BAB 3 ANALISIS & PERANCANGAN

(1)

47

ANALIS IS & PERANCANGAN

3.1 Analisis

3.1.1 Permasalahan

M enurut Wakapolda Sulawesi Selatan dan Barat (tvOne, 2010), Brigjen Pol Wisjnu Amat Sastro, Indonesia saat ini menempati urutan pertama berdasarkan tingkat kasus kecelakaan lalu lintas di ASEAN. Ia menyebutkan, selama periode 2004 hingga 2008 kasus kecelakaan lalu lintas di wilayah Sulawesi Selatan dan Barat saja telah mencapai angka 60.809 kasus. Korban luka ringan mencapai 43.458 orang, luka berat 24.355 orang, korban meninggal 15.963 jiwa dan kerugian materil mencapai Rp84,416 juta per tahun. M engenai usia korban, sebagian besar masih tergolong produktif.

Terkait hal tersebut, Wisjnu menuturkan ada empat faktor penyebab utama terjadinya kecelakaan lalulintas, yakni kondisi kendaraan, kondisi jalan, lingkungan serta pengendara. Dengan rincian, faktor kendaraan sebanyak 2.803 kali kecelakaan, faktor jalan 1.842 kali, faktor lingkungan 577 kali, faktor manusisa 35.557 kali dan 1.266 kali faktor lainnya.

Berdasarkan dari hasil data di atas, kecelakaan lalu lintas saat ini sering kali terjadi disebabkan oleh faktor manusia (kelalaian pengendara). Kelalaian-kelalaian yang dilakukan oleh pengendara sangat beragam, mulai dari tidak fokusnya pengendara saat menyetir, menggunakan alat komunikasi atau cellphone saat menyetir, melanggar rambu-rambu lalu

(2)

lintas, hingga kondisi pengendara yang sedang mengantuk. Untuk menanggapi masalah pengemudi yang mengantuk saat menyetir, dilakukan penelitian untuk membuat piranti lunak yang dapat membantu pengendara untuk mengatasi masalah tersebut dengan menganalisa kondisi mata pengendara.

Piranti lunak ini menggunakan mata sebagai objek observasi. Pemilihan mata sebagai objek observasi dikarenakan mata merupakan faktor yang sangat penting untuk mendeteksi keadaan pengemudi, apakah pengemudi dalam keadaan mengantuk atau tidak.

Citra mata diambil dengan menggunakan webcam sebagai citra real time. Dengan penggunaan webcam sebagai input secara real time dapat menyebabkan beberapa masalah seperti buffer overflow, serta waktu proses dan keakuratan dalam proses pendeteksian objek.

• Buffer overflow biasanya disebabkan karena daya tampung memory yang terbatas dalam menyimpan input berupa citra real time secara terus-menerus selama program dijalankan.

• Waktu proses dan keakuratan dalam melakukan pendeteksian objek menjadi pertimbangan utama dalam pemilihan metode. Hal ini dikarenakan program berlangsung secara real time maka dibutuhkan waktu proses yang rendah, selain itu mengingat objek yang akan dideteksi cukup kecil berupa mata maka tingkat keakuratan harus diperhatikan.

(3)

3.1.2 S olusi Permasalahan

Setiap permasalahan memiliki peranan nilai dalam menentukan keakuratan program piranti pendeteksian dan analisis kondisi mata. Akan tetapi, setiap permasalahan ini memiliki poin pembahasan yang berbeda, maka untuk mengatasi permasalahan tersebut digunakan beberapa metode yang terpisah.

M etode-metode yang digunakan untuk mengatasi permasalahan tersebut antara lain :

• Menggunakan template sementara untuk menampung citra hasil tangkapan dari web camera. Citra yang sudah selesai diproses dan tidak dibutuhkan lagi akan dihapus. Cara ini digunakan untuk mengatasi buffer flow.

• Untuk mengatasi waktu proses serta keakuratan dalam mendeteksi objek berupa mata, maka terlebih dahulu dilakukan pendeteksian pada wajah. Pendeteksian ini akan mempersempit ruang pendeteksian mata sehingga mempercepat waktu proses pendeteksian dengan tingkat keakuratan yang tinggi. Untuk pendeteksian wajah digunakan metode Viola-Jones.

