Analisis dan Implementasi Metode Viola-Jones dan CNN pada Sistem Deteksi Kantuk Real-Time
Sari
Deteksi kantuk merupakan langkah penting dalam meningkatkan keselamatan dan produktivitas, khususnya di sektor transportasi dan industri. Kantuk dapat memicu kecelakaan fatal, terutama bagi pengemudi dan pekerja industri. Penelitian ini mengembangkan sistem deteksi kantuk berbasis visi komputer menggunakan kombinasi metode Viola-Jones dan Convolutional Neural Network (CNN). Viola-Jones digunakan untuk mendeteksi wajah dan mata secara cepat sebagai langkah awal, sementara CNN dilatih untuk mengklasifikasikan kondisi mata (terbuka atau tertutup) yang menunjukkan kantuk. Sistem ini dirancang untuk berjalan secara real-time dan dapat diakses melalui website. Dataset yang digunakan terdiri dari 3.232 gambar, dibagi menjadi dua kelompok: 1.432 gambar kondisi fokus dan 1.800 gambar kondisi kantuk, dengan pembagian data 80% untuk training dan 20% untuk testing. Hasil menunjukkan bahwa sistem berhasil mencapai akurasi 91% dengan precision, recall, dan F1-score sebesar 0,91, mengindikasikan kinerja yang tinggi dalam mengklasifikasikan kondisi kantuk dan fokus. Pada saat pengujian, proses training berlangsung selama 22 menit 39 detik untuk 80 epoch dengan learning rate 0,001. Model ini memberikan deteksi kantuk yang akurat dan responsif dalam berbagai kondisi pencahayaan dan pose, sehingga dapat digunakan untuk meminimalisir risiko kecelakaan akibat kantuk.
Teks Lengkap:
PDFReferensi
World Health Organization. (2018). Global Status Report on Road Safety 2018. Geneva: WHO. URL: who.int/publications.
John A. Caldwell, J. Lynn Caldwell, Lauren A., 2019. Thompson, Harris R. Lieberman, Fatigue and its management in the workplace, Neuroscience & Biobehavioral Reviews, Volume 96.
Al-Quraishi, M.S., et al., 2024. Technologies for detecting and monitoring drivers’ states: A systematic review, Heliyon, vol 10.
Subekti, A.R.M., Rahajoe, D.A., dan Mandyartha, P.E., 2024. Klasifikasi Wajah Kantuk Menggunakan Parameter Wajah Dengan Algoritma Longshort Term Memory, Jurnal Informatika dan Sistem Informasi (JIFoSI), vol. 5, No. 2.
Yedidiya, N. et al., 2023, Perbandingan Metode Yolo Dan Fast R-Cnn Dalam Sistem Deteksi Pengenalan Kendaraan, JRIIN J. Ris. Inform. dan Inov., vol 1, hal 431–436.
Albadawi, Y., AlRedhaei, A. & Takruri, M., 2023, Real-Time Machine Learning-Based Driver Drowsiness Detection Using Visual Features, J. Imaging, vol 9.
Sari, P.I., Ramadhani, F., Satria, A., dan Apdilah, D., 2023, Implementasi Pengolahan Citra Digital dalam Pengenalan Wajah menggunakan Algoritma PCA dan Viola Jones, Hello World; Jurnal Ilmu Komputer, vol.02, no. 03.
Hanafie, A., Husain, H.A., Putri, R.R., dan Kemkelo, H., 2023, Aplikasi Ekstraksi Wajah Menggunakan Algoritma Viola Jones, ILTEK: Jurnal Teknologi, vol. 18, no. 02.
Wati, V., Yuliana, Setyowati, N., Y., dan Qulub, M., 2023, Deteksi Wajah Menggunakan Algoritma Viola Jones Berbasis Android, Teknimedia, vol.04, no. 01.
Imanuddin, I., Alhadi, F., Oktafian, R. & Ihsan, A., 2019, Deteksi Mata Mengantuk pada Pengemudi Mobil Menggunakan Metode Viola Jones, MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput, vol 18, hal 321–329.
Krichen, M., 2023, Convolutional Neural Networks: A Survey, Computers, vol. 12, no. 08, 151. https://doi.org/10.3390/computers12080151
Hermawati, A.F., Zai, S.R., 2021, Sistem Deteksi Pemakaian Masker Menggunakan Metode Viola-Jones dan Convolutional Neural Networks (CNN), Konferensi Nasional Ilmu Komputer (KONIK), June 12.
Pushkar, P., Khandare, R., Prasad, Y., dan Kumar, V., 2023, Real Time Drowsiness Detection System Using CNN, International Journal for Research, vol 11, hal 1487-1490.
Kayadibi, I., Güraksın, G.E., Ergün, U. et al., 2022, An Eye State Recognition System Using Transfer Learning: AlexNet-Based Deep Convolutional Neural Network, International Journal of Computational Intelligence Systems, vol. 15, 49. https://doi.org/10.1007/s44196-022-00108-2
Florez, R., Palomino-Quispe, F., Coaquira-Castillo, R.J., Herrera-Levano, J.C., Paixão, T., dan Alvarez, A.B. A., 2023, CNN-Based Approach for Driver Drowsiness Detection by Real-Time Eye State Identification, Applied Sciences, vol. 13, 7849. https://doi.org/10.3390/app13137849
DOI: http://dx.doi.org/10.55635/jic.v10i2.227
Refbacks
- Saat ini tidak ada refbacks.
Indexed by :
Jurnal Ilmiah IT Cida: Diseminasi Teknologi Informasi
ISSN 2477-8125 (online) | ISSN 2477-8133 (print)
Published by : STMIK Amikom Surakarta
Jl Veteran Notosuman Singopuran Kartasura Sukoharjo 57164 Telp./Fax 0271-7851507
Email: itcida@amikomsolo.ac.id

Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.0 Internasional.