk mendapatkan data tersebut harus menggunakan kamera near infrared yang memiliki resolusi rendah dan detail yang kurang. Oleh karena itu diperlukan sebuah algoritma yang mampu mendeteksi fitur wajah secara maksimal untuk melakukan klasifikasi terhadap skala kantuk seseorang. Untuk mencapai tujuan tersebut, akan dibuat sebuah program yang berfungsi untuk melakukan ekstraksi fitur wajah dan fitur mata. Program tersebut akan berfungsi untuk mendeteksi jumlah frame yang mengandung fitur wajah dan melakukan klasifikasi kondisi mata tertutup atau terbuka yang kemudian akan disimpan dalam suatu file ‘csv’ untuk diolah. Selanjutnya data tersebut akan dilakukan proses training menggunakan arsitektur 1D CNN. Hasil dari proses training yang telah dilakukan sebelumnya merupakan model yang akan digunakan dalam melakukan klasifikasi skala kantuk. Terdapat 6 skenario percobaan untuk mendapatkan hasil yang terbaik. Dari seluruh hasil yang sudah didapatkan maka dapat ditarik kesimpulan bahwa hasil model terbaik merupakan hasil dari proses training dengan nilai epoch sebesar 30 dan penambahan data sintetis. Nilai akurasi yang didapatkan sebesar 89% dan nilai loss sebesar 34%.
==============================================================================================================================
Sleepiness is a condition when the level of human consciousness decreases. Sleepiness is not easy to measure externally. If this is allowed just like that, it would be very dangerous if we were doing activities that requires full control of consciousness such as activities driving. This set of tools and methods for detecting drowsiness has been developed. However, in its implementation the intrusive method uses this tool less practical. In addition, the sleep detection method uses video images as well experiencing problems due to the potential for data loss in the form of facial features. To get this data, you must use a near infrared camera which has a low resolution and lacks detail. Therefore it is necessary an algorithm that is able to detect facial features to the maximum for classifying a person’s sleepiness scale. To achieve the goal After that, a program will be created that functions to perform the extraction facial features and eye features. The program will function to detect number of frames containing facial features and performing condition classification eyes closed or open which will then be saved in a ’csv’ file to be processed. Furthermore, the data will be carried out in the training process using 1D CNN architecture. The results of the training process that has been carried out The previous model is the model that will be used in performing the scale classification drowsiness. There are 6 experimental scenarios to get the best results. From all the results that have been obtained, it can be concluded that the best model results are the result of the training process with epoch values by 30 and the addition of synthetic data. Accuracy value obtained of 89% and the loss value of 34%.

Item Type:	Thesis (Other)
Additional Information:	RSKom 006.42 Put i-1 2022
Uncontrolled Keywords:	near infrared, facial features, 1D CNN, epoch. near infrared, fitur wajah, 1D CNN, epoch.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	15 Jun 2026 06:57
Last Modified:	15 Jun 2026 06:57
URI:	http://repository.its.ac.id/id/eprint/133814

Actions (login required)

View Item