Hasil Pencarian  ::  Simpan CSV :: Kembali

"Satistik menurut Korlantas Polri tentang kecelakaan lalu lintas menyebutkan bahwa pada 2017 jumlah kecelakaan kendaraan bermotor berada pada angka 102.057 Korlantas Polri, 2017 kasus dan sebagian besar diakibatkan oleh kelalaian pengendara dalam mengatur waktu istirahat saat berkendara yang menyebabkan terjadinya kecelakaan lalu lintas karena pengendara mengantuk dan tidak bisa mengendalikan kendaraan tersebut. Oleh karena itu dibutuhkan adanya sebuah alat yang dapat mendeteksi kantuk dan memperingatkan pengemudi tersebut agar pengemudi tersebut dapat terhindar dari kecelakaan. Pengembangan sistem pendeteksi kantuk ini akan menggunakan detak jantung sebagai sumber data yang akan diambil dan data tersebut akan diolah menggunakan metode Photoplethysmografi yang akan membaca berapa detak jantung pengendara tersebut. Hasil yang didapapat dari pengembangan ini mendapatkan hasil bahwa alat yang sudah dibuat ini sudah cukup berhasil dimana tingkat keberhasilnnya hingga 96.52 . Dari pengembangan ini telah dibuktikan bahwa kondisi kantuk seseorang akan berpengaruh pada detak jantung seseorang. Dan juga batasan untuk detak jantung seseorang untuk dinyatakan sedang mengantuk adalah delapan detakan dibawah rata-rata.

---

According to Republic of Indonesia traffic police corps Korlantas Polri about traffic accidents states that in 2017 number of traffic accidents was at 102.057 Korlantas Polri, 2017 cases and mostly caused by negligence of the driver in managing rest time when driving that caused traffic accidents because the driver was sleepy and could not control the vehicle. Therefore it is necessary to have a device that can detect sleepiness and warn the driver so that the driver can avoid the accident. The development of this sleepiness detection system will use the heartbeat as a source of data to be retrieved and the data will be processed using Photoplethysmography method which will read how much the heartbeat of the driver.

The results obtained from this development get the result that the tool that has been made is already quite successful where the success rate up to 96.52 . From this development has been proven that a person 39 s sleep condition will affect the heart rate of a person. And also, the limit for a person 39 s heartbeat to be drowsy is eight beats below average."

"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."

"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."

"Mengemudi dalam keadaan mengantuk merupakan salah satu bentuk kelalaian dalam berkendara yang dapat membahayakan. Oleh karena itu, penelitian ini ditujukan untuk merancang dan membangun sebuah sistem pendeteksi kantuk yang mampu memperingatkan pengemudi apabila sudah berada pada kondisi yang memerlukan istirahat. Sistem yang dikembangkan berupa sebuah aplikasi Android yang memanfaatkan tiga jenis sensor yaitu kamera depan sebagai sumber data citra wajah dengan resolusi 480p, perangkat EEG portabel sebagai sumber data gelombang otak dan MiBand sebagai sumber data detak jantung. Data dari ketiga sensor ini selanjutnya akan digunakan sebagai input bagi sebuah model neural network untuk melakukan deteksi kantuk. Dari penelitian ini didapatkan hasil bahwa arsitektur 1D CNN lebih cocok digunakan sebagai model dalam sistem pendeteksi kantuk dibandingkan dengan LSTM. Interval waktu 4 menit digunakan pada sistem pendeteksi kantuk yang dikembangkan karena dinilai paling optimal untuk digunakan. Dengan menggunakan data dari sepuluh partisipan, model mampu mendapatkan validation accuracy sebesar 96.30%. Sedangkan dari 12 kali percobaan pengujian sistem pendeteksi kantuk yang dikembangkan, sistem mampu melakukan klasifikasi kantuk dengan tingkat akurasi sebesar 83.3%

 

