MACHINE LEARNING DETEKSI KANTUK PENGEMUDI MENGGUNAKAN FACIAL NERVE GRADING SYSTEM 2.0 (FNGS2.0) PADA FLATFORM THINKSPEAK: MACHINE LEARNING DETEKSI KANTUK PENGEMUDI MENGGUNAKAN FACIAL NERVE GRADING SYSTEM 2.0 (FNGS2.0) PADA FLATFORM THINKSPEAK

Timbo Faritcan Parlaungan S.; Dimas  Juliana Tri N

doi:10.47561/a.v15i1.216

Penulis

Timbo Faritcan Parlaungan S. STMIK Subang
Dimas Juliana Tri N Universitas Mandiri

https://doi.org/10.47561/a.v15i1.216

This Abstract has been read 350 times

Abstrak

Kecelakaan lalu lintas merupakan salah satu dampak negatif dari kemajuan teknologi dibidang transportasi. Adanya peningkatan kecelakaan lalu lintas disebabkan oleh beberapa faktor dimana faktor tertinggi penyebab kecelakaan lalu lintas adalah manusia/SDM. Kelelahan pengemudi merupakan faktor yang signifikan dalam jumlah besar pada kecelakaan lalu lintas, oleh karena itu untuk meminimalisirnya diperlukan sebuah sistem alarm untuk mendeteksi kantuk secara real time.

Pada penelitian ini akan dibuat sistem deteksi mata kantuk yang berdasarkan Facial Landmarks Detection yang merupakan pengembangan dari Facial Nerve Grading System 2.0 (FNGS2.0) menggunakan metode Eye Aspek Ratio (EAR) dan Mouth viewpoint proportion (MAR) dengan platform Thingspeak yang diimplementasikan ke dalam Orange Pi PC. Input dari sistem ini berupa video yang direkam dari webcam secara real time. Output dari sistem ini menggunakan speaker sebagai alarm untuk memberikan peringatan bahwa pengemudi terdeteksi mengantuk.

Sistem yang dibuat pada penelitian ini menunjukan bahwa dapat mendeteksi mata kantuk dengan baik. Hasil pengujian, sistem dapat mendeteksi mata sebesar 93.3%, kedipan mata sebesar 96.7%, dan mulut sebesar 95%

Keywords: Facial Landmark Detection, Facial Landmark Detection

CITATIONS

Unduhan

Data unduhan belum tersedia.

Referensi

Wierwille, W. W. (1995). Overview of research on driver drowsiness definition and driver drowsiness detection. In Proceedings: International Technical Conference on the Enhanced Safety of Vehicles (Vol. 1995, pp. 462-468). National Highway Traffic Safety Administratio

Bergasa, L. M., Nuevo, J., Sotelo, M. A., Barea, R., & Lopez, E. (2008). Visual monitoring of driver inattention. In Computational intelligence in automotive applications (pp. 19-37). Springer, Berlin, Heidelberg.

Alpaydin, 2009. Machine learning merupakan bagian dari artificial intelligence

Caldwell, John A., & Caldwell, J.Lynn. (2003). Fatigue in Aviation : A Guide to Staying Awake at The Stick. Farnham : Ashgate Publishing

Mahachandra, M., Yassierli, Iftikar Z., Sutalaksana, dan Kadarsah S. 2011. Sleepiness Pattern of Indonesian Professional Driver Based on Subjective Scale and Eye Closure Activity. International Journal of Basic & Applied Sciences IJBAS-IJENS. Vol. 11, No. 06

Ahmad, A. (2017). Mengenal artificial intelligence, machine learning, neural network, dan deep learning. J. Teknol. Indones., no. October, 3..

Artono, B., & Putra, R. G. (2018). Penerapan internet of things (IoT) untuk kontrol lampu menggunakan arduino berbasis web. Jurnal Teknologi Informasi Dan Terapan, 5(1), 9-16.

A. E. Wijaya and N. I. Iskandar, "Implementasi Metode SAW (Simple Additive Weighting) sebagai Pendukung Keputusan untuk Rekomendasi Habitat Kelinci berbasis IoT (Internet of Things)", JTIK, vol. 13, no. 2, pp. 118-129, Oct. 2020.

Wilianto, W., & Kurniawan, A. (2018). Sejarah, cara kerja dan manfaat internet of things. Matrix: Jurnal Manajemen Teknologi Dan Informatika, 8(2), 36-41

Wang, C., Daneshmand, M., Dohler, M., Mao, X., Hu, R. Q., & Wang, H. (2013). Guest Editorial-Special issue on internet of things (IoT): Architecture, protocols and services. IEEE Sensors Journal, 13(10), 3505-3510

Gordon 2009, Database atau Basis Data

MACHINE LEARNING DETEKSI KANTUK PENGEMUDI MENGGUNAKAN FACIAL NERVE GRADING SYSTEM 2.0 (FNGS2.0) PADA FLATFORM THINKSPEAK