BAB I
PENDAHULUAN
1.1 Latar Belakang MasalahSalah satu kebutuhan dasar manusia adalah tidur. Jika kegiatan ini terganggu oleh beberapa faktor, maka akan memunculkan rasa kantuk yang dapat memperburuk fungsi psikomotorik dan fungsi kognitif sehingga menurunnya konsentrasi dan penindakan manusia [1]. Rasa kantuk dapat dideteksi melalui dua cara, yaitu secara kontak langsung dan tidak langsung. Pada kontak langsung dibutuhkan pengukuran denyut nadi dan suhu tubuh manusia, sedangkan pada kontak tidak langsung melalui pendeteksian dan penganalisisan perubahan ekspresi wajah manusia [2,3]. Kantuk akan merugikan orang lain jika dialami oleh pengemudi, yang menyebabkan terjadinya kecelakaan lalu lintas.
Jumlah kejadian kecelakaan lalu lintas di Indonesia periode Januari-Mei tahun 2017 hingga tahun 2018 mengalami peningkatan tujuh persen. Menurut Budiyanto, selaku Kepala Sub Direktorat Pembinaan dan Penegakan Hukum Direktorat Lalu Lintas Polda Metro Jaya AKBP kecelakaan tersebut paling banyak disebabkan oleh human error seperti pengemudi lelah, mengantuk, dan kurang fit. Kemudian berdasarkan data yang diperoleh National Highway Traffic Safety Administration (NHTSA), lebih dari 1550 orang tewas dan 71000 orang terluka setiap tahun karena kecelakaan lalu lintas yang disebabkan oleh pengemudi mengantuk [4]. Untuk mengurangi persentase kejadian tersebut, maka dibutuhkan sebuah alat yang dapat mendeteksi kantuk seseorang, sehingga dapat memberitahu dan memperingkatkan tentang kondisi pengemudi.
Gupta, dkk [5] mendeteksi kantuk dan kelelahan pengemudi menggunakan
Histogram Oriented Gradient (HOG) dan Support Vector Machine (SVM) untuk proses pendeteksian dan pengenalan titik-titik wajah. Kemudian, menggunakan
Local Binary Patterns Histograms (LBPH) untuk menentukan apakah sistem mendeteksi pengemudi yang sama atau berbeda. Dalam pendeteksian kantuk dan menguap, digunakan penggambaran 68 landmarks pada daerah wajah, lalu menghitung Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR). Nilai EAR
dan MAR tersebut akan dibandingkan dengan nilai threshold yang telah disesuaikan berdasarkan jarak dari kamera ke pengemudi, sehingga kondisi mengantuk dan menguap akan diketahui. Sistem akan lebih sensitif dalam mendeteksi kelelahan jika waktu pengemudi dalam menyetir semakin bertambah.
Tafreshi, dkk [6] melakukan penelitian pendeteksian kantuk pengemudi dengan menggunakan fitur Haar yang berfungsi untuk mendeteksi warna dan intensitas area wajah. Kemudian dengan hasil ekstraksi daerah mata dari histogram
local binary pattern (LBP) dan mean local binary pattern (MLBP) akan dilakukan pendeteksian kondisi mata yang diaplikasikan ke dua SVM pengklasifikasi. Kondisi mata tertutup atau tidak berdasarkan hasil yang bertentangan antara pengklasifikasi LBP dan MLBP, jumlah sklera yang terbuka.
Pada Tugas Akhir ini, dilakukan studi awal pada sistem deteksi kantuk yang dirancang menggunakan cara kontak tidak langsung sehingga diharapkan sistem ini tidak diabaikan oleh objek yang dilakukan penelitian. Sistem pendeteksi kantuk yang dirancang ini berfokus pada proses pengklasifikasian ekspresi pada sampel objek yang berupa manusia. Metode yang digunakan adalah metode HOG dan SVM. Metode HOG merupakan metode ekstraksi yang mengekstraksi fitur di setiap
block sehingga memberikan deskripsi yang akurat [7]. Sementara, SVM merupakan metode klasifikasi yang bersifat Structural Risk Minimization (SRM) sehingga memberikan error generalisasi yang kecil. Perancangan sistem pendeteksi kantuk ini diharapkan dapat dikembangkan sehingga dapat diterapkan secara nyata ke pengemudi. Dengan begitu, sistem yang dibuat akan dapat meminimalisir angka kecelakaan lalu lintas akibat lelah dan kantuknya pengemudi.
1.2 Rumusan Masalah
Berdasarkan latar belakang terkait, maka rumusan masalah dalam Tugas Akhir ini adalah :
1.Bagaimana merancang sebuah sistem yang mampu melakukan deteksi ekspresi kantuk berbasis pengolahan citra digital?
2.Bagaimana performansi sistem yang dirancang berdasarkan parameter yang digunakan?
1.3 Tujuan dan Manfaat
Berdasarkan rumusan masalah yang telah disebutkan, maka Tugas Akhir ini bertujuan untuk:
1.Merancang sistem berbasis pengolahan citra digital yang mampu mendeteksi ekspresi kantuk menggunakan metode HOG dan klasifikasi SVM.
2.Menganalisis performansi sistem berdasarkan parameter akurasi dan waktu komputasi.
