Deteksi Pengendara Mengantuk dengan Kombinasi Haar Cascade Classifier dan Support Vector Machine

Hepatika Zidny Ilmadina, Dyah Apriliani, Dega Surono Wibowo

Abstract


Microsleep sering terjadi pada aktivitas kita tanpa disadari, terutama pada saat berkendara. Hal tersebut menjadi salah satu faktor penyebab kecelakaan yang diakibatkan kesalahan manusia seperti mengantuk, tidak fokus, dan kelelahan menyumbangkan porsi 61%, selain itu 9% dikarenakan faktor kendaraan, serta 30% disebabkan oleh faktor prasarana dan lingkungan. Beberapa teknik deteksi microsleep melalui kedipan mata telah dikembangkan antara lain menggunakan eye aspect ratio, yaitu thresholding manual dengan menetapkan detik minimal mata menutup/berkedip. Pada penelitian ini dilakukan deteksi pengendara mengantuk dengan kombinasi Haar Cascade yang mengklasifikasi wajah pengendara, serta metode Support Vector Machine yang mampu menentukan mata menutup dan membuka. Implementasi pada sistem deteksi pengendara mata mengantuk secara real time akurasi mencapai 99%. Penelitian ini diharapkan dapat membantu dalam mengurangi bahkan mencegah terjadinya kecelakaan yang disebabkan oleh microsleep yang dapat dideteksi secara dini melalui kedipan mata pengendara.

Keywords


microsleep, eye aspect ratio, support vector machine, haar cascade classifier

Full Text:

References


L. N. Boyle, J. Tippin, A. Paul dan M. Rizzo, “Driver performance in the moments surrounding a microsleep,” Transportation Research Part F: Traffic Psychology and Behaviour, vol. 11, no. 2, pp. 126-136, 2008.

M. Rivera dan L. Salas, “Monitoring of Micro-sleep and Sleepiness for the Drivers Using EEG Signal,” School of Innovation, Design and Engineering (IDT), Mälardalen University, Västerås, Sweden, 2013.

T. Hwang, M. KIm, S. Hong dan K. S. Park, “Driver drowsiness detection using the in-ear EEG,” dalam Annual International Conference og the IEEE Enginerring in Medicine and Biology Society (EMBC), Orlando, FL, USA, 2016.

S. Junawane, P. Jagtap, L. Deshpande, K. Soni dan R. Jab, “Real-time Driver Drowsiness Detection for Android Application Using Deep Neural Networks Techniques,” Procedia Computer Science, vol. 6, no. 11, pp. 400 - 407, 2017.

S. Sangle, B. Rathore dan A. R. Rathod, “Real Time Drowsiness Detection System,” IOSR Journal of Computer Engineering (IOSR-JCE), pp. 87-92, 2018.

K. Kaida, M. Takahashi, T. Akerste, A. Nakata, Y. Otsuka, T. Haratani dan K. Fukusawa, “Validation of the Karolinska sleepiness scale against performance and EEG variables,” Clin Neurophysiol, vol. 117, no. 7, pp. 1574-81, 2006.

S. Saravanaraj, M. Abd Kadir, S. Sharifah, S. Azmi, S. Mohamad Md dan A. Hussein Ali, “Drowsiness Detection System using Eye Aspect Ratio Technique,” dalam 2020 IEEE Student Conference on Research and Development, SCOReD 2020, Michigan, 2020.

C. B. S. Maior, M. J. d. C. Moura, J. M. M. Santana dan I. D. Lins, “Real-time classification for autonomous drowsiness detection using eye aspect ratio,” Expert Systems with Applications, p. 113505, 2020.

C. Ryan, B. O'Sullivan, A. Elrasad, A. Cahill, J. Lemley dan E. Perot, “Real-time face & eye tracking and blink detection using event cameras,” Neural Networks, vol. 141, pp. 87-97, 2021.

N. Theresia Br. Pasaribu, A. Prijono, R. Ratnadewi, R. Pramono Adhie dan J. Felix, “Drowsiness Detection According to the Number of Blinking Eyes Specified From Eye Aspect Ratio Value Modification,” dalam Proceedings of the 1st International Conference on Life, Innovation, Change and Knowledge (ICLICK 2018), Bandung, 2019.

J. Cech dan T. Soukupov, “Eye Blink Detection Using Facial Landmarks,” dalam 21st Computer Vision Winter Workshop, Slovenia, 2016.

A. S, A. J. K. R. Subhashini dan J. Thomas, “Drowsiness Detection Using Eye Blink and Facial Features Image Analysis,” Medico-Legal Update, vol. 20, no. 4, pp. 27-30, 2020.

M. S. Satyanarayana, T. M. Aruna dan Y. K. Guruprasad, “Continuous monitoring and identification of driver drowsiness alert system,” Global Transitions Proceedings, vol. 2, no. 1, pp. 123-127, 2021.

D. A. Navastara, W. Y. M. Putra dan C. Fatichah, “Drowsiness Detection Based on Facial Landmark and Uniform Local Binary Pattern,” Journal of Physics: Conference Series, vol. 1529, no. 5, 2020.

P. V. Patil, “Kaggle,” [Online]. Available: https://www.kaggle.com/prasadvpatil/mrl-dataset. [Diakses 17 October 2021].

W. Ayadi, W. Elhamzi, I. Charfi dan M. Atri, “A hybrid feature extraction approach for brain MRI classificationbased on Bag-of-words,” Biomedical Signal Processing and Control, vol. 48, pp. 144-152, 2019.




DOI: https://doi.org/10.30591/jpit.v7i1.3346

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

JPIT INDEXED BY