Dhiaulhaq, Muhammad Sidqy (2022) Perancangan Sistem Pencegah Kecelakaan Karena Kantuk Dengan Deteksi Kedip Mata Pada Pengendara Mobil Menggunakan Convolutional Neural Network (CNN) Berbasis Internet of Things (IoT). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
02311740000108-Undergraduate_Thesis.pdf - Accepted Version Download (14MB) | Preview |
Abstract
Kecelakaan kendaran telah banyak terjadi di seluruh dunia yang salah satu penyebabnya adalah kelalaian manusia dikarenakan kantuk. Untuk mencegah terjadinya kecelakaan karena berkendara dikarenakan kantuk, dirancang alat pendeteksi kantuk untuk mencegah kecelakaan pada pengendara mobil serta pertolongan pertama bila terjadi kecelakaan. Pada penelitian kali ini dirancang alat untuk mendeteksi kantuk dengan klasifikasi oleh Convolutional Neural Network pada pengemudi pengemudi yang berbasis Internet of Things(IoT). Alat sendiri pada Hardware terdiri dari microcomputer Raspberry Pi, Sensor GPS Ublox Neo-6m, Sensor MPU6050, Database Mysql dan phpMyadmin, dan Localhost yang dibantu dengan NGROK. Hasil dari penelitian diperoleh Model CNN memiliki akurasi ketika test dengan gambar berbeda sebesar 98,637%. Nilai dB pada buzzer didalam mobil sebesar 82,1 dB. Error rata-rata yang didapat GPS pada google maps dan apple maps yakni sebesar 3,56 meter dan 5,86 meter. Error rata-rata roll dan pitch pada MPU6050 dengan aplikasi handphone Samsung galaxy S6 sebesar 1.037° dan 1.262° sedangkan rata- rata roll dan pitch dengan alat rotary angle meter memiliki rata-rata 1.325° dan 1.575°. FPS raspberry Pi pada program integrasi sistem sebesar 1-2 fps.
================================================================================================
There are many vehicle crashes that occur entirely in the world. One of the causes is drowsiness. For preventing vehicle crashes because of drowsiness, a tool is planned for drowsiness detection to prevent crash vehicles with first aid if vehicle crash occurs. In this research, the tool is used for drowsiness detection consist of Raspberry Pi Microcomputer, GPS Ublox Neo-6m Sensor, MPU6050 Sensor, Buzzer, Mysql and phpMyadmin Database, and localhost with NGROK. The result of this research are CNN model validation accuracy with different picture of training is 98,637%. Buzzer sound level with average 82.1 dB. Average error GPS with Google Maps and Apple Maps are 3,56 meters and 5,86 meters. Average Error roll and pitch of MPU6050 with Samsung Galaxy S6 application are 1.037° and 1.262°. Error average MPU6050 roll and pitch to rotary angle meter are 1.325° dan 1.575°. Raspberry performance with system integration program is 1-2 FPS
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Drowsy, Convolutional Neural Network, Internet of Things, Kantuk |
| Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis |
| Depositing User: | Muhammad Sidqy Dhiaulhaq |
| Date Deposited: | 22 Feb 2022 01:53 |
| Last Modified: | 21 Oct 2024 05:13 |
| URI: | http://repository.its.ac.id/id/eprint/94695 |
Actions (login required)
 |
View Item |