Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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%

 

Abstrak :
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.