Deteksi Kantuk Pengendara Roda Empat Menggunakan Haar Cascade Classifier Dan Convolutional Neural Network

DOI: https://doi.org/10.33650/jeecom.v3i1.1510

Authors (s)


(1) * Cahya AJi Saputra   (Universitas Islam Kadiri)  
        Indonesia
(2)  Danang Erwanto   (Universitas Islam Kadiri)  
        Indonesia
(3)  Putri Nur Rahayu   (Universitas Islam Kadiri)  
        Indonesia
(*) Corresponding Author

Abstract


Salah satu masalah kesehatan yang termasuk dalam penyakit tidak menular adalah kecelakaan lalu lintas. Kecelakaan lalu lintas memiliki dampak negatif seperti kerugian materi, cacat fisik, dan kematian sehingga dapat mempengaruhi derajat kesehatan masyarakat. Rasa kantuk saat berkendara merupakan salah satu kondisi yang tidak jarang diabaikan oleh para pengendara kendaraan bermotor dan merupakan salah satu hal yang menyebabkan terjadinya kecelakaan, terutama ketika berkendara dalam jarak yang cukup jauh. Kejadian mengantuk atau tertidur dalam waktu beberapa detik tersebut adalah microsleep. Pengemudi kendaraan bermotor sangan sensitif terhdap microsleep karena faktor kelelahan fisik selama mengemudi. Durasi microsleep sangat singkat yaitu diantara 3 detik hingga 5 detik, justru ada yang memiliki durasi sampai 10 detik. Penelitian ini mengembangkan pengolahan citra digital untuk mendeteksi kantuk pada pengendara mobil menggunakan metode pengenalan obyek Haar Cascade Classifier dan klasifikasi menggunakan Convolutional Neural Network. Masukan citra secara real-time pada sistem didapat dari kamera yang dipasang didepan pengemudi. Keluaran dari sistem terdapat suara alarm untuk peringatan bahwa pengendara sedang berada pada posisi mengantuk atau tertidur. Sistem dapat mendeteksi berbagai jenis-jenis mata dengan tingkat keberhasilan sebesar 100%. Akurasi rata-rata yang diperoleh untuk mendeteksi mata terbuka dan tertutup dengan jarak 30 – 50 Cm adalah 95,4%. Sedangkan akurasi rata-rata untuk mendeteksi kantuk adalah 93.9%. Rata-rata waktu komputasi sistem ini adalah 0.1069 detik yang akan mempercepat dalam pendeteksian kantuk.


Keywords

Microsleep, Pengolahan Citra Digital, Haar Cascade Classifier, Convolutional Neural Network



Full Text: PDF



References


A. Hidayati and L. Y. Hendrati, “Analisis Risiko Kecelakaan Lalu Lintas Berdasar Pengetahuan, Penggunaan Jalur, dan Kecepatan Berkendara,” J. Berk. Epidemiol., vol. 4, no. 2, pp. 275–287, 2016.

M. Daniluk, M. Rezaei, R. Nicolescu, and R. Klette, “Eye Status Based on Eyelid Detection: A Driver Assistance System,” in Lecture Notes in Computer Science, 2014, vol. 8671, pp. 171–178.

M. Amirullah, H. Kusuma, and T. Tasripan, “Sistem Peringatana Dini Menggunakan Deteksi Kemiringan Kepala pada Pengemudi Kendaraan Bermotor yang Mengantuk,” J. Tek. ITS, vol. 7, no. 2, pp. F281--F286, 2019.

I. Imanuddin, F. Alhadi, R. Oktafian, and A. Ihsan, “Deteksi Mata Mengantuk pada Pengemudi Mobil Menggunakan Metode Viola Jones,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 18, no. 2, pp. 321–329, 2019.

B. Hartiansyah, “DETEKSI DAN IDENTIFIKASI KONDISI KANTUK PENGENDARA KENDARAAN BERMOTOR MENGGUNAKAN EYE DETECTION ANALYSIS,” JATI (Jurnal Mhs. Tek. Inform., vol. 3, no. 1, pp. 59–64, 2019.

A. Zein, “Pendeteksian Kantuk Secara Real Time Menggunakan Pustaka Opencv Dan Dlib Python,” SAINSTECH, vol. 28, no. 2, 2018.

K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv Prepr. arXiv1409.1556, 2014.

M. Syarif and W. Wijanarto, “Deteksi Kedipan Mata Dengan Haar Cascade Classifier Dan Contour Untuk Password Login Sistem,” Techno. com, vol. 14, no. 4, pp. 242–249, 2015.

L. Cuimei, Q. Zhiliang, J. Nan, and W. Jianhua, “Human face detection algorithm via Haar cascade classifier combined with three additional classifiers,” in 2017 13th IEEE International Conference on Electronic Measurement & Instruments (ICEMI), 2017, pp. 483–487.

Y. Li, X. Xu, N. Mu, and L. Chen, “Eye-gaze tracking system by haar cascade classifier,” in 2016 IEEE 11th Conference on Industrial Electronics and Applications (ICIEA), 2016, pp. 564–567.

C. Zhang and Z. Zhang, A Survey of Recent Advances in Face Detection. 2010.

L. Arreola, “Stabilization and Object Tracking based on Computer Vision: Application in a Quad-rotor,” 2018.

I. Rocco, R. Arandjelovic, and J. Sivic, “Convolutional neural network architecture for geometric matching,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 6148–6157.

A. Priadana and M. Habibi, “Face detection using haar cascades to filter selfie face image on instagram,” in 2019 International Conference of Artificial Intelligence and Information Technology (ICAIIT), 2019, pp. 6–9.


Article View

Abstract views : 1319 times | PDF files viewed : 1280 times

Dimensions, PlumX, and Google Scholar Metrics

10.33650/jeecom.v3i1.1510


Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Cahya AJi Saputra, Danang Erwanto, Putri Nur Rahayu

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Creative Commons License
 
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Journal of Electrical Engineering and Computer (JEECOM)
Published by LP3M Nurul Jadid University, Indonesia, Probolinggo, East Java, Indonesia.