Identifikasi Tingkat Kesadaran Pengemudi dari Data Video dengan Menggunakan Convolutional Long Short Term Memory
DOI:
https://doi.org/10.29407/stains.v3i1.4104Keywords:
Convolutional, Data Video, Deteksi, Kantuk Pengemudi, Long Short Term MemoryAbstract
Mengemudi dalam keadaan tidak sadar atau mengantuk merupakan salah satu penyebab utama terjadinya kecelakaan lalu lintas. Meskipun demikian, penumpang biasanya tidak akan menyadari jika pengemudi kendaraan yang mereka kendarai dalam keadaan mengantuk. Untuk mendeteksi kantuk pengemudi pada umumnya adalah dengan menggunakan model pembelajaran mesin. Akan tetapi model pembelajaran mesin biasanya hanya dapat mengenali pola dari sebuah data tanpa memperhatikan deret waktu pada data sekuensial atau time series. Metode yang digunakan adalah Convolutional Long Short Term Memory. Convolutional Long Short Term Memory adalah salah satu bentuk Recurrent Neural Network yang dapat digunakan untuk mengatasi masalah korelasi deret waktu baik dalam waktu singkat maupun lama pada data spatial time series. Data yang digunakan adalah data yang berupa video dari seseorang yang sedang mengemudi. Data video merupakan data berurutan yang terdiri atas banyak frame yang berupa citra. Pada penelitian ini setiap frame tersebut dilakukan deteksi wajah untuk mendapatkan citra wajah pengemudi, sedangkan Convolutional Long Short Term Memory digunakan untuk mempelajari pola perubahan ekspresi wajah pengemudi seiring waktu. Hasil menunjukkan model memiliki akurasi sebesar 75% yang menunjukkan bahwa model memiliki kemampuan yang signifikan dalam memprediki kantuk pengemudi.
Downloads
References
S. S. Jasim and A. K. A. Hassan, “Modern drowsiness detection techniques: a review,” Int. J. Electr. Comput. Eng., vol. 12, no. 3, pp. 2986–2995, 2022, doi: 10.11591/ijece.v12i3.pp2986-2995.
K. Gopalakrishna and S. A. Hariprasad, “Real-time fatigue analysis of driver through iris recognition,” Int. J. Electr. Comput. Eng., vol. 7, no. 6, pp. 3306–3312, 2017, doi: 10.11591/ijece.v7i6.pp3306-3312.
F. Nur Fajri, A. Tholib, and W. Yuliana, “Application of Machine Learning Algorithm for Determining Elective Courses in Informatics Study Program,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 3, pp. 485–496, 2022, doi: 10.28932/jutisi.v8i3.3990.
V. P. Sharma, J. S. Yadav, and V. Sharma, “Deep convolutional network based real time fatigue detection and drowsiness alertness system,” Int. J. Electr. Comput. Eng., vol. 12, no. 5, pp. 5493–5500, 2022, doi: 10.11591/ijece.v12i5.pp5493-5500.
S. S. Jasim and A. K. A. Hassan, “Driving sleepiness detection using electrooculogram analysis and grey wolf optimizer,” Int. J. Electr. Comput. Eng., vol. 12, no. 6, pp. 6034–6044, 2022, doi: 10.11591/ijece.v12i6.pp6034-6044.
M. E. Elidrissi, E. Essoukaki, L. Ben Taleb, A. Mouhsen, and M. Harmouchi, “Drivers’ drowsiness detection based on an optimized random forest classification and single-channel electroencephalogram,” Int. J. Electr. Comput. Eng., vol. 13, no. 3, pp. 3398–3406, 2023, doi: 10.11591/ijece.v13i3.pp3398-3406.
C. G. Pachón-Suescún, J. O. Pinzón-Arenas, and R. Jiménez-Moreno, “Abnormal gait detection by means of LSTM,” Int. J. Electr. Comput. Eng., vol. 10, no. 2, pp. 1495–1506, 2020, doi: 10.11591/ijece.v10i2.pp1495-1506.
B. Hardiansyah and A. Primasetya, “Sistem Deteksi Penggunaan masker (Face Mask Detection) Menggunakan Algoritma Deep Learning YOLOv4,” Stain. (SEMINAR Nas. Teknol. & SAINS), vol. 2, no. 1, pp. 313–318, 2023.
Yudi Widhiyasana, Transmissia Semiawan, Ilham Gibran Achmad Mudzakir, and Muhammad Randi Noor, “Penerapan Convolutional Long Short-Term Memory untuk Klasifikasi Teks Berita Bahasa Indonesia,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 4, pp. 354–361, 2021, doi: 10.22146/jnteti.v10i4.2438.
M. D. Darojat, Y. A. Sari, and R. C. Wihandika, “Convolutional Neural Network untuk Klasifikasi Citra Makanan Khas Indonesia,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 11, pp. 4764–4769, 2021, [Online]. Available: http://j-ptiik.ub.ac.id
D. Yolanda, K. Gunadi, and E. Setyati, “Pengenalan Alfabet Bahasa Isyarat Tangan Secara Real-Time dengan Menggunakan Metode Convolutional Neural Network dan Recurrent Neural Network,” J. Infra, vol. 8, no. 1, pp. 203–208, 2020, [Online]. Available: https://publication.petra.ac.id/index.php/teknik-informatika/article/view/9791
Z. Chao, F. Pu, Y. Yin, B. Han, and X. Chen, “Research on real-time local rainfall prediction based on MEMS sensors,” J. Sensors, vol. 2018, pp. 1–9, 2018, doi: 10.1155/2018/6184713.
W. Luo, W. Liu, and S. Gao, “Remembering history with convolutional LSTM for anomaly detection,” Proc. - IEEE Int. Conf. Multimed. Expo, no. July, pp. 439–444, 2017, doi: 10.1109/ICME.2017.8019325.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Fajar Fatha Romadhan, Andrian Dwi Baitur Rizky, Muhammad Aulia Faqihuddin, Indah Agustien Siradjuddin
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
