Klasifikasi Skala Kantuk Karolinska Menggunakan Eye Aspect Ratio Dan Deep Learning

Pratama, Satria (2022) Klasifikasi Skala Kantuk Karolinska Menggunakan Eye Aspect Ratio Dan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211840000030-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (23MB)

Abstract

Penelitian ini bertujuan membuat model klasifikasi Skala Kantuk Karolinska (KSS) berdasarkan nilai Eye Aspect Ratio menggunakan deep learning. Beberapa pendekatan untuk mendeteksi kantuk menggunakan EEG&EKG bersifat intrusif sehingga kurang praktis untuk pemakaian sehari-hari, sehingga diusulkan solusi deteksi kantuk non-intrusif dengan memanfaatkan kamera (fitur wajah) dan deep learning. Deteksi kantuk yang ada sebatas mendeteksi adanya kantuk atau tidak, namun tidak memberikan indikator kantuk yang jelas. Penelitian ini menggunakan video NIR pada dataset DROZY yang berisi video subjek saat menjalani pengujian kewaspadaan psikomotorik yang mengisi kuesioner Skala Kantuk Karolinska (KSS) sebelum memulai pengujian. Dilakukan ekstraksi nilai EAR untuk setiap subjek pada setiap frame di setiap video sehingga membentuk pola EAR dan dilabeli dengan KSS yang dikelompokkan menjadi empat kelas. Untuk mengatasi ketidakseimbangan kelas, dilakukan penyeimbangan dengan teknik SMOTE untuk menghasilkan data sintetis yang merepresentasikan data asli. Data di-training dengan arsitektur MLP dengan konfigurasi hyperparameter empat hidden layer, fungsi aktivasi 'relu' pada setiap hidden layer dan 'softmax' pada output layer, dan optimizer 'adam'. Model dapat melakukan klasifikasi skala kantuk dengan performa terbaik akurasi training sebesar 0.976 dan loss sebesar 0.32.
==============================================================================================================================
The goal of this research is to use deep learning to develop a classification model for the Karolinska Sleepiness Scale (KSS) based on the Eye Aspect Ratio. Several approaches to detecting drowsiness using EEG&ECG are intrusive and thus less practical for everyday use; thus, a non-intrusive drowsiness detection solution based on camera (facial features) and deep learning is proposed. Existing drowsiness detection methods are limited to detecting the presence or absence of drowsiness and do not provide a clear drowsiness indicator. This research employs NIR video on the DROZY dataset, which contains videos of subjects undergoing psychomotor vigilance tests who had their KSS recorded prior to beginning the test. The Eye Aspect Ratio value for each subject in each frame of each video is extracted and labeled with KSS, which are divided into four classes. Data balancing with the SMOTE technique is used to produce synthetic data that represents the original data in order to overcome the class imbalance. The data is trained using the MLP architecture with four hidden layers, activation functions 'relu' in each hidden layer and 'softmax' in the output layer, and optimizer 'adam.' The model performs best on classifying the sleepiness scale, with a training accuracy of 0.976 and a loss of 0.32.

Item Type:	Thesis (Other)
Additional Information:	RSPW 388.4 Pra p 2022
Uncontrolled Keywords:	Deep Learning, Eye Aspect Ratio, Klasifikasi, Multi Layer Perceptron, Skala Kantuk Karolinska. Classification, Deep Learning, Eye Aspect Ratio, Karolinska Sleepiness Scale, Multi Layer Perceptron.
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:	17 Jun 2026 02:17
Last Modified:	17 Jun 2026 02:17
URI:	http://repository.its.ac.id/id/eprint/133837

Actions (login required)

View Item