IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI WAJAH MENGANTUK MENGGUNAKAN EKSPRESI WAJAH SECARA REAL TIME

ARDLYANSYAH, ARDLYANSYAH (2024) IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI WAJAH MENGANTUK MENGGUNAKAN EKSPRESI WAJAH SECARA REAL TIME. Diploma thesis, UPN Veteran Yogyakarta.

	Text text.pdf Restricted to Repository staff only Download (4MB)
	Text abstrak.pdf Download (7kB)
	Text cover.pdf Download (266kB)
	Text daftar isi.pdf Download (410kB)
	Text daftar pustaka.pdf Download (237kB)
	Text Pengesahan Pembimbing.pdf Download (124kB)
	Text Pengesahan Penguji.pdf Download (125kB)

Abstract

Berdasarkan dari hasil penelitian Kecelakaan Lalu Lintas Jalan Tol Ruas Batang-
Semarang Berdasarkan Karakteristik Faktor Penyebab Kecelakaan Tahun 2019, kondisi
mengantuk pada pengemudi merupakan penyebab yang paling dominan dalam kecelakaan
lalu lintas yaitu sebesar 124 kasus kecelakaan dari 203 kasus kecelakaan yang disebabkan
oleh faktor pengemudi. Dengan perkembangan teknologi saat ini, memungkinan
dilakukannya deteksi kantuk menggunakan wajah mengantuk dan tidak mengantuk sebagai
upaya untuk menghindari teradinya kecelakaan di jalan raya. Penelitian sebelumnya telah
mengembangkan sistem deteksi drowsiness menggunakan sinyal EEG. Namun, sistem ini
memiliki keterbatasan, yaitu sensor yang ditempatkan di sekitar area mata berpotensi
menimbulkan gangguan atau ketidaknyamanan bagi pengemudi, terutama jika digunakan
dalam jangka waktu yang panjang.
Sistem klasifikasi wajah mengantuk dan tidak mengantuk menggunakan
Convolutional Neural Network (CNN) dengan arsitektur VGG16 untuk membangun model
machine learning yang digunakan sebagai classifier. CNN bekerja dengan mengolah
gambar wajah melalui serangkaian lapisan konvolusi yang mengekstraksi fitur visual
seperti tepi dan tekstur, diikuti oleh lapisan pooling yang mengurangi dimensi data, dan
akhirnya lapisan fully connected yang melakukan klasifikasi berdasarkan fitur yang telah
dipelajari. Model ini dilatih menggunakan dataset berlabel wajah mengantuk dan tidak
mengantuk, lalu dioptimalkan melalui backpropagation untuk menghasilkan prediksi
apakah wajah tersebut mengantuk atau tidak, berdasarkan probabilitas kelas yang
dihasilkan di lapisan output. Pelatihan dan validasi model menggunakan data berjumlah
51.400 yang dibagi menjadi 2 kelas yaitu drowsy dan non drowsy yang bersumber dari
beberapa situs kaggle. Beberapa data perlu diolah untuk menghasilkan data input yang
seragam. Untuk mendeteksi wajah pengguna yang akan diklasifikasi, sistem ini
menggunakan haar cascade classifier. Sistem ini mengklasifikasikan wajah pengguna
secara realtime. Tampilan pada sistem klasifikasi wajah mengantuk dan tidak mengantuk
ini dibangun menggunakan library python yaitu Tkinter.
Pengujian pada sistem ini menggunakan confusion matrix untuk menentukan
tingkat akurasi yang dihasilkan oleh model CNN. Data uji berjumlah 171 data. Dari 9 kali
pengujian dengan membedakan nilai learning rate, dropout, optimizer dan nilai augmentasi
shear range dan zoom range, didapatkan akurasi terbaik dengan 96% untuk akurasi
pelatihan, 97% akurasi validasi, dan 89% untuk akurasi testing. Model ini dilatih
menggunakan learning rate 0,0001, shear dan zoom 0,2, dropout 0,5 dan optimizer Adam.
Kata Kunci : Mengantuk, Convolutional Neural Network, VGG16

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Mengantuk, Convolutional Neural Network, VGG16
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	13 Sep 2024 02:37
Last Modified:	13 Sep 2024 02:37
URI:	http://eprints.upnyk.ac.id/id/eprint/41152

Actions (login required)

View Item