3.2 Gambaran S ingkat Piranti Pendeteksian dan Analisa Kondisi Mata Tertutup Piranti pendeteksian dan analisis kondisi mata tertutup ini dibangun pada Visual C++ 2008 Express Edition dengan pustaka OpenCV dan menggunakan web cam sebagai sarana untuk mendapatkan masukan berupa citra. Citra ini akan diproses dengan teknik-teknik dasar dari pengolahan citra seperti cvCvtColor untuk mengubah RGB image menjadi Grayscale image, dan lainnya. Dalam

(4)

pendeteksian objek wajah pada citra digunakan teknik Viola-Jones. Teknik ini dikembangkan oleh Paul-Viola dan M ichael Jones, di dalam teknik ini mengandung fitur haar-like, algoritma adaboost, serta metode cascade of classifier. Setelah wajah terdeteksi, maka akan dilanjutkan dengan pendeteksian area mata yang terletak pada wajah. Area mata ini telah diperkirakan dengan perbandingan tertentu dari luas wajah secara keseluruhan. Area mata yang telah terdeteksi ini kemudian akan dilakukan analisa terhadap kondisi mata apakah mata dalam keadaan tertutup atau tidak.

Sistem ini dibangun pada visual C++ 2008 Express Edition dengan pustaka openCV. Berikut merupakan rancangan use class diagram dan activity diagram.

Gambar 3.1 Use Case Sistem

Sistem deteksi dan analisa kondisi mata

User

M endeteksi wajah dan mata

Analisa perubahan kondisi mata

(5)

Deskripsi Use Case :

1. M endeteksi wajah dan mata

Pada bagian ini dilakukan pendeteksian wajah yang diikuti oleh pendeteksian mata.

Flow of Events :

1. User menyalakan alat input berupa web cam atau handycam. 2. Sistem mengambil citra dari alat input.

3. Sistem mendeteksi wajah. 4. Sistem mendeteksi mata.

(6)

Gambar 3.2 Activity Diagram M endeteksi Wajah dan M ata

User Alat Input Sistem Layar

M engambil citra dari alat input M engcapture citra M engaktifkan alat input preprocessing M endeteksi wajah M endeteksi mata Action 2

(7)

2. Analisa perubahan kondisi mata

Pada bagian ini dilakukan analisa terhadap perubahan kondisi mata apakah dalam keadaaan tertutup atau tidak.

Flow of Events :

1. User menutup atau membuka mata.

2. Sistem menangkap perubahan kondisi pada mata. 3. Sistem menentukan kondisi mata saat ditangkap.

4. Sistem memunculkan warning berupa bunyi bila mata dalam keadaaan tertutup lebih dari waktu yang diperbolehkan.

(8)

\

Gambar 3.3 Activity Diagram Analisa Perubahan Kondisi M ata

User AlatInput Sistem Layar

M embandingkan kondisi mata dengan kondisi sebelumnya M engcapture citra M enutup atau membuka mata M elewati batas waktu normal Sistem warning M enentukan kondisi mata tertutup / terbuka

(9)

3.2.1 Perangkat Lunak Aplikasi

Perangkat keras tentunya tidak akan berfungsi tanpa ada perangkat lunak begitu pula sebaliknya. Kedua perangkat tersebut memang saling berkaitan sehingga komputer dapat berfungsi dengan baik. Perkembangan teknologi terutama dalam perangkat keras terus diimbangi oleh perangkat lunaknya sehingga penggunaan komputer lebih maksimal. Kemampuan komputer dirasakan sangat berkaitan dengan perangkat keras dan perangkat lunaknya, maka dari itu diperlukan perangkat lunak yang benar-benar mendukung perangkat kerasnya.

Seperti yang kita ketahui, komputer membutuhkan data atau fakta, di mana data ini pada saat diinput akan diterjemahkan menjadi bilangan biner. M esin komputer memproses fakta atau data menjadi sebuah informasi yang berguna bagi penggunanya. Dengan komputer diharapkan dapat meningkatkan hasil kerja dan mampu memecahkan masalah yang ada. Untuk itu dibuatlah perangkat lunak aplikasi (Application Software).

Perangkat lunak aplikasi adalah suatu subkelas perangkat lunak komputer yang memanfaatkan kemampuan komputer langsung untuk melakukan suatu tugas yang diinginkan pengguna. Biasanya dibandingkan dengan perangkat lunak sistem yang mengintegrasikan berbagai kemampuan komputer, tapi tidak secara langsung menerapkan kemampuan tersebut untuk mengerjakan suatu tugas yang menguntungkan pengguna. Contoh utama perangkat lunak aplikasi adalah pengolah kata, lembar kerja, dan pemutar media.

