Rancang bangun prototipe sistem pendeteksi kantuk pada pengendara mobil berbasis Jetson Nano menggunakan YOLOv8

Qadamushidqi, Naufal Tsany (2024) Rancang bangun prototipe sistem pendeteksi kantuk pada pengendara mobil berbasis Jetson Nano menggunakan YOLOv8. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (540kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (102kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (105kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (607kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (273kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (9MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (4MB) | Request a copy
	Text (BAB VI) 9_bab6.pdf Restricted to Registered users only Download (104kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (109kB) | Request a copy

Abstract

Data tahun 2022 menunjukkan bahwa sebanyak 61% kecelakaan lalu lintas diakibatkan oleh kelalaian manusia, menjadikannya isu penting dalam keselamatan berkendara. Kecelakaan lalu lintas sering kali disebabkan oleh kelalaian manusia, salah satunya rasa kantuk pada pengendara yang sering diabaikan dan dapat berakibat fatal. Penelitian ini bertujuan untuk merancang dan membangun prototipe sistem pendeteksi kantuk menggunakan platform Jetson Nano dan algoritma YOLOv8. Sistem ini menggunakan teknologi pemrosesan citra untuk mendeteksi tanda-tanda kantuk seperti mata tertutup dan mulut menguap, dengan data citra yang diperoleh melalui kamera dalam mobil dan diolah secara real-time oleh Jetson Nano. Algoritma YOLOv8 digunakan untuk mendeteksi fitur wajah dengan akurasi tinggi, dan sistem dilengkapi dengan buzzer sebagai indikator peringatan. Hasil pengujian terhadap model YOLOv8 menunjukan hasil dengan tingkat akurasi sebesar 85%. Pada pengujian dataset yang digunakan nilai akurasi yang dihasilkan dari perhitungan pada confusion matrix sebesar 82%. Jarak optimal kamera dengan wajah untuk melakukan deteksi adalah 40 - 70 cm. Pengujian pada prototipe secara real-time dengan confusion matrix menghasilkan tingkat akurasi sebesar 88%. Resources pada Jetson Nano seperti konsumsi memori, CPU, dan GPU diuji, dengan persentase pada konsumsi CPU sebesar 28%, konsumsi pada GPU sebesar 98%, dan konsumsi memori sebesar 443,8MB pada saat prototipe dijalankan. Penggunaan algortima YOLOv8 pada platform Jetson Nano sebagai prototipe sistem pendeteksi kantuk menunjukan hasil dengan akurasi yang cukup baik.

Actions (login required)

View Item