Adapun manfaat dari Tugas Akhir ini, yaitu sebagai studi awal sistem deteksi kantuk yang dilakukan melalui pendeteksian ekspresi wajah sampel objek dalam keadaan normal, lelah, dan mengantuk sehingga dapat dijadikan acuan untuk studi sistem deteksi kantuk pada pengemudi yang diharapkan dapat meningkatkan keselamatan pengemudi dan orang disekitarnya sehingga berkurangnya angka kecelakaan lalu lintas akibat pengemudi yang kurang tidur dan kelelahan.
1.4 Batasan Masalah
Dalam penulisan Tugas Akhir ini, adapun ruang lingkup pembahasan masalah hanya dibatasi pada :
1.Sistem yang dirancang merupakan sistem tidak real-time.
2.Input sistem pendeteksi kantuk ini berupa video sampel objek pada ruang warna RGB dengan resolusi 1280 × 720 piksel.
3.Sampel objek yang sistem gunakan berupa kondisi wajah manusia saat kondisi normal, lelah, dan mengantuk.
4.Format data latih yang digunakan adalah .jpg dan .mp4 untuk data uji.
5.Jumlah data latih yang digunakan sebanyak 5314 citra, dan data uji yang digunakan sebanyak 45 video.
6.Pengambilan data uji dan data latih menggunakan kamera handphone dalam posisi landscape.
8.Data latih dan data uji menggunakan background polos dengan dua jenis warna, yaitu biru muda dan merah muda.
9.Pengujian sistem dilakukan kepada sampel objek yang tidak memakai kacamata dan memakai kacamata.
10.Output yang dihasilkan sistem adalah label ‘1’, ‘2’, atau ‘3’ pada tiap frame
video data uji.
1.5 Metode Penelitian
Metode dalam proses penyelesaian Tugas Akhir ini terdiri dari beberapa tahapan yaitu :
1. Studi Literatur
Pada tahap ini melakukan identifikasi masalah dengan melakukan studi literatur terkait ciri-ciri orang mengantuk, pengolahan citra digital, teknik pengekstraksian ciri wajah menggunakan metode HOG, dan pengklasifikasian ekspresi normal, kantuk, dan lelah menggunakan pengklasifikasi SVM.
2. Pengumpulan Data
Melakukan pengumpulan teori yang berkaitan dengan masalah yang diidentifikasi melalui berbagai sumber seperti face detection, drowsiness detection, Viola-Jones algorithm, Histogram of Oriented Gradient (HOG), dan
Support Vector Machine (SVM). Kemudian, dilakukan pengumpulan dataset
melalui pengambilan data sebanyak 90 video. Data tersebut merupakan video berdurasi 10 detik yang diambil dari 30 individu pada tiga macam kondisi. 3. Perancangan Sistem
Setelah semua data yang diperlukan telah terkumpul, langkah berikutnya adalah melakukan perancangan. Perancangan sistem dilakukan melalui
flowchart yang bermula dari tahap pre-processing, ekstraksi ciri dengan HOG, klasifikasi dengan SVM, hingga pengecekan hasil klasifikasi dengan karakteristik ekspresi.
4. Implementasi Sistem
Berdasarkan flowchart yang telah dirancang, tahap selanjutnya adalah membuat sistem deteksi kantuk melalui software MATLAB. Performansi
5. Pengujian dan Analisis
Melakukan pengujian sistem pendeteksi kantuk pengemudi dengan mengubah parameter HOG seperti block size, cell size, dan bins number serta parameter
multi-class SVM yaitu coding designnya. Kemudian analisi akan dilakukan berdasarkan hasil pengujian yang telah didapatkan tersebut.
6. Penutup
Penarikan kesimpulan didapatkan berdasarkan hasil pengujian dan analisis yang telah didapatkan. Kesimpulan ini sebagai penutup dari perancangan sistem deteksi kantuk dengan menggunakan metode HOG dan klasifikasi SVM ini.
1.6 Sistematika Penulisan
Sistematika penulisan Tugas Akhir ini, yaitu: 1. BAB 1 PENDAHULUAN
Bab ini berisi latar belakang masalah penelitian yang dilakukan, rumusan masalah, tujuan dan manfaat, batasan masalah, metodologi penulisan, dan sistematika penulisan.
2. BAB II KONSEP DASAR
Bab ini berisi penjelasan teori terkait penelitian yang dilakukan seperti citra dan proses pengolahan citra, algoritma Viola-Jones, metode Histogram of Oriented Gradient (HOG), dan klasifikasi Support Vector Machine (SVM). 3. BAB III PERANCANGAN SISTEM
Bab ini berisi perancangan sistem berupa alur kerja sistem deteksi ekspresi kantuk dimulai dari face detection menggunakan Viola-Jones, cropping
citra bagian wajah, ekstraksi dengan HOG, klasifikasi dengan SVM, hingga penyesuain hasil klasifikasi dengan karakteristik ekspresi. Pada bab ini juga menjelaskan mengenai dataset dan parameter performansi.
4. BAB IV PENGUJIAN DAN ANALISA
Bab ini berisi penjabaran hasil pengujian yang dilakukan dan analisis performansi sistem dari hasil pengujian tersebut melalui parameter akurasi dan waktu komputasi.
5. BAB V KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran dari hasil analisis penelitian dengan tujuan agar diketahuinya kelebihan dan kekurangan sistem yang dirancang sehingga performansi sistem dapat meningkat pada penelitian selanjutnya.
