UNITOMOUNITOMO
Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiInform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiKelelahan dan kantuk pengemudi adalah faktor utama penyebab kecelakaan lalu lintas, terutama dalam perjalanan jarak jauh. Penelitian ini mengembangkan sistem deteksi yang berbasis pada landmark dan kerangka MediaPipe untuk menganalisis kelelahan melalui durasi kedipan mata. Sistem ini menggunakan inisialisasi titik koordinat menggunakan pohon regresi untuk mendeteksi objek dengan akurat, seperti mata. Data penelitian terdiri dari 30 video, masing-masing berdurasi 30 detik, yang dikumpulkan dari empat pengemudi bus Trans Jawa. Video-video tersebut diekstrak untuk mengidentifikasi histogram deteksi wajah dan dianalisis berdasarkan durasi kedipan mata. Hasil pengujian menunjukkan akurasi deteksi sebesar 81% dengan tingkat kesalahan 19% untuk jarak 10 hingga 100 cm, sedangkan pengujian dengan 30 video mencapai akurasi rata-rata sebesar 88,745% dan Mean Squared Error (MSE) sebesar 7,615%. Hasil pengujian menunjukkan bahwa CNN lebih unggul dalam mendeteksi kelelahan dibandingkan MediaPipe, dengan akurasi rata-rata yang lebih tinggi sebesar 76,79% dibandingkan 73,83% dan nilai MSE yang lebih rendah sebesar 47,33 dibandingkan 48,27. CNN juga lebih konsisten dalam menangani variasi pencahayaan ekstrem, sementara MediaPipe unggul dalam efisiensi pemrosesan, menjadikannya cocok untuk perangkat dengan sumber daya terbatas. Penelitian ini menunjukkan bahwa sistem yang berbasis pada landmark dan MediaPipe efektif dan inovatif dalam mendeteksi kelelahan, menawarkan solusi untuk meningkatkan keselamatan pengemudi selama perjalanan.
Hasil pengujian menunjukkan bahwa metode CNN memiliki keunggulan dibandingkan MediaPipe dalam mendeteksi kelelahan pengemudi.CNN mencapai akurasi rata-rata yang lebih tinggi sebesar 76,79% dibandingkan MediaPipe (73,83%) dan nilai MSE yang lebih rendah sebesar 47,33 dibandingkan 48,27, menunjukkan prediksi yang lebih stabil dan akurat.CNN juga lebih tangguh dalam menangani variasi pencahayaan ekstrem, menghasilkan hasil yang lebih konsisten dibandingkan MediaPipe yang cenderung terpengaruh oleh kondisi pencahayaan.Namun, MediaPipe unggul dalam efisiensi pemrosesan karena pendekatan berbasis landmark-nya, menjadikannya cocok untuk perangkat dengan sumber daya terbatas.Oleh karena itu, CNN merupakan pilihan yang lebih baik untuk aplikasi dengan presisi tinggi, sedangkan MediaPipe ideal untuk sistem yang memprioritaskan efisiensi dan kinerja waktu nyata.Hasil pengujian menunjukkan bahwa sistem deteksi kelelahan yang berbasis pada landmark dan MediaPipe memiliki kinerja yang cukup baik, mencapai akurasi deteksi sebesar 81% pada jarak 10–100 cm, meskipun dengan tingkat kesalahan sebesar 19%.Pengujian lebih lanjut menggunakan 30 video menghasilkan akurasi rata-rata yang lebih tinggi sebesar 88,745%, dengan MSE sebesar 7,615%.Angka-angka ini menunjukkan bahwa sistem ini inovatif dan efektif dalam mendeteksi kelelahan, menunjukkan potensi yang signifikan untuk meningkatkan keselamatan pengemudi selama perjalanan.Namun, analisis matriks kebingungan mengungkapkan beberapa keterbatasan sistem.Sistem dengan benar memprediksi empat kasus dalam kategori tidak terdeteksi tetapi hanya satu prediksi benar dalam kategori terdeteksi.Selain itu, terdapat tiga kasus false positive (pendeteksian salah) dan dua kasus false negative (gagal mendeteksi).Kesalahan-kesalahan ini dapat mempengaruhi keandalan sistem, terutama dalam situasi kritis di mana pendeteksian akurat sangat penting.Untuk penelitian selanjutnya, direkomendasikan untuk melatih sistem dengan data yang lebih beragam, termasuk variasi ekspresi wajah, kondisi pencahayaan, dan sudut kamera, untuk meningkatkan generalisasi.Selain itu, mengintegrasikan fitur-fitur seperti analisis kedipan mata, deteksi pupil, atau dinamika kepala dapat meningkatkan akurasi pendeteksian.Menggunakan metode deep learning yang lebih kompleks atau menggabungkan algoritma dengan sensor lain, seperti inframerah, juga dapat mengatasi keterbatasan pendeteksian berbasis kamera saja.
Untuk penelitian lanjutan, dapat dipertimbangkan beberapa arah studi sebagai berikut: 1. Mengembangkan sistem deteksi kelelahan yang lebih akurat dengan menggabungkan fitur-fitur tambahan seperti analisis kedipan mata, deteksi pupil, atau dinamika kepala. 2. Meneliti dan mengoptimalkan metode pengolahan data untuk meningkatkan efisiensi sistem, terutama dalam menangani variasi pencahayaan dan kondisi lingkungan yang dinamis. 3. Menganalisis dan membandingkan kinerja sistem dengan metode deteksi kelelahan lainnya, seperti pendekatan berbasis fisiologis atau perilaku, untuk menentukan metode yang paling efektif dan andal dalam berbagai skenario.
- Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. effect glcm lbp hog feature extraction... ejournal.unitomo.ac.id/index.php/inform/article/view/8275Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi effect glcm lbp hog feature extraction ejournal unitomo ac index php inform article view 8275
- Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. analysis driver drowsiness detection... ejournal.unitomo.ac.id/index.php/inform/article/view/9325Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi analysis driver drowsiness detection ejournal unitomo ac index php inform article view 9325
- Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. crude palm oil quality artificial neural... ejournal.unitomo.ac.id/index.php/inform/article/view/8433Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi crude palm oil quality artificial neural ejournal unitomo ac index php inform article view 8433
| File size | 520.24 KB |
| Pages | 8 |
| DMCA | Report |
Related /
ISASISAS Pada posisi vertikal (3V), frekuensi dominan mengindikasikan kerusakan pada permukaan luar dan elemen bola bantalan, yang diperkuat oleh nilai akselerasiPada posisi vertikal (3V), frekuensi dominan mengindikasikan kerusakan pada permukaan luar dan elemen bola bantalan, yang diperkuat oleh nilai akselerasi
IKMIIKMI Evaluasi kinerja menunjukkan bahwa model YOLOv8 mencapai mAP50 sebesar 0. 646, precision 0. 889, dan recall 0. 455, dengan kecepatan inferensi 282. 5 ms/frame.Evaluasi kinerja menunjukkan bahwa model YOLOv8 mencapai mAP50 sebesar 0. 646, precision 0. 889, dan recall 0. 455, dengan kecepatan inferensi 282. 5 ms/frame.
UNAMAUNAMA Penelitian ini bertujuan untuk menerapkan metode YOLOv5 dalam mendeteksi dan mengklasifikasikan objek kendaraan dan manusia pada rekaman video non-real-timePenelitian ini bertujuan untuk menerapkan metode YOLOv5 dalam mendeteksi dan mengklasifikasikan objek kendaraan dan manusia pada rekaman video non-real-time
MEDIAPUBLIKASIMEDIAPUBLIKASI Ini mengubah vektor fitur asli menjadi satu set semua vektor positif yang mewakili komponen warna dasar yang sebenarnya dengan memutar dan mengubahnya.Ini mengubah vektor fitur asli menjadi satu set semua vektor positif yang mewakili komponen warna dasar yang sebenarnya dengan memutar dan mengubahnya.
UBMUBM Dalam penelitian ini, Viola-Jones akan digunakan untuk mendeteksi kehadiran wajah manusia pada sebuah citra digital. Hasil dari penelitian ini adalah algoritmaDalam penelitian ini, Viola-Jones akan digunakan untuk mendeteksi kehadiran wajah manusia pada sebuah citra digital. Hasil dari penelitian ini adalah algoritma
UHBUHB Penggunaan logika fuzzy dalam analisis gambar medis seperti CT scan dan MRI telah terbukti efektif dalam memisahkan area yang mencurigakan dari jaringanPenggunaan logika fuzzy dalam analisis gambar medis seperti CT scan dan MRI telah terbukti efektif dalam memisahkan area yang mencurigakan dari jaringan
Tel-UTel-U Serangan ransomware ini melibatkan penghapusan file, penimpaan file, penghapusan salinan bayangan volume, enkripsi file, pembuatan kunci lokal, dan potensiSerangan ransomware ini melibatkan penghapusan file, penimpaan file, penghapusan salinan bayangan volume, enkripsi file, pembuatan kunci lokal, dan potensi
UMIUMI Berdasarkan hasil deteksi pengujian yang telah dilakukan metode Gaussian Mixture Model (GMM) rentan akan refleksi bayangan objek selain kendaraan. DikarenakanBerdasarkan hasil deteksi pengujian yang telah dilakukan metode Gaussian Mixture Model (GMM) rentan akan refleksi bayangan objek selain kendaraan. Dikarenakan
Useful /
NASKAHACEHNASKAHACEH Dengan pengetahuan dan pemahaman yang diberikan, diharapkan pola perilaku masyarakat terkait penanganan ternak saat banjir, pengelolaan sungai, pengelolaanDengan pengetahuan dan pemahaman yang diberikan, diharapkan pola perilaku masyarakat terkait penanganan ternak saat banjir, pengelolaan sungai, pengelolaan
NASKAHACEHNASKAHACEH Selain itu, peserta menunjukkan motivasi dan kepercayaan diri yang meningkat dalam menerapkan keterampilan numerasi dan akuntansi dalam situasi keuanganSelain itu, peserta menunjukkan motivasi dan kepercayaan diri yang meningkat dalam menerapkan keterampilan numerasi dan akuntansi dalam situasi keuangan
UNITOMOUNITOMO Pada tahap ini, dihasilkan 35 domain dan disederhanakan lebih lanjut menjadi sepuluh domain utama yang digunakan sebagai kelas. Pada tahap pemodelan perilaku,Pada tahap ini, dihasilkan 35 domain dan disederhanakan lebih lanjut menjadi sepuluh domain utama yang digunakan sebagai kelas. Pada tahap pemodelan perilaku,
UNITOMOUNITOMO Gambar objek 3D dan animasi mereka dapat dibuat bahkan lebih interaktif untuk membuat mereka lebih menyenangkan. Animasi dijelaskan untuk menggambarkanGambar objek 3D dan animasi mereka dapat dibuat bahkan lebih interaktif untuk membuat mereka lebih menyenangkan. Animasi dijelaskan untuk menggambarkan