Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebuah survei yang dilakukan oleh National Highway Traffic Safety Administration NHTSA memperkirakan 5.895.000 kasus kecelakaan yang terkait dengan permasalahan kantuk maupun tidur saat berkendara di jalan jalan U.S.A pada tahun 2005-2009. Dari jumlah tersebut, 83.000 kasus setiap tahunnya merupakan kecelakaan fatal, bahkan pada tahun 2014, 846 orang meningga pada kecelakaan berkendara yang berkaitan dengan kantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi Blur, fungsi Canny dan fungsi Kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi color thresholding dan fungsi kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Kinerja sistem deteksi kantuk diuji melalui empat variabel, yaitu mesin pengolah yang berbeda, nilai ambang batas, kondisi pencahayaan dan karakteristik mata yang berbeda. Berdasarkan hasil pengujian, nilai ambang batas Vlo dan VHi terbaik adalah Vlo = 10 atau 20 dengan perbedaan VHI 10-20. Selain itu, ditemukan bahwa setiap kecepatan setiap proses bergantung pada pengolahan mesh dimana semakin baik pengolahannya. Mesin semakin cepat waktu prosesnya. Perbedaan dalam kondisi pencahayaan pagi, siang, siang dan malam berpengaruh terhadap kinerja sistem deteksi kantuk dengan tingkat kesalahan 20 , yaitu saat kondisi malam hari. Karakteristik mata berkacamata dan tanpa kacamata berpengaruh pada kinerja sistem deteksi kantuk dengan deteksi 100 tingkat keberhasilan, yaitu bila kondisi mata tertutup pada orang dengan kacamata.

---

survey conducted by the National Highway Traffic Safety Administration NHTSA estimates 5,895,000 cases of accidents related to sleepiness and sleep problems while driving on the U.S.A roadway in 2005 2009. Of these, 83,000 cases each year are fatal accidents, even by 2014, 846 people die in a dormant driving accident. The drowsiness detection system was developed to overcome this. The sleepiness detection system is built using the OpenCV library, with a combination of several algorithms, the Haar Cascade Classifier, the Blur function, the Canny function and the Contour function. Haar Cascade Classifier algorithm is used to detect the facial area and eye area of the driver. While the combination of color thresholding function and contour function is used to detect the eye object and analyze the open or closed eyes.

The performance of the drowsiness detection system is tested through four variables, ie different processing machines, threshold values, lighting conditions and different eye characteristics. Based on the test results, the best Vlo and VHi threshold values are Vlo 10 or 20 with a VHI difference of 10 20. In addition, it was found that every speed of each process depends on mesh processing where the better the processing. The faster the machine the process time. Differences in lighting conditions morning, noon, day and night affect the performance of the drowsiness detection system with a 20 error rate, ie during nighttime conditions. Eye characteristics bespectacled and without glasses affect the performance of the drowsiness detection system with a 100 detection rate of success, ie when eye conditions are closed in people with glasses."

"Pada penelitian ini, dibuat sebuah sistem yang dapat mencegah terjadinya kecelakaan lalu lintas ketika mengemudi. sistem ini dibuat untuk mendeteksi tanda-tanda terjadinya kantuk dan menghasilkan keluaran peringatan mengantuk kepada pengemudi. Parameter yang menjadi acuan seseorang dalam kondisi mengantuk pada sistem ini yaitu detak jantung manusia. Metode yang digunakan pada sistem ini yaitu batas bawah detak jantung seseorang mengantuk (-8 BPM). Sistem ini terdiri dari dua perangkat keras utama, yaitu Mi Band 3 dan ponsel berbasis Android. Mi Band 3 berfungsi untuk mengambil data detak jantung pengemudi, sedangkan ponsel berfungsi untuk menampilkan peringatan terjadinya kantuk melalui aplikasi pendeteksi kantuk berbasis Android Drowsy Alert. Kualitas sistem pendeteksi kantuk ini diuji dengan melakukan survey menggunakan metode Mean Opinion Score (MOS). Nilai rata-rata kualitatif untuk pengujian tampilan aplikasi dari responden adalah sebesar 4.18 dan pengujian fungsionalitas sistem sebesar 4.45 (dalam skala 5 terbaik). Aplikasi sistem pendeteksi kantuk ini berhasil mendeteksi rasa kantuk seseorang berdasarkan batas bawah -8 BPM dengan penurunan detak jantung sebesar 8-18% pada setiap responden dari kondisi segar hingga mengantuk.

---

In this paper, a system was created to prevent traffic accidents while driving. This system was made to detect a signs of drowsiness and give an alert to the driver. Parameter that becomes a reference point of drowsy condition is human heart rate. Method that used in this system is a lower limit of drivers drowsiness heart rate (-8 BPM). This system consist of two main hardware devices, Mi Band 3 and Android smartphone. Mi Band 3 is used to retrieve drivers heart rate data, whereas a smartphone is used to show drowsiness alert via drowsiness detection Android application Drowsy Alert.