---

Driving in a drowsy condition is one form of carelessness in driving that can be dangerous. Therefore, this research is intended to design and build a drowsy detection system that can warn the driver when they are in a condition that requires to rest. The system was developed in the form of an Android application that utilizes three types of sensors, which are the front camera as a source of face image with 480p resolution, portable EEG devices as a source of brainwaves data and MiBand as the source of heart rate data. Collected data from these three sensors will then be used as input for a neural network model to detect drowsiness. From this study it was found that the 1D CNN architecture is the most suitable to be used as a model in drowsiness detection systems compared to LSTM. A 4-minute time interval is used in the drowsy detection system that was developed because it was considered as the most optimal. By using data from ten participants, the model was able to get a validation accuracy of 96.30%. While from 12 trials of drowsiness detection system testing that was developed, the system can do drowsiness classification with an accuracy rate of 83.3%

 

"

"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."

"Teknologi deep learning dapat menyelesaikan banyak masalah yang sulit dipecahkan oleh rumus matematis biasa. Salah satu masalah yang bisa diatasi adalah bahaya akibat rasa kantuk yang dialami pengemudi saat berkendara. Pada penelitian ini dibuat aplikasi android sistem deteksi kantuk yang memanfaatkan kamera smartphone. Kamera digunakan untuk mendapatkan informasi fitur citra wajah yaitu aspek rasio mata kanan, aspek rasio mata kiri, aspek rasio mulut, percentage of eye closure (PERCLOS), tingkat kejadian microsleep, dan tingkat kejadian menguap. Fitur-fitur tersebut didapat dari proses transformasi titik-titik landmark wajah. Pada penelitian ini, ditemukan bahwa metode terbaik untuk mendapatkan titik landmark wajah adalah dengan pelacakan Lucas-Kanade optical flow dengan 5 jumlah frame yang dilacak. Fitur-fitur yang dikumpulkan dapat digunakan untuk mendeteksi tingkat kantuk dengan memanfaatkan model deep learning yang telah dilatih dengan data yang dikumpulkan dari 10 orang. Pada penelitian ini, ada 2 jenis model deep learning yang dilatih untuk mendeteksi tingkat kantuk yaitu model deep neural network (DNN) dan long short-term memory (LSTM). DNN memiliki keseluruhan performa yang lebih baik dibandingkan LSTM. DNN memiliki accuracy sebesar 0.902538 dan f1 sebesar 0.899563. Sedangkan LSTM memiliki dari accuracy sebesar 0.891857 dan f1 sebesar 0.892689. Aplikasi android sistem deteksi kantuk yang dibuat menggunakan model deep learning DNN dan memiliki performa yang bagus dengan accuracy sebesar 0.844 dan f1 sebesar 0.865052. Aplikasi Android memiliki mekanisme pemberitahuan berupa suara yang dimainkan ketika pengemudi mengantuk. Selain itu, pada aplikasi Android juga terdapat 2 fungsi tambahan yaitu deteksi tidur dan deteksi gangguan konsentrasi pengemudi. Kedua fungsi tersebut akan mengeluarkan suara ketika terdeteksi untuk memberitahukan kepada pengguna. Dengan adanya aplikasi sistem deteksi kantuk yang dibuat pada penelitian ini, diharapkan dapat mendeteksi tingkat kantuk pengemudi sehingga mengurangi risiko kecelakaan akibat mengantuk.

---

Deep learning technology can solve many problems that are difficult to solve by ordinary mathematical formulas. One of the problems that can be overcome is the danger due to drowsiness experienced by the driver while driving. In this study, a drowsiness detection system on Android application that uses a smartphone camera is made. The camera is used to obtain facial image feature informations which is right eye aspect ratio, left eye aspect ratio, mouth aspect ratio, percentage of eye closure (PERCLOS), microsleep rate, and yawning rate. These features are obtained by transforming and processing facial landmark points. In this study, it was found that the best method for obtaining facial landmarks points is from Lucas-Kanade optical flow tracking with 5 frames tracked. The features collected can be used to detect drowsiness by utilzing a deep learning model that has been trained with data collected from 10 volunteers. In this study, there are 2 types of deep learning models that are trained to detect drowsiness that are deep neural network (DNN) and long short-term memory (LSTM). DNN has better overall performance than LSTM. DNN has an accuracy of 0.902538 and f1 of 0.899563. Whereas LSTM has an accuracy of 0.891857 and f1 of 0.892689. The drowsiness detection system Android application is created using the DNN model and has a good performance with an accuracy of 0.844 and f1 of 0.865052. The Android application has a notification mechanism in the form of sound that played when the driver is detected to be drowsy. In addition, the Android application also has an additional function that are sleeping detection and driver distraction detection. Both functions will make a sound when detected to notify the user. With the application of drowsiness detection system made in this study, it is expected to detect the level of drowsiness of the driver thereby reducing the risk of accidents due to drowsiness.

