ANALISIS KOMPARATIF ALGORITMA KECERDASAN BUATAN UNTUK DETEKSI PERCLOS

Main Article Content

I Putu Agus Eka Darma Udayana Made Sudarma I Ketut Gede Darma Putra I Made Sukarsa

Abstract

Dalam era kontemporer yang ditandai dengan intensifikasi ritme kerja dan budaya "workaholism", bekerja telah melampaui sekadar kewajiban dan menjadi kebutuhan mendesak untuk memenuhi tuntutan hidup yang semakin kompleks. Banyak individu merasa terdorong untuk memegang berbagai tanggung jawab profesional, seringkali melebihi kapasitas mereka, yang berujung pada kelelahan fisik dan mental. Beberapa kasus terdapat pekerja yang depresi karena beban pekerjaan yang terlalu berat. Kelelahan merupakan hal yang wajar bagi manusia karena kelelahan merupakan suatu sinyal yang diberikan oleh otak bahwa tubuh memerlukan istirahat dan tubuh sedang tidak baik-baik saja. Kelelahan dalam bekerja dapat kita cegah dengan menganalisis gejala ocular pada tubuh manusia, yang mana kita dapat mengetahuinya melalui kedipan mata. Oleh karena itu penulis memiliki ide untuk membuat “Analisis Komparatif Algoritma Kecerdasan Buatan Untuk Deteksi Perclos”. Metode yang dapat digunakan untuk mengetahui jumlah kedipan mata yaitu Mediapipe, Haar Cascade dan Dlib. Perbandingan dilakukan dengan menggunakan cuplikan video untuk mengetahui berapa jumlah kedipan mata pada orang didalam frame. Sebelum melakukan pengujian kepada metode-metode tersebut, dilakukan pengujian manual terlebih dahulu dimana pengujian manual mendapatkan hasil rata-rata 21 kedipan. Metode yang paling mendekati pengujian manual tersebut adalah Mediapipe dengan mendapatkan hasil rata-rata 23,1 kedipan juga, disusul dengan metode Dlib yang mendapatkan hasil rata-rata 29,8 kedipan sedangkan metode Haar cascade mendapatkan hasil rata-rata yang kurang memuaskan dengan jumlah 223,3 kedipan. Dengan pengujian yang sudah dilakukan mendapatkan hasil bahwa metode Mediapipe mendapatkan hasil yang sangat bagus untuk mendeteksi jumlah kedipan mata.

Article Details

How to Cite
UDAYANA, I Putu Agus Eka Darma et al. ANALISIS KOMPARATIF ALGORITMA KECERDASAN BUATAN UNTUK DETEKSI PERCLOS. Prosiding Seminar Nasional Sains dan Teknologi (Senastek), [S.l.], v. 8, n. 1, p. 210-215, dec. 2023. Available at: <https://ojs.unud.ac.id/index.php/senastek/article/view/108196>. Date accessed: 28 feb. 2024.
Section
Articles

References

A. Salote, H. Jusuf, L. Amalia, F. Olahraga, and D. Kesehatan, “HUBUNGAN LAMA PAPARAN DAN JARAK MONITOR DENGAN GANGGUAN KELELAHAN MATA PADA PENGGUNA KOMPUTER,” Journal health and Science ; Gorontalo journal health & Science Community, vol. 4, 2020.
[2] Y. Anggraeni et al., “Analisis Faktor-Faktor yang Mempengaruhi Stress Kerja Pada Karyawan di PT XACTI Indonesia Tahun 2021,” Buletin Kesehatan, vol. 5, no. 2, p. 13750, 2021.
[3] I. Putu et al., “Detection of Student Drowsiness Using Ensemble Regression Trees in Online Learning During a COVID-19 Pandemic Deteksi Kantuk Peserta Didik Menggunakan Ensemble Regression Trees Pada Pembelajaran Daring Dimasa Pandemi COVID-19,” Jurnal Informatika dan Teknologi Informasi, vol. 19, no. 2, pp. 229–244, 2022, doi: 10.31515/telematika.v19i2.7044.
[4] M. Arsal, B. Agus Wardijono, and D. Anggraini, “Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Learning Dengan Metode CNN,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 1, pp. 55–63, Jun. 2020, doi: 10.25077/teknosi.v6i1.2020.55-63.
[5] S. Liu, L. Yu, and M. Hou, An efficient method for driver fatigue state detection based on deep learning.
[6] H. Akbar, D. Aryani, S. Junaedi, H. Akbar Prodi Magister Ilmu Komputer, and F. Ilmu Komputer, “Deteksi Kantuk Pengendara Mobil Berbasis Citra Menggunakan Convolutional Neural Networks”.
[7] A. Kuwahara, R. Hirakawa, H. Kawano, K. Nakashi, and Y. Nakatoh, “Eye Fatigue Prediction System Using Blink Detection Based on Eye Image,” in Digest of Technical Papers - IEEE International Conference on Consumer Electronics, Institute of Electrical and Electronics Engineers Inc., Jan. 2021. doi: 10.1109/ICCE50685.2021.9427681.
[8] R. A. Setiawan, F. Pradana, and F. Abdurrachman Bachtiar, “Pengembangan Aplikasi Pendeteksi Kelelahan bagi Pengendara Mobil berbasis Android melalui Face Recognition,” 2021. [Online]. Available: http://j-ptiik.ub.ac.id
[9] S. Thiha and J. Rajasekera, “Efficient Online Engagement Analytics Algorithm Toolkit That Can Run on Edge,” Algorithms, vol. 16, no. 2, Feb. 2023, doi: 10.3390/a16020086.
[10] Mohammad Afinil Maula, Achmad Teguh Wibowo, and Muhammad Andik Izzuddin, “Eye Aspect Ratio based on Histogram Oriented Gradient and Linear Support Vector Machine to Microsleep Detection”.
[11] F. Daniel Tanugraha, H. Pratikno, M. Musayanah, and W. Indah Kusumawati, “Pengenalan Gerakan Olahraga Berbasis (Long Short- Term Memory) Menggunakan Mediapipe,” Journal of Advances in Information and Industrial Technology, vol. 4, no. 1, pp. 37–45, May 2022, doi: 10.52435/jaiit.v4i1.182.
[12] A. M. Chalik, A. Qowy, F. Hanafi, and A. Nuraminah, “Mouse Tracking Tangan dengan Klasifikasi Gestur Menggunakan OpenCV dan Mediapipe,” JUITIK, vol. 1, no. 2, 2021, [Online]. Available: http://journal.sinov.id/index.php/juitik/indexHalamanUTAMAJurnal:https://journal.sinov.id/index.php
[13] G. A. Anarki, K. Auliasari, and M. Orisa, “PENERAPAN METODE HAAR CASCADE PADA APLIKASI DETEKSI MASKER,” 2021.
[14] A. Aqsha Ramadhana Lubis, S. Indah Purnama, M. Aly Afandi, P. S. Studi, T. Telekomunikasi, and F. Teknik Telekomunikasi dan Elektro, “Sistem Pendeteksi Kantuk Berbasis Metode Haar Cascade Untuk Aplikasi Computer Vision Sleepiness Detection System Based on Haar Cascade Method for Computer Vision Applications.”
[15] N. Wahyudiana and S. Budi, “Perbandingan Performa Pre-Trained Classifier dLib dan HAAR Cascade (OpenCV) Untuk Mendeteksi Wajah,” 2019.