Deteksi Kantuk Berdasarkan Fitur Facial Landmark dan Local Binary Pattern (LBP) Secara Real-Time

Putra, Widhera Yoza Mahana (2019) Deteksi Kantuk Berdasarkan Fitur Facial Landmark dan Local Binary Pattern (LBP) Secara Real-Time. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000024-Undergraduate_Theses.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Saat mengendarai kendaraan, sering halnya seseorang memaksakan kondisinya untuk tetap mengemudi padahal dia sedang dalam kondisi mengantuk yang berakibat pada kecelakaan lalu lintas. Di Indonesia, kecelakaan lalu lintas karena pengemudi mengantuk mencapai 1.018 kasus. Kelelahan pada pengemudi bisa membahayakan pengemudi lainya, sehingga dibutuhkan suatu cara untuk menangani hal tersebut. Salah satu karakteristik untuk mendeteksi kantuku adalah seringnya mata terpejam pada periode tertentu. Pada tugas akhir ini, akan dibuat suatu sistem untuk memberi peringatan pengemudi yang mengantuk saat mengemudi. Sistem akan melakukan deteksi wajah pengemudi. Sistem akan melakukan ekstraksi fitur facial landmark pada area wajah untuk mendapatkan posisi mata pengemudi. Ukuran mata terbaik adalah tinggi mata sama dengan lebar dari mata. Area mata yang telah didapat akan dilakukan ekstraksi fitur teksturnya dengan LBP dengan pola uniform dengan ketetanggaan 8 dan radius 5. Fitur berikutnya adalah Eyes Aspect Ratio (EAR). EAR adalah jarak antar titik pada landmark. Setelah semua fitur diekstrak, sistem akan melakukan klasifikasi mata tertutup atau terbuka.Untuk melakukan deteksi kantuk, sistem akan menghitung PERCLOSE. PERCLOSE adalah jumlah mata tertutup dibagi jumlah mata tertutup ditambah jumlah mata terbuka dikali 100. Jika PERCLOSE kurang dari 80, orang dapat dipastikan masih sadar. Jika PERCLOSE lebih dari samadengan 80, orang tersebut telah tertidur. Terdapat 1193 dataset pembelajaran dengan kondisi wajah dengan mata terbuka dan 1231 wajah dengan kondisi mata tertutup. Pembuatan model dengan fitur LBP pola uniform dengan ketetanggaan 8 dan radius 5 menghasilkan akurasi 95.5%. Penghitungan jumlah mata tertutup dalam periode tertentu disebut dengan PERCLOSE. Jumlah minimum PERCLOSE terbaik dalam deteksi kantuk adalah 60% keatas dengan periode 20 frame.
====================================================================================================================================
When driving a vehicle, it is often a matter of someone forcing his condition to keep driving even though he is in a drowsy condition which results in a traffic accident. In Indonesia, traffic accidents due to driver drowsiness reached 1,018 cases. fatigue in the driver can endanger other drivers, so a way is needed to deal with it. One characteristic for detecting my daughter is the frequent closure of a certain period of time. In this final assignment, a system will be created to alert drivers who are sleepy while driving. The system will detect the face of the driver. The system will extract facial landmark features on the face area to get the driver's eye position. The best eye size is the height of the eye with the width of the eye. The eye area that has been obtained will be extracted its texture features with LBP with a uniform pattern with neighbor 8 and radius 5. The next feature is Eyes Aspect Ratio (EAR). EAR is the distance between points on a landmark. After all features are extracted, the system will do a closed or open eye classification. To do sleepiness detection, the system will calculate PERCLOSE. PERCLOSE is the number of eyes closed divided by the number of eyes closed plus the number of open eyes multiplied by 100. If the PERCLOSE is less than 80, one can be sure to be aware. If PERCLOSE is more than 80, the person has fallen asleep. There are 1193 learning datasets with conditions of faces with open eyes and 1231 faces with closed eye conditions. Modeling with LBP uniform pattern features with neighbor 8 and radius 5 produces an accuracy of 95.5%. Calculation of the number of eyes closed within a certain period is called PERCLOSE. The minimum amount of the best PERCLOSE in sleepiness detection is 60% and above with a period of 20 frames.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kata Kunci— Local Binary Pattern, Deteksi Kantuk, Facial Landmark, SVM, PERCLOSE, real-time.
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Widhera Yoza Mahana Putra
Date Deposited:	23 Jul 2026 03:41
Last Modified:	23 Jul 2026 03:41
URI:	http://repository.its.ac.id/id/eprint/65461

Actions (login required)

View Item