(10)

Beberapa aplikasi yang digabung bersama menjadi suatu paket kadang disebut sebagai suatu paket atau suite aplikasi (application suite). Contohnya adalah M icrosoft Office dan OpenOffice.org, yang menggabungkan suatu aplikasi pengolah kata, lembar kerja, serta beberapa aplikasi lainnya. Aplikasi-aplikasi dalam suatu paket biasanya memiliki antarmuka pengguna yang memiliki kesamaan sehingga memudahkan pengguna untuk mempelajari dan menggunakan tiap aplikasi. Sering kali, mereka memiliki kemampuan untuk saling berinteraksi satu sama lain sehingga menguntungkan pengguna. Contohnya, suatu lembar kerja dapat dibenamkan dalam suatu dokumen pengolah kata walaupun dibuat pada aplikasi lembar kerja yang terpisah.

3.3 Perancangan Perangkat Lunak Aplikasi

3.3.1 Proses Inisialisasi dan Pengambilan Input

Pada proses ini dilakukan inisialisasi terhadap ukuran mata dalam keadaan terbuka. Inisialisasi ini dilakukan dalam jumlah frame yang telah ditetapkan.

Program ini menggunakan input device berupa web-camera yang akan menangkap citra secara real time. Web-camera yang digunakan memiliki standar minimum 320x240 piksel dengan tingkatan minimum 15 fps (frame per second).

(11)

Gambar 3.4 Diagram alir pengambilan input

Proses pengambilan input citra diawali dengan menyediakan variabel template matriks yang berukuran 320x240. Setelah berhasil menciptakan variabel tersebut, maka lakukan pengecekan pada input device yaitu web-camera. Lakukan pengecekan capture apakah frame berhasil ditangkap, bila web cam telah berhasil melakukan proses capture maka proses pengambilan input template dapat dilakukan. Pengambilan input template menunjukan bahwa web cam telah beroperasi dengan baik. Frame ini yang nantinya akan menjadi input dalam sistem.

3.3.2 Tahap Preprocessing Pada Citra

Tahap preprocessing citra adalah urutan langkah awal yang dilakukan terhadap frame input sebelum masuk ke dalam proses pendeteksian objek. Preprocessing ini akan mengatur spesifikasi frame yang masuk agar sesuai dengan syarat proses pendeteksian objek pada frame. Urutan langkah yang dilakukan dalam proses preprocessing ini dimulai dari penerimaan frame sampai equalisasi histogram.

START

END

Inisialisasi variabel

Input

webcam Cek capture

Cek frame Simpan

(12)

Gambar 3.5 Diagram alir preprocessing citra

3.3.2.1 Inisialisasi variabel

M enyiapkan variabel yang akan digunakan untuk menampung tahap-tahap dari proses pengolahan citra ini. Variabel yang dibuat memiliki ukuran lebih kecil dari citra asli dengan skala tertentu. Hal ini bertujuan agar ukuran input pada proses pendeteksian wajah lebih kecil sehingga akan memperingan proses pendeteksian.

3.3.2.2 Pengambilan frame

Hasil tangkapan frame dari web-camera ini akan menjadi input dari sistem piranti lunak pendeteksian dan analisa kondisi mata tertutup.

3.3.2.3 Pencerminan citra

Dalam menangkap frame dari suatu objek menggunakan web-camera, frame dihasilkan merupakan pencerminan dari objek aslinya. Bagian dari sisi kanan objek akan menjadi sisi kiri pada frame, begitu pula sebaliknya. M asalah tersebut dapat diatasi START

END

Inisialisasi

variabel input Operasi flip

Operasi Grayscale Operasi Blur Equalisasi histogram

(13)

dengan menggunakan operasi flip. Operasi flip ini dilakukan dengan menyalin nilai warna dari citra asli secara berlawanan. Berikut adalah Pseudocode untuk penjelasan lebih lanjut mengenai operasi pencerminan.