"

"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.

"

"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."

"Data yang didapat dari Polda Metro Jaya, pada arus mudik 6 hari sebelum Hari Raya Idul Fitri tahun 2017 ada sekitar 73 kasus kecelakaan lalu lintas yang disebabkan oleh rasa kantuk pada saat berkendara. Yang dimana 6 orang meninggal dunia, mengalami luka berat sebanyak 17 orang, dan luka ringan sebanyak 82 orang. Jumlah ini meningkat 16 persen dari tahun 2016 yang tercatat sebanyak 63 kejadian. Sistem pendeteksi dan prediksi kantuk dikembangkan untuk mengatasi masalah ini. Metode peramalan untuk time series yang banyak menimbulkan proses prediksi cukup sulit dilakukan. Sistem prediksi kantuk dibangun dengan algoritme backpropagation neural network yang diharapkan mampu untuk mempelajari dan beradaptasi pada setiap pola dari data historis yang diberikan. Dengan mengenali pola dari data historis, sistem dapat memberikan prediksi dan respons yang akurat dengan akurasi sebesar 100.

---

Data obtained from Polda Metro Jaya, on the homecoming traffic 6 days before Idul Fitri 2017 there are about 73 cases of traffic accidents caused by drowsiness at the time of driving. Where 6 people died, severe injuries as many as 17 people, and light injuries as many as 82 people. This number increased 16 percent from the year 2016 recorded as many as 63 events. Drowsiness and prediction systems were developed to address this problem.

Forecasting methods for time series caused a lot of prediction process quite difficult. The sleep prediction system is built with backpropagation neural network algorithm expected to be able to learn and adapt to each pattern of given historical data. By recognizing patterns from historical data, the system is expected to provide accurate predictions and responses with 100."

"Pada skripsi ini dilakukan rancang bangun sistem pendeteksi denyut jantung elektronik. Sistem pendeteksi denyut jantung ini bekerja dengan memanfaatkan piezoelektrik sebagai sensor. Sensor piezoelektrik diposisikan pada tiga bagian tubuh, yaitu pada tangan, dada dan diafragma. Selanjutnya sinyal yang dihasilkan oleh piezoelektrik kemudian akan diproses oleh rangkaian pengolahan sinyal, sebuah mikrokontroler Arduino Nano (ATmega328), dan sebuah komputer. Sinyal keluaran dari sistem ini ditampilkan pada komputer mengunakan sebuah software yang dikembangkan khusus agar hasilnya dapat dianalisis lebih lanjut. Dari hasil berbagai pengujian ditunjukkan bahwa hasil terbaik diperoleh saat pengukuran dilakukan pada pergelangan tangan untuk rentang frekuensi 0 Hz - 5 Hz (0 BPM - 300 BPM) dengan error sebesar 2,6%.

---

In this work, an electronic heartbeat detection system is designed. This heartbeat detection circuit works with piezoelectric as a sensor. This piezoelectric sensor is placed on three position: wrist, chest, and diaphragm. Then, the signal that is received from the piezoelectric is processed by signal processing circuit, an Arduino Nano (ATmega328) microcontroller, and a computer. The output of the system will be displayed on the computer using a developed software for further analysis. Experiments showed that the best result is produced when the measurement take place on wrist for the range of frequecy of 0 Hz - 5 Hz (0 BPM - 300 BPM) with error of 2,6%."