The quality of the application was tested by conducting a survey using the Mean Opinion Score (MOS) method. The qualitative average value from respondents for application appearance testing is 4.18 and system functionality testing is 4.45 (5 scale for the best). This drowsiness detection application successfully detects a respondents drowsiness based on the lower limit of -8 BPM with 8-18% heart rate decrease for each respondent from awake state to drowsy."

"ABSTRAK

Pada tahun 2013, Badan Pusat Statistik mencatat bahwa telah terjadi 100.106 kasus kecelakaan lalu lintas di Indonesia. Sebagian besar kecelakaan disebabkan oleh faktor manusia, yaitu mengantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi blur, Canny dan kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi blur, canny dan kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Performa sistem pendeteksi kantuk diuji melalui empat variabel, yaitu kernel size, nilai threshold, perbedaan kondisi pencahayaan dan karakteristik mata. Berdasarkan hasil pengujian, kernel size terbaik untuk mendeteksi mata adalah (4,4). Selain itu, nilai threshold terbaik untuk lower threshold dan upper threshold adalah 70-110 dan 210-240. Perbedaan kondisi pencahayaan (pagi, siang, sore dan malam) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 20%. Karakteristik mata (berkacamata dan tidak berkacamata) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 16,7%.

---

ABSTRACT

In 2013, Badan Pusat Statistik (Statistics Indonesia) recorded that 100.106 cases of traffic accident have occured in Indonesia. Mostly caused by human error, i.e. drowsiness. Drowsiness detection system is developed to respond this situation. Drowsiness detection system is built through OpenCV library by combining the Haar Cascade Classifier algorithm with blur, canny and contour function. Haar Cascade Classifier was used to detect areas of face and eyes whereas the combination of blur, canny and contour function is used to detect the driver’s eyes and analyze the open or closed driver’s eyes. The performance of drowsiness detection system was tested through four variables; kernel size, threshold value, lighting condition (morning, noon, afternoon and night) and eye’s characteristic (eyeglasses or not). Based on the experiments, the best kernel size to detect the driver’s eyes is 4,4. Then, the best lower threshold and upper threshold are 70-110 and 210-240. Subsequently the light conditions has a 20 % error rate to the system. The eye’s characteristic has a 16,7 % error rate to the system.

"

"Perkembangan manusia dalam kebutuhan untuk bertransportasi semakin meningkat. Kebutuhan manusia untuk menggunakan kendaraan bermotor sendiri bisa kita lihat dari tingginya permintaan manusia terhadap kendaraan bermotor. Karena tingginya permintaan tersebut, maka jumlah kecelakaan pada kendaraan bermotor ikut meningkat. Sudah banyak terjadi kecelakaan akibat dari kelalaian pengemudi yang secara tidak sadar maupun sadar. Untuk itu diperlukannya sistem keamanan saat berkendara. Sistem kendaraan yang dibuat ini berdasarkan pendeteksian marka jalan sehingga mengetahui perilaku pengemudi. Sistem ini menggunakan OpenCV sebagai pengolah citra beserta algoritmanya yaitu Canny Edge Detection dan Hough Transform. Selain mendeteksi marka jalan untuk mengetahui posisi pengemudi, sistem ini juga dilengkapi dengan pendeteksi rasa kantuk bagi pengemudi. Dari implementasi yang dibuat mendapatkan tingkat keberhasilan dalam mendeteksi marka jalan pada segala kondisi pencahayaan serta cuaca dengan hasil 71 . Pada kondisi jalan sesuai dengan peraturan lalu lintas mendapatkan hasil yang baik, dan dapat mendeteksi rasa kantuk jika apabila dalam waktu 30 detik sudah terdapat 3 langkah menyentuh marka jalan.

---

Human development in the need for transportation is increasing. Human needs to use their own motor vehicles can be seen from the high demand for human vehicles. Due to the high demand, the number of accidents on motor vehicles also increased. There have been many accidents resulting from the negligence of the driver who is unconscious or conscious. Therefore, we need a security system when driving. This vehicle system is made based on the detection of road markings to know the behavior of the driver.

This system uses OpenCV as image processing along with its algorithms namely Canny Edge Detection and hough transform. In addition to detecting a road marker to determine the driver 39 s position, the system is also equipped with a drowsy detector for the driver. From the implementation, it was found to be successful in detecting road markings in all lighting conditions and weather with 71 yield. On road conditions in accordance with traffic regulations get good results, and can detect drowsiness if within 30 seconds there are 3 steps touching the road marker."

