Deteksi Kantuk Menggunakan Ekstraksi Fitur Uniform Rotated Local Binary Pattern Secara Real-Time

Harryara, Glenn (2019) Deteksi Kantuk Menggunakan Ekstraksi Fitur Uniform Rotated Local Binary Pattern Secara Real-Time. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000148-Undergraduate_Theses.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Salah satu penyebab terbesar dari kecelakaan kendaraan bermotor adalah mengantuk. Tidak sedikit dari kejadian tersebut terjadi pada siang hari. Kecelakaan dapat menimbulkan kerugian dalam kondisi yang tidak terduga. Maka dari itu diperlukan suatu sistem yang dapat mendeteksi kantuk pada pengemudi. Salah satu karakteristik untuk mendeteksi kantuk adalah dengan memperhatikan kondisi mata pada pengemudi. Jika kondisi mata pengemudi tertutup pada suatu periode tertentu, maka pengemudi akan dikategorikan dalam kondisi mengantuk. Penggunaan data video untuk mendeteksi kantuk pada pengemudi dilakukan dengan mengekstraksi karakteristik pada mata pengemudi. Maka dari itu dalam penelitian ini dilakukan pendeteksian kantuk pada pengemudi menggunakan ekstraksi fitur uniform Rotated Local Binary Pattern (uRLBP). URLBP merupakan modifikasi dari Local Binary Pattern (LBP) yang dikembangkan dari Rotated Local Binary Pattern (RLBP) dengan pola uniform. Pada tugas akhir ini akan dilakukan deteksi wajah dan mata terlebih dahulu pada setiap frame video menggunakan Haar Feature-Based Cascade Classifier. Dari hasil deteksi mata akan diperoleh citra potongan area mata. Citra tersebut kemudian diekstraksi fitur teksturnya menggunakan uRLBP. Selanjutnya fitur tersebut akan diklasifikasi menggunakan metode Support Vector Machine (SVM). Data pelatihan diambil dari dataset “Closed Eye in the Wild” (CEW) yang berisikan foto wajah manusia dengan 2 kondisi berbeda yaitu mata tertutup dan mata terbuka. Sementara untuk data uji coba menggunakan dataset berupa video yang direkam sendiri oleh penulis. Model dievaluasi dengan menggunakan cross validation untuk dipisahkan menjadi 2 bagian yaitu data untuk proses pembelajaran dan data untuk evaluasi dengan jumlah k-fold sebanyak 5. Nilai akurasi terbaik diperoleh dengan ekstraksi fitur uRLBP(24,7) yang mendapat akurasi sampai dengan 95.62% dalam pembuatan model.
====================================================================================================================================
One of the biggest cause in road accident is drowsiness. Not a little of the accident happened during the day. Accident cause losses in unpredictable time. Therefore, a warning system is needed to detect drowsiness of driver. Video data can be used to prove the drowsiness of driver by extracting its eye characteristic. Therefore, this study focuses on detecting drowsiness using data video through textures extraction of uniform Local Binary Pattern (URLBP). URLBP is a modified version Local Binary Pattern (LBP) which improved from Rotated Local Binary Pattern (RLBP) with uniform pattern. One main characteristic to detect drowsiness is eye condition. If eye closed in a period of time, then the driver is categorized as in drowsiness condition. First, we perform face detection and then eye detection using Haar Feature-Based Cascade Classifier. From there, we’ll have an eye region. It will be extracted using uRLBP. And then that feature will be classified using Support Vector Machine (SVM). The dataset that used for training process is taken from “Closed Eye in the Wild” (CEW) which containing human face with 2 different conditions: opened eye and closed eye. For the datatest, it will be using video data that recorded by writer itself. Models performance score will be tested using cross validation to be separated into two parts, data training and data test with 5 number of k-fold. The best performance obtained with feature extraction using uRLBP(24,7) which have 95.62% score for mean accuracy.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deteksi Kantuk, Dataset Closed Eye in the Wild, Uniform, Rotated, Local Binary Pattern, SVM.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	Glenn Lucas Harryara
Date Deposited:	06 Aug 2026 01:42
Last Modified:	06 Aug 2026 01:42
URI:	http://repository.its.ac.id/id/eprint/65601

Actions (login required)

View Item