Rabbani, Muhamad Luthfi Dzikri (2026) Penerapan algoritma Long Short-Term Memory (LSTM) untuk deteksi kantuk pada pengemudi kendaraan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
Full text not available from this repository. (Request a copy)Abstract
Tingginya angka kecelakaan lalu lintas yang disebabkan oleh pengemudi yang mengalami kantuk merupakan permasalahan serius dalam keselamatan berkendara. Kondisi kantuk sering kali terjadi secara bertahap dan sulit dikenali secara dini oleh pengemudi, sehingga meningkatkan risiko kecelakaan fatal. Oleh karena itu, diperlukan suatu sistem deteksi kantuk yang mampu bekerja secara otomatis, akurat, dan real-time. Perkembangan teknologi computer vision dan deep learning membuka peluang untuk mengembangkan sistem non-invasif yang dapat mendeteksi tanda-tanda kantuk melalui analisis pergerakan kelopak mata pengemudi menggunakan kamera. Penelitian ini bertujuan untuk membangun sistem deteksi kantuk pengemudi berbasis analisis pergerakan kelopak mata menggunakan algoritma Long Short-Term Memory (LSTM). Metodologi penelitian yang digunakan mengacu pada kerangka kerja CRISP-DM (Cross Industry Standard Process for Data Mining), yang meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data yang digunakan berupa rekaman video wajah pengemudi yang dikumpulkan dalam berbagai kondisi. Selanjutnya, data diproses menggunakan MediaPipe Face Mesh untuk mengekstraksi titik-titik landmark pada area mata dan menghitung nilai Eye Aspect Ratio (EAR) sebagai fitur utama. Nilai EAR disusun dalam bentuk data sekuens untuk merepresentasikan dinamika pergerakan kelopak mata, yang kemudian digunakan sebagai masukan pada model LSTM. Hasil pengujian menunjukkan bahwa model LSTM yang dikembangkan mampu mendeteksi kondisi kantuk dengan performa yang sangat baik. Berdasarkan evaluasi menggunakan confusion matrix, sistem memperoleh tingkat akurasi sebesar 96,8%, precision sebesar 100%, recall sebesar 90,2%, dan F1-score sebesar 94,9%. Selain itu, hasil pengujian secara real-time menunjukkan bahwa sistem mampu membedakan kondisi mata terbuka dan tertutup secara akurat serta memberikan peringatan ketika terdeteksi kondisi kantuk. Dengan demikian, dapat disimpulkan bahwa sistem deteksi kantuk yang diusulkan efektif dan berpotensi untuk diterapkan sebagai sistem peringatan dini guna meningkatkan keselamatan pengemudi dan mengurangi risiko kecelakaan lalu lintas.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Additional Information: | tidak ada lampiran |
| Uncontrolled Keywords: | Deteksi Kantuk; Long Short-Term Memory; Eye Aspect Ratio, CRISP-DM; Computer Vision |
| Subjects: | Special Computer Methods > Computer Vision |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Muhamad Luthfi Dzikri Rabbani |
| Date Deposited: | 09 Apr 2026 08:24 |
| Last Modified: | 10 Apr 2026 05:58 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/129662 |
Actions (login required)
 |
View Item |