"Salah satu permasalahan yang banyak terjadi di Indonesia adalah Banjir. Pemberitahuan dini terhadap bencana banjir diharapkan dapat mengurangi kerugian yang terjadi. Pemberitahuan dini terhadap banjir dapat dilakukan dengan membuat sistem tertanam yang melakukan monitoring terhadap kondisi sekitar yang memberi data secara berkala. Pada skripsi ini dibahas mengenai rancang bangun sistem tertanam untuk melakukan prediksi terhadap banjir. Sistem yang dibuat menggunakan 2 perangkat yaitu sensor node darat yang dibangun menggunakan mikrokontroller atmega328p yang dilengkapi dengan sensor suhu, kelembaban, tekanan, hujan, modul GSM, modul ZigBee dan sensor node sungai yang dibangun menggunakan mikrokontroller atmega328p yang dilengkapi dengan sensor ketinggian air, kecepatan air, modul ZigBee. Kedua perangkat tersebut dilengkapi power distribution dengan switch FET sehingga power pada seluruh modul dapat dimatikan dengan tujuan melakukan penghematan konsumsi daya. Kedua perangkat berhubungan secara local menggunakan perangkat ZigBee yang bernama MRF24J40MA. Salah satu perangkat dilengkapi dengan GSM Sim800L untuk berhubungan dengan webserver. Data yang dikumpulkan oleh perangkat tersebut dikumpulkan pada sebuah webserver yang kemudian diolah dan ditampilkan dalam bentuk Graphical Information System. Hasil dari penelitian ini menunjukkan bahwa performa dari switch FET pada power distribution tidak optimal pada sensor node darat dengan waktu aktif yang diprediksi adalah 14 jam dan pengiriman ke server yang tidak konsisten. Sedangkan pada sensor node sungai switch FET pada power distribution cukup optimal dengan prediksi waktu aktif 25 jam dengan pengiriman ke sensor node darat yang konsisten. Selain itu jarak antara sensor node darat dan sensor node sungai yang optimal adalah

---

One of the most common problems in Indonesia is the Flood. Early notice of the flood disaster is expected to reduce the losses incurred. Early flood notification can be done by creating an embedded system that monitors the surrounding conditions that provide data on a regular basis. In this thesis discussed the design of embedded systems to predict the flood. The system is built using 2 devices ground node sensors built using atmega328p microcontroller equipped with temperature sensor, humidity, pressure, rain, GSM module, ZigBee module and river node sensor built using atmega328p microcontroller equipped with water level sensor, water speed, ZigBee module. Both devices are equipped with a power distribution equipped with FET switches so that power on all modules can be turned off for the purpose of saving power consumption. Both devices are connected locally using a ZigBee device called MRF24J40MA. One device comes with GSM Sim800L to connect with the webserver. The data collected by these devices is sent to a webserver which is then processed and displayed in the form of a Graphical Information System. The results of this study indicate that the performance of FET switches on power distribution is not optimal on ground node sensors with the predicted active time is 14 hours with inconsistent delivery to servers. While at river node sensor, the FET switch on the power distribution is optimal with a prediction of 25 hours with consistent delivery to a ground node sensor. In addition, the optimal distance between the ground node sensor and the river node sensor and the river node sensor is <70m with a 90% delivery percentage."

"Perancangan sistem ini dibangun dengan bentuk aplikasi menggunakan kamera yang terdapat pada smartphone untuk mendapatkan citra digital lalu diolah dengan pustaka OpenCV. Pengolahan dilakukan dengan metode Haar Cascade Classifiers untuk mendapat daerah mata, lalu dengan menggunakan kontour, blur, tresholding, keadaan mata dilacak untuk mendeteksi tanda kantuk yang berupa mata tertutup. Aplikasi diuji kecepatan pengolahan dengan pengimplementasian pengembangan optimasi region of interest, nilai ambang HSV, pengaruh kondisi cahaya, dan karakteristik mata. Hasil yang didapatkan menunjukan bahwa dengan memberikan optimasi algoritma kepada sistem yang sudah ada dapat meningkatkan kecepatan pengolahan. Nilai ambang HSV optimal yang didapatkan bermulai dengan V=10 atau 20 dengan selisih tinggi 15 atau 20. Aplikasi memiliki tingkat kegagalan 11.11% pada kondisi pencahayaan dan gagal saat malam. Dari pengujian pengaruh kacamata, didapatkan tidak bahwa kacamata tidak berpengaruh besar dengan tingkat keberhasilan 94.44% untuk pengguna kacamata.

---

The development of this system is built as an application that uses the camera built in smartphones to get digital images which will be processed using the OpenCV library. In the process, Haar Cascade Classifier is used to find the region of interest of the eye, which will then be tracked using contour, thresholding, and blur to detect signs of drowsiness which are closed eyes. The application is tested based on the optimization made on the algorithm, the value for HSV thresholding, the effect of light on different times, and on the characteristic of the eye.

The results show that the optimization made has caused significant speed up on the processing in comparison to existing algorithm. The HSV threshold found to be the most effective is V=10 or 20 with a difference of 15 or 20 to the upper limit.  The effect of light causes 11.11% chance of failure especially when its night without lights. The characteristic of the eye, whether there are glasses or not, does not make a big difference and still has a 94.44% chance of success."