PSEUDOCODE

Flip -> Inisialisasi variabel template matrix frame

Height -> set nilai tinggi frame Width -> set nilai lebar frame

For i=0 to (nilai height frame - 1)

For j = 0 to (nilai width frame - 1) For k = 0 to (nilai channel frame - 1) Begin Flip[i*stepp+(width- j)*channelframe+k] = frame[i*step+(j)] _* channelframe+k] End

Set frame = flip (mengembalikan nilai frame hasil pencerminan kepada variabel frame)

Operasi untuk mengakses nilai pada citra dilakukan dengan menggunakan Direct Access dengan sebuah pointer.

(14)

Gambar 3.6 Sebelum operasi flip

(15)

3.3.2.4 Konversi RGB To Gray

Proses yang sering dilakukan pada saat image processing adalah konversi citra berwarna menjadi gray-scale. Input citra yang diterima dari web cam berupa gambar RGB (Red Green Blue), sehingga perlu dilakukan proses konversi untuk menyederhanakan citra, dengan tujuan mengurangi tingkat kesalahan pada tahap-tahap berikutnya.

Citra RGB terdiri dari 3 layer matrik, yaitu Red layer, Green layer, dan Blue layer, maka pada proses konversi RGB to Gray dilakukan tranformasi dari sebuah image berwarna 24 bit dengan 3 channel menjadi sebuah image grayscale 8 bit dengan single channel. Konversi ini dilakukan dengan melakukan penjumlahan nilai bobot dari warna merah, biru, dan hijau dari citra berwarna. Rumus yang digunakan untuk mengkonversi warna pada citra adalah :

Y=0.299R+0.587G+0.114B

PSEUDOCODE

GrayImg -> Inisialisasi variable template matrix

untuk citra grayscale

Height -> Set nilai tinggi frame Width -> Set nilai lebar frame

For i = 0 to (nilai height frame -1)

(16)

GrayImg [i] [j] = frame [i] [j].r*0.299 + frame [i] [j].g*0.587+ frame [i] [j].b*0.114

3.3.2.5 Equalisasi Histogram

Equalisasi histogram bertujuan untuk meningkatkan detail dan kontras pada citra, terutama ketika data pada gambar dipresentasikan dengan nilai kontras yang sangat dekat. M elalui penyesuaian, intensitas warna pada citra dapat didistribusikan secara lebih baik pada histogram. Equalisasi ini membuat area dengan nilai kontras yang kecil mendapatkan nilai kontras yang tinggi tanpa mempengaruhi kontras secara keseluruhan. Hal ini dilakukan dengan melakukan penyebaran secara efektif dari nilai intensitas yang paling banyak.

3.3.3 Proses Pendeteksian Wajah

Proses pendeteksian wajah merupakan salah satu bentuk pengenalan pola pada citra. Citra yang digunakan dalam tahap ini merupakan citra yang telah berhasil ditangkap ke dalam frame oleh web cam dan telah mengalami tahap processing awal. Teknik yang digunakan pada proses pendeteksian wajah ini menggunakan teknik yang dikembangkan oleh viola-jones. Di dalam teknik ini terdapat metode cascade of classifier, haar-like feature classifier, dan lain-lain.

Cascade of calssifier adalah suatu metode klasifikasi yang menggunakan beberapa tingkatan dalam melakukan klasifikasi. Di tiap

(17)

tingkatan dilakukan pendeteksian menggunakan fitur haar-like yang jenis dan jumlahnya beragam (semakin tinggi tingkatan, semakin banyak jumlah fitur yang digunakan).

(18)

Positive Object Gagal Berh asil Negative O bject

START

Input cit ra hasil

preprocesing

Load temp late

wajah

Pendeteksian wajah

Menghitung wakt u

pendeteksian

hasil

Pemberian

lingkaran pad a

w aj ah

END

Tidak terdet eksi

wajah

Coba masukkan

template lain

(19)

Proses diawali dengan mengambil citra dari hasil preprocessing. Setelah itu dilakukan pengambilan template wajah yang telah disediakan oleh OpenCV. Template yang tersedia merupakan hasil training, ada beberapa template yang disediakan oleh OpenCV untuk mendeteksi wajah seperti haarcascade_frontalface_alt.xml. Setiap template memiliki isi yang berbeda baik dari segi jumlah stage, jumlah tree, model segi empat dari fitur (rectangle) maupun nilai treshold nya. Dengan memilih salah satu dari kelima template itu, pendeteksian wajah pun dapat dilakukan. Template yang digunakan dalam sistem ini adalah haarcascade_frontalface_alt.xml. Template ini kami gunakan karena dalam proses pendeteksian wajah secara frontal yang kami coba memberikan hasil yang lebih stabil dibandingkan dengan template lain.

