Deteksi Microsleep Menggunakan Convolutional Neural Network Dengan Sensor ESP32 Pada Pengemudi

  • Yuma Akbar Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
  • Bayu Bintoro Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
  • Dadang Iskandar Mulyana Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
  • Sri Lestari Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika

Abstract

Microsleep merupakan kondisi berbahaya yang terjadi ketika seseorang tertidur dalam waktu sangat singkat tanpa disadari, terutama saat mengemudi. Skripsi ini bertujuan mengembangkan sistem deteksi Microsleep berbasis Convolutional Neural Network (CNN) dengan sensor ESP32 pada pengemudi. Sistem ini dirancang untuk memantau dan menganalisis pola aktivitas pengemudi secara langsung yang dikumpulkan oleh sensor ESP32. Data yang diperoleh kemudian diproses dan diklasifikasikan menggunakan model CNN untuk mendeteksi kejadian Microsleep. Implementasi sistem ini diharapkan dapat meningkatkan keselamatan berkendara, sehingga dapat mengurangi risiko kecelakaan lalu lintas. Penelitian lebih lanjut diperlukan untuk meningkatkan akurasi deteksi dan menguji sistem pada kondisi nyata di jalan raya. hasil pengolahan data dan hasil pembahasan pada penelitian ini, dapat ditunjukkan bahwa arsitektur convolutional neural network (CNN) dengan algoritma you only look once (YOLO) dapat diimplementasikan untuk melakukan deteksi pada pengemudi apakah terjaga atau tertidur. Selain itu dengan melakukan konfigurasi parameter model dengan batch size 16, network size 320x320, diperoleh nilai IoU dengan learning rate 0.01.

References

[1] J. Skorucak, A. Hertig-Godeschalk, P. Achermann, J. Mathis, dan D. Schreier, “Automatically Detected Microsleep Episodes in the Fitness-to-Drive Assessment,” Frontiers in Neuroscience. 2020. doi: 10.3389/fnins.2020.00008.
[2] N. A. Ramadhani, S. Aulia, E. Suhartono, dan S. Hadiyoso, “Deteksi Kantuk Pada Pengemudi Berdasarkan Penginderaan Wajah Menggunakan PCA Dan SVM,” Jurnal Rekayasa Elektrika. 2021. doi: 10.17529/jre.v17i2.19884.
[3] A. Afif Mauludi, Z. Djunaidi, dan L. Saiful Arif, “Perilaku Berisiko Sebagai Faktor Penyebab Kecelakaan Pada Pengemudi Sepeda Motor Komersial: Systematic Review,” Jurnal Keselamatan Transportasi Jalan (Indonesian Journal of Road Safety), vol. 8, no. 1, hlm. 12–25, Jun 2021, doi: 10.46447/ktj.v8i1.307.
[4] K. Kendaraan dkk., “Creative Education of Research in Information Technology and Artificial informatics”.
[5] S. Tjahjono, A. Priyanto, dan S. Bachri, Buku Statistik Investigasi Kecelakaan Transportasi 2023. Jakarta Pusat: Komite Nasional Keselamatan Transportasi, 2023.
[6] S. Bhandarkar, T. Naxane, S. Shrungare, S. Rajhance, M. P. Deshmukh, dan T. Kute, “Neural Network Based Detection of Driver’s Drowsiness,” CC-BY-SA, vol. 4, no. 23, 2020, doi: 10.36227/techrxiv.14816010.v1.
[7] S. K. B. Sangeetha, S. K. Mathivanan, V. Muthukumaran, N. Pughazendi, P. Jayagopal, dan M. S. Uddin, “A Deep Learning Approach to Detect Microsleep Using Various Forms of EEG Signal,” Math Probl Eng, vol. 2023, 2023, doi: 10.1155/2023/7317938.
[8] Puli Suhas Reddy, Dr. Rama Chandra, D Bhavya Rishitha, dan K. Varunraj, “Detecting Driver Drowsiness and Buzzer Alert using CNN Algorithm,” International Journal of Advanced Research in Science, Communication and Technology, hlm. 179–184, Mei 2023, doi: 10.48175/ijarsct-9676
Published
2024-09-21
Abstract viewed = 0 times
PDF downloaded = 0 times