Implementasi Teknologi Face Tracking dan Facial Landmark untuk Deteksi Pengemudi Mengantuk Menggunakan Convolutional Neural Networks

Kusuma, I Putu Agus Wira (2025) Implementasi Teknologi Face Tracking dan Facial Landmark untuk Deteksi Pengemudi Mengantuk Menggunakan Convolutional Neural Networks. Undergraduate thesis, Politeknik Negeri Bali.

	Text (Cover, Bab 1, Bab 5, dan Referensi) RAMA_58302_2115354017_0020027603_0013089404_part.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial Share Alike. Download (490kB)
	Text (Full Text) RAMA_58302_2115354017_full.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy
	Text (iThenticate) RAMA_58302_2115354017_iThenticate.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Penerapan teknologi computer vision berbasis deep learning telah menjadi pendekatan yang efektif dalam meningkatkan keselamatan berkendara, khususnya dalam deteksi dini terhadap kondisi mengantuk pada pengemudi. Mengantuk saat mengemudi merupakan salah satu penyebab utama kecelakaan lalu lintas, sehingga diperlukan sistem yang mampu melakukan deteksi secara real-time dan akurat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi kantuk pengemudi berbasis mobile dengan memanfaatkan teknologi face tracking, facial landmark detection, serta Convolutional Neural Network (CNN) untuk mengklasifikasikan kondisi mata dan mulut. Dataset yang digunakan terdiri dari dua bagian utama, yaitu citra mata (terbuka dan tertutup) serta citra mulut (menganga dan tidak menganga), yang digunakan sebagai indikator utama untuk menghitung nilai Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR). Arsitektur CNN yang digunakan dalam penelitian ini adalah MobileNetV2, yang telah dilatih sebelumnya pada dataset ImageNet untuk mempercepat proses pelatihan dan meningkatkan akurasi. Hasil pelatihan model menunjukkan bahwa model klasifikasi mata mencapai akurasi validasi sebesar 98%, sedangkan model klasifikasi mulut mencapai akurasi sebesar 96%. Sistem ini dikembangkan dalam bentuk aplikasi Android bernama DrowsyGuard, yang mampu mendeteksi kondisi mengantuk secara otomatis dan memberikan peringatan suara sebagai tindakan pencegahan. Pengujian sistem menggunakan metode black box menunjukkan bahwa seluruh fungsionalitas aplikasi berjalan sesuai dengan spesifikasi yang dirancang. Penelitian ini diharapkan dapat memberikan kontribusi nyata dalam menciptakan teknologi keselamatan berkendara yang adaptif dan mudah diakses melalui perangkat mobile.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Drowsiness Detection, Face Tracking, Facial Landmark, Convolutional Neural Network, MobileNetV2.
Subjects:	Ilmu Teknik > Teknik Elektro Dan Informatika Ilmu Teknik > Teknik Elektro Dan Informatika > Teknik Komputer Ilmu Teknik > Teknik Elektro Dan Informatika > Sistem Informasi Ilmu Teknik > Teknik Elektro Dan Informatika > Teknologi Informasi Ilmu Teknik > Teknik Elektro Dan Informatika > Teknik Perangkat Lunak
Divisions:	Jurusan Teknologi Informasi > Prodi D4 Teknologi Rekayasa Perangkat Lunak > Skripsi
Depositing User:	I Putu Agus Wira Kusuma
Date Deposited:	11 Sep 2025 03:22
Last Modified:	11 Sep 2025 03:22
URI:	https://repository.pnb.ac.id/id/eprint/19930

Actions (login required)

View Item