Setelah berhasil mengambil template dari OpenCV, maka proses pendeteksian wajah dapat dilanjutkan dengan menggunakan fungsi cvHaarDetectObjects. Fungsi ini akan melakukan proses klasifikasi berdasarkan dari template yang ada terhadap citra input. Pengklasifikasian akan membagi antara sub window yang berupa citra wajah (positif objek) dengan citra selain wajah (negatif objek).

<?xml version="1.0"?> <opencv_storage>

<haarcascade_frontalface_alt2

classifier">

(20)

(21)

<left_val>0.8965256810188294</left_val> <right_val>0.2629314064979553</right_val></_></_> <_> …  … <stage_threshold>0.3506923019886017</stage_threshold> <parent>-1</parent> <next>-1</next></_> <_>  …  <trees> <_>  …  <stage_threshold>53.7555694580078130</stage_threshold> <parent>18</parent> <next>-1</next></_></stages></haarcascade_frontalface_alt2> </opencv_storage>

Stage melambangkan banyaknya tingkatan dalam cascade of classifier, dalam template ini digunakan 20 tingkatan (stage 0 sampai stage

(22)

19). Tingkatan ini digunakan untuk mengurangi jumlah sub window citra yang perlu diperiksa. Di tingkatan pertama dilakukan pengklasifikasian terhadap seluruh sub window citra, lalu di tingkatan kedua dilakukan pengklasifikasian terhadap sub window yang berasal dari hasil pengklarifikasian tingkatan pertama. M aka semakin tinggi tingkatanya semakin sedikiit jumlah sub window yang harus diperiksa. Di tiap tingkatan terdiri dari beberapa tree, biasanya semakin tinggi tingkatan maka tree yang terdapat di dalamnya pun semakin banyak. Pada stage 0 terdapat 3 tree dan pada stage 19 terdapat 109 tree. Di dalam tree terdapat haar-like feature dan adaboost algorithm. M odel haar-like feature ditampilkan dalam koordinat segi empatnya (rects) sedangkan adaboost algorithm digunakan untuk pembobotan ulang weight agar diperoleh strong algorithm, sedangkan proses adaboost ini terjadi di dalam tree.

(23)

Gambar 3.9 Cascade of Classifier

Semakin tinggi stage maka jumlah sub window yang diperiksa semakin sedikit akan tetapi jumlah tree yang berfungsi untuk melakukan pengecekan semakin banyak. Hal ini yang memberikan keseimbangan antara waktu proses dan tingkat kompleksitas pada cascade of classifier, sehingga metode ini akan memperoleh hasil dengan nilai error rendah pada waktu yang relatif singkat.

Setelah proses pendeteksian wajah berhasil dilakukan, maka sistem akan menetukan sub window mana yang mengandung gambar wajah dan tidak. Pada citra yang mengandung gambar wajah dilakukan proses pemberian kotak di sekitar wajah. Hal ini untuk mengecek apakah proses

(24)

pendeteksian wajah ini telah berhasil mengenali wajah pada citra dengan tepat dan menentukan letak wajah pada citra.

Dengan mempertimbangkan tujuan utama dari sistem yaitu untuk menciptakan sebuah piranti lunak aplikasi pendeteksian dan analisa kondisi mata tertutup dengan satu orang pengguna, maka pada sistem ini wajah yang dideteksi hanyalah wajah pengguna. Piranti lunak aplikasi ini mengasumsikan bahwa wajah pengguna adalah wajah yang pertama kali terdeteksi.

Gambar 3.10 Hasil Pendeteksian Area Wajah

3.3.4 Proses Penentuan Area Mata

Proses penentuan mata merupakan kelanjutan dari proses pendeteksian wajah pada citra. Di mana citra input yang digunakan di dalam tahap ini adalah sub window yang telah berhasil dideteksi sebagai wajah.

(25)

Proses penentuan area mata ini menggunakan sebuah nilai perbandingan dari luas area wajah, nilai perbandingan ini telah teruji dan luas area wajah diperoleh dari hasil pendeteksian wajah.

