DETEKSI MATA KANTUK MENGGUNAKAN METODE VIOLA JONES DAN FISHERFACE SECARA REALTIME

ZEANETH, FHREZHA (2023) DETEKSI MATA KANTUK MENGGUNAKAN METODE VIOLA JONES DAN FISHERFACE SECARA REALTIME. Other thesis, UPN "Veteran" Yogyajarta.

	Text 1. Fulltex Skripsi_Fhrezha Zeaneth_123170044.pdf Restricted to Repository staff only Download (2MB)
	Text 2. Cover Skripsi_Fhrezha Zeaneth_123170044.pdf Download (103kB)
	Text 3. Pengesahan Skripsi_Fhrezha Zeaneth_123170044.pdf Download (145kB)
	Text 4. Abstrak Skripsi_Fhrezha Zeaneth_123170044.pdf Download (33kB)
	Text 5. Daftar Isi Skripsi_Fhrezha Zeaneth_123170044.pdf Download (85kB)
	Text 6. Daftar Pustaka Skripsi_Fhrezha Zeaneth_123170044.pdf Download (81kB)

Abstract

vi
ABSTRAK
Berdasarkan data dari Badan Pusat Statistik (BPS), angka kecelakaan pada
tahun 2019-2021 terbilang cukup tinggi yaitu sebanyak 320.084 kasus. Penyebab
yang diungkapkan sebagian besar adalah human error seperti keadaan pengendara
mengantuk, tubuh kurang fit atau kelelahan dan juga konsentrasi yang menurun.
Untuk membantu dalam mengantisipasi maupun mengurangi angka kecelakaan
karena human error maka diperlukan sebuah sistem yang mampu melakukan deteksi
mata dalam kondisi mengantuk.
Penelitian ini akan melakukan perbandingan penerapan metode EAR (Eye
Aspect Ratio) dan penggabungan metode Viola Jones dan Fisherface dalam deteksi
mata kantuk secara realtime. Metode EAR menggunakan nilai ambang batas (EAR
Threshold) untuk melakukan klasifikasi citra mata apakah dalam keadaan terbuka atau
tertutup. Jika nilai EAR citra mata di atas ambang batas maka dianggap terbuka,
sedangkan jika di bawah ambang batas maka dianggap tertutup. Metode Viola Jones
digunakan untuk proses deteksi wajah dan dilanjutkan proses ekstraksi fitur
menggunakan metode PCA (Principal Component Analysis) dan LDA (Linier
Discriminant Analysis) dari Fisherface. Setelah selesai, maka citra mata dilanjutkan
untuk dilakukan tahap klasifikasi menggunakan metode SVM (Suppot Vector
Machine). Dataset yang digunakan berupa citra mata terdiri dari dua class (open_eyes
dan closed_eyes) dimana masing-masing class berisi 2000 citra mata tanpa kacamata
dan berkacamata bening. Data tersebut akan dibagi menjadi data training dan data
testing dengan perbandingan 80:20. Pada data training akan ditraining untuk model
SVM kemudian data testing akan digunakan untuk menguji model tersebut.
Pengujian menggunakan 30 citra mata dari dua class yang memperoleh hasil
akurasi untuk metode EAR class 1 yaitu 60% dan class 0 sebesar 46,67%, sedangkan
pada penggabungan metode Viola Jones dan Fisherface sebesar 100% untuk class 1
(open) dan 86,67% untuk class 0 (closed). Dari hasil tersebut dapat dikatakan bahwa
penggabungan metode Viola Jones dan Fisherface dianggap cukup baik daripada
metode EAR (Eye Aspect Ratio) dalam deteksi mata kantuk. Pengujian menggunakan
gambar realtime dilakukan untuk menguji keadaan mata jika tanpa kacamata,
menggunakan kacamata bening, dan menggunakan kacamata gelap. Masing-masing
pengujian memperoleh hasil akurasi untuk penggabungan metode Viola Jones dan
Fisherface sebesar 100% tanpa atribut, 87,5% untuk kacamata bening dan 75% untuk
kacamata gelap. Sedangkan untuk metode EAR class 1 mendapatkan accuracy 75%
untuk kondisi mata tanpa kacamata dan accuracy 50% dengan menggunakan
kacamata bening atau kacamata gelap. Sedangkan penggunaan kacamata gelap
diperoleh nilai 50% untuk mata tertutup atau class 0, kacamata bening sebesar 75 %,
dan tanpa kacamata 100%.Proses deteksi mata kantuk ini dipengaruhi oleh kondisi
cahaya, resolusi gambar yang digunakan, jarak dan juga jumlah dataset yang
digunakan serta keadaan kelopak mata jika menggunakan metode EAR.
Kata kunci : deteksi mata kantuk, viola jones, fisherface, pca, lda, eye aspect ratio

Item Type:	Thesis (Other)
Uncontrolled Keywords:	deteksi mata kantuk, viola jones, fisherface, pca, lda, eye aspect ratio
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	12 Oct 2023 08:37
Last Modified:	12 Oct 2023 08:37
URI:	http://eprints.upnyk.ac.id/id/eprint/37959

Actions (login required)

View Item