Implementasi Deep Learning untuk Pendeteksian Kantuk Berdasarkan Fitur Kedipan

Abstract

Kantuk adalah salah satu faktor penyebab terjadinya kecelakaan lalu lintas. Menurut Badan Pengatur Jalan Tol, kantuk menyumbang 33% dari seluruh penyebab kecelakaan yang terjadi di jalan tol trans jawa pada bulan Desember 2018 sampai Februari 2019. Oleh karena itu diperlukannya solusi untuk mengatasi masalah kantuk tersebut. Salah satu solusi untuk mengatasi masalah kantuk adalah dengan memberikan peringatan melalui suara alarm. Salah satu cara untuk menyelesaikan masalah tersebut menggunakan metode deep learning yang dikembang oleh Shuali Li et al. yaitu Independently Recurrent Neural Network (IndRNN). Untuk menyelesaikan masalah tersebut dilakukan dengan dua langkah yaitu pengumpulan data dan melakukan pendeteksian kantuk. Untuk melakukan pendeteksian kantuk dilakukan dengan tujuh tahap yaitu pendeteksian wajah, pendeteksian facial landmark, penghitungan EAR, pendeteksian kedipan, penghitungan 4 fitur kedipan, normalisasi, dan pengklasifikasian dengan IndRNN. Hasil dari pengimplementasian IndRNN tersebut kemudian dibandingkan dengan Hierarchical Multiscale Long Short-Term Memory (HM-LSTM) yang menunjukkan bahwa IndRNN memiliki akurasi lebih baik saat diuji, dengan hasil akurasi 91,88% untuk IndRNN dan 86,48% untuk HM-LSTM. Waktu yang dibutuhkan IndRNN untuk training dengan 80% dataset UTA-RLDD yaitu 53 detik, lebih cepat dibandingkan dengan HM-LSTM yang membutuhkan waktu 670 detik untuk training dengan dataset yang sama.