Pada pendeteksian wajah ketika terdeteksi maka akan dikembalikan parameter berupa koordinat titik sebelah kiri atas serta panjang dan lebar dari sub window yang berisi citra wajah.

Penggunaan perbandingan untuk menentukan area mata pada citra wajah akan mempercepat proses pencarian.

Dari perhitungan ini akan dapat diperkirakan posisi dari bola mata, selanjutnya dari posisi yang belum pasti ini akan dilakukan pencarian mengenai letak pasti dari bola mata.

(26)

3.3.5 Proses Deteksi Kondisi Mata 3.3.5.1 Peningkatan Contrast

Peningkatan contrast digunakan untuk mempertinggi perbedaan detail warna pada citra sehingga perbedaan antara daerah mata dan kulit semakin jelas.

Rumus F(s) = ((((s/255)-0.3)*contrast)+0.3)*255 Jika F(s)>255 -> F(s) = 255;

Jika F(s)<0 -> F(s) = 0;

Ket : s = Nilai tingkat grayscale pada pixel Contrast = nilai contrast (±100)

Pseudocode

Set n -> nilai contrast (-100 sd 100)

For X dari 0 sampai tinggi area mata terdeteksi For y dari 0 sampai lebar area mata terdeteksi Begin

Pixel = getPixel (x,y)

Pixel = ((((pixel/255)-0.3)*n)+0.3)255 If Pixel > 255 then Pixel = 255

If Pixel < 0 then Pixel = 0 SetPixel (x,y) = pixel End

(27)

3.3.5.2 Peningkatan Brightness

Peningkatan brightness dilakukan untuk memisahkan antara objek gelap dan objek terang pada wajah, dengan landasan bahwa warna bola mata cenderung mempunyai warna yang gelap dibandingkan bagian wajah lainnya (selain rambut).

Teori utama dari brightness adalah menambahkan nilai intensitas warna sebanyak nilai yang kita tentukan agar warna cenderung menjadi lebih terang.

Rumus

F(s) = s+b;

If f(s) > 255 then f(s) = 255 If f(s) < then f(s) = 0;

Ket : s = Nilai tingkat grayscale pada pixel b = Nilai brightness (-245 sampai 254)

Pseudocode

Set n = nilai brightness (-255 sd 255)

For x dari 0 sampai tinggi area mata terdeteksi For y dari 0 sampai lebar area mata terdeteksi

Begin

Pixel = getPixel (x,y) Pixel = pixel + n

If Pixel > 255 then Pixel = 255 If Pixel < 0 then pixel = 0

SetPixel(x,y) = pixel

(28)

3.3.5.3 Penentuan Kondisi Mata Tertutup

Dalam menentukan kondisi mata tertutup dilakukan dengan cara menaikan kontras dan pemisahan area gelap dan terang dengan meningkatkan brightness maka sudah dapat dideteksi apakah mata sedang terbuka atau tertutup, di saat mata terbuka akan terdeteksi piksel hitam yang berasal dari bagian bola mata. Dengan membandingkan nilai piksel hitam dari frame sebelumnya, maka dapat ditentukan apakah mata terbuka atau tertutup.

(29)

Gambar 3.13 Hasil Proses Citra (Contoh M ata Tertutup)

Pada gambar 3.12 menunjukan hasil proses citra setelah dilakukan peningkatan kontras dan brightness, didapatkan mata terbuka karena didaerah mata masih terdapat pixel hitam yang merupakan bagian bola mata. Sedangkan pada gambar 3.13 merupakan hasil proses citra yang menunjukan mata tertutup dikarenakan daerah mata hampir tidak ditemukan nilai pixel hitam. Penentuan dilakukan dengan melihat jumlah pixel hitam yang terdapat didaerah bagian mata, apabila jumlah pixel hitam lebih kecil dari nilai maksimum maka dipastikan bahwa mata user sedang tertutup, sedangkan bila jumlah pixel hitam sebanding dari nilai maksimal maka mata user dipastikan sedang terbuka.

(30)

Untuk mengurangi kesalahan pendeteksian mata tertutup, maka untuk mengirim signal mata tertutup akan dilakukan proses pendeteksian selama 10 frame (sekitar 2 detik), apabila hanya tertutup sebentar atau sekejap saja maka hanya akan dianggap berkedip tanpa ada proses lebih lanjut. Sedangkan apabila mata tertutup, maka akan dikirimkan signal untuk menyalakan warning.