Aulia, Tazkia Ghifara (2024) Sistem Tertanam Berbasis Image Processing Ekstraksi Fitur Ekspresi Wajah untuk Deteksi Kantuk Pengemudi. Other thesis, Institut Teknologi Sepuluh Nopember.
Text
5023201034-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (9MB) | Request a copy |
Abstract
Kecelakaan lalu lintas di Indonesia sebagian besar terjadi akibat kurangnya kewaspadaan pengemudi dalam berkendara, seperti mengantuk. Diperlukan sistem yang dapat mendeteksi dini kantuk pada pengemudi untuk mencegah terjadiya kecelakaan. Penelitian yang telah dilakukan sebelumnya menunjukkan adanya keterkaitan antara persentase ketertutupan mata (PERCLOS) dengan kondisi kantuk pengemudi dan memanfaatkannya untuk deteksi dan prediksi. Akan tetapi mengemudi pada keadaan yang sebenarnya merupakan mekanisme yang kompleks, sehingga deteksi menggunakan satu fitur rentan terhadap kesalahan klasifikasi. Pada penelitian ini dirancang sebuah sistem untuk deteksi kantuk berdasarkan ekspresi wajah dengan fitur mata, alis, dan mulut. Mata akan digunakan untuk kalkulasi Percentage of Eye Closure (PERCLOS) dan deteksi adanya microsleeping. Selain itu, akan dimanfaatkan landmark di sekitar alis dan mulut untuk kalkulasi Percentage of Eyebrow Raising (PEBR) dan jumlah menguap. Sistem diaplikasikan pada subjek yang telah mengemudi selama kurang lebih 3 jam. Digunakan deep learning untuk memahami berbagai pola kantuk pengemudi dan melakukan klasifikasi tingkat kantuk subjek. Sistem diujikan kepada 10 subjek yang melakukan simulasi mengemudi selama 3 jam dan 4 subjek mengemudi dengan mobil sebenarnya. Didapatkan bahwa pengemudi memiliki nilai PERCLOS yang meningkat seiring dengan bertambahnya tingkat kantuk. Akan tetapi, pada beberapa subjek terjadi penurunan nilai PERCLOS yang diiringi dengan nilai PEBR yang meningkat. Hal tersebut menandakan adanya kondisi melawan kantuk pada pengemudi. Menguap cenderung lebih sering dilakukan pada saat tingkat kantuk 1 dan 3, dimana terjadi ketika pengemudi mulai merasakan bosan dan kelelahan yang akan berakhir mengantuk. Dihasilkan model sistem klasifikasi kantuk dengan akurasi hingga 0.89. Model dapat mendeteksi kondisi mengantuk secara tepat pada tiga dari empat skenario pengujian langsung. Data akhir dapat dikembangkan menjadi sistem IoT deteksi kantuk dengan pengunggahan ke server dan penggabungan dengan parameter lain seperti gerakan postural dan kondisi fisiologis untuk meningkatkan sistem keamanan berkendara.
==============================================================================================================================
Traffic accidents in Indonesia mostly occur due to drivers lack of vigilance, such as drowsiness. A system that can detect early signs of driver drowsiness is needed to prevent accidents. Previous studies have shown correlation between the percentage of eye closure (PERCLOS) and driver drowsiness and have utilized it for detection and prediction. However, real-world driving is complex mechanism, making detection using a single feature prone to misclassification. This study designs a system for drowsiness detection based on facial expressions with features from the eyes, eyebrows, and mouth. The eyes will be used for calculating the Percentage of Eye Closure (PERCLOS) and detecting microsleeping. Additionally, landmarks around the eyebrows and mouth will be utilized to calculate the Percentage of Eyebrow Raising (PEBR) and the number of yawns. The system is applied to subjects who have been driving for approximately 3 hours. Deep learning is used to understand various patterns of driver drowsiness and classify the subjects drowsiness levels. The system was tested on 10 subjects who performed a 3 hours driving simulation and 3 subjects who drove in real condition. It was found that drivers exhibited increasing PERCLOS values as their drowsiness levels increased. However, in some subjects, there was a decrease in PERCLOS values accompanied by an increase in PEBR values, indicating a condition of resistance to drowsiness. Yawning was more frequent at drowsiness levels 1 and 3, occurring when drivers began to feel bored and fatigued, eventually leading to drowsiness. A drowsiness classification system model was produced with an accuracy of up to 0.89. The model accurately detects drowsiness in three out of four direct testing scenarios. The final data can be developed into IoT drowsiness detection system with server uploads and integration with other parameters such as postural movements and physiological conditions to enhance safety driving systems.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Ekspresi Wajah, Deteksi Kantuk, Keamanan Berkendara, Pembelajaran Mendalam, Deep learning, Drowsiness Detection, Facial Expression, Safety Driving Assist |
Subjects: | T Technology > TE Highway engineering. Roads and pavements > TE228.3 Intelligent transportation systems. |
Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis |
Depositing User: | Tazkia Ghifara Aulia |
Date Deposited: | 06 Aug 2024 01:40 |
Last Modified: | 27 Aug 2024 08:32 |
URI: | http://repository.its.ac.id/id/eprint/113388 |
Actions (login required)
View Item |