KIPMIKIPMI

Communications in Science and TechnologyCommunications in Science and Technology

Penelitian ini mengusulkan sistem non-invasif untuk mendeteksi kantuk pengemudi berdasarkan fitur visual yang diekstrak dari video yang direkam oleh kamera dasbor. Sistem menggunakan landmark wajah yang dihasilkan oleh detektor jaringan wajah untuk mengidentifikasi area-area kunci seperti mata, mulut, dan kepala. Rasio aspek mata (EAR), rasio aspek mulut (MAR), dan sudut rotasi kepala dihitung sebagai fitur utama. Fitur-fitur ini dimasukkan ke dalam tiga model klasifikasi: 1D-CNN, LSTM, dan BiLSTM. Evaluasi dilakukan menggunakan 87 video dari dataset YawDD untuk pelatihan dan 20 video dari data khusus untuk pengujian. Hasil penelitian menunjukkan bahwa kombinasi ketiga fitur wajah (EAR, MAR, dan rotasi kepala) memberikan kinerja yang lebih baik daripada penggunaan satu fitur atau kombinasi dua fitur, dengan peningkatan akurasi sebesar 5–8%. Model BiLSTM menunjukkan kinerja terbaik, dengan akurasi pelatihan 99% pada dataset YawDD dan akurasi pengujian 98% pada data khusus.

Penelitian ini menunjukkan bahwa kombinasi fitur wajah seperti penutupan mata (EAR), pembukaan mulut (MAR), dan posisi kepala (rotasi) merupakan pendekatan yang efektif untuk mendeteksi kantuk pengemudi.Ketiga model pembelajaran mendalam yang dievaluasi, yaitu 1D-CNN, LSTM, dan BiLSTM, mencapai kinerja tinggi, dengan BiLSTM menghasilkan hasil terbaik.Hasil ini mengonfirmasi bahwa integrasi beberapa petunjuk wajah secara signifikan meningkatkan kinerja sistem deteksi kantuk, terutama untuk aplikasi real-time.Penelitian lebih lanjut dapat mengeksplorasi arsitektur pembelajaran mendalam yang lebih canggih dan mengintegrasikan fitur visual dengan sensor fisiologis untuk meningkatkan keandalan dan ketahanan deteksi kantuk.

Berdasarkan penelitian ini, beberapa saran penelitian lanjutan dapat diajukan. Pertama, perlu dilakukan penelitian lebih lanjut untuk mengeksplorasi penggunaan arsitektur pembelajaran mendalam yang lebih canggih, seperti Transformer atau Vision Transformer (ViT), guna meningkatkan ketahanan model terhadap variasi pencahayaan, sudut kamera, dan oklusi wajah. Kedua, perlu dilakukan pengumpulan dataset yang lebih beragam dengan kondisi mengemudi yang berbeda untuk memastikan generalisasi model yang lebih baik. Ketiga, integrasi fitur visual dengan sensor fisiologis seperti monitor detak jantung atau EEG dapat meningkatkan keandalan dan ketahanan deteksi kantuk. Dengan pengembangan lebih lanjut, sistem deteksi kantuk pengemudi dapat menjadi alat yang efektif untuk meningkatkan keselamatan berkendara dan mengurangi risiko kecelakaan.

  1. Evaluating the effectiveness of facial actions features for the early detection of driver drowsiness... doi.org/10.21924/cst.10.1.2025.1594Evaluating the effectiveness of facial actions features for the early detection of driver drowsiness doi 10 21924 cst 10 1 2025 1594
  1. #rhizopus arrhizus#rhizopus arrhizus
  2. #kontur fitur wajah#kontur fitur wajah
Read online
File size1.39 MB
Pages11
Short Linkhttps://juris.id/p-3rq
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test