Fakultas Ilmu Komputer
Universitas Brawijaya 5163
Pengembangan Aplikasi Pendeteksi Kelelahan bagi Pengendara Mobil berbasis Android melalui Face Recognition
Rahmat Adi Setiawan1, Fajar Pradana2, Fitra Abdurrachman Bachtiar3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Salah satu penyebab utama yang menjadi penyebab kecelakaan kendaraan bermotor adalah faktor manusia seperti mengantuk saat berkendara sebesar 35% dari jumlah kecelakaan lalu lintas di Indonesia.
Untuk mencegah dan mengurangi persentase kecelakaan lalu lintas dan kerugian materi dikarenakan faktor tersebut, melalui penelitian ini akan dikembangkan sistem deteksi kelelahan pada pengendara mobil. Penelitian ini akan berfokus pada pengembangan metode deteksi kelelahan secara isyarat visual yaitu metode Percentage of Eye Closure (PERCLOS), dimana dalam metode tesebut mengukur persentase ketutupan mata terhadap waktu untuk mengindikasikan kelelahan pengendara mobil. Sistem dapat memberitahukan kelelahan yang terdeteksi dengan suatu sinyal kepada pengendara mobil, mengarahkan pengendara mobil ke tempat untuk beristirahat, memberitahukan orang terdekat dengan pengendara mobil ketika kelelahan terdeteksi dan fungsi gawat darurat tanpa melalui pendeteksian kelelahan. Sistem diimplementasikan dalam smartphone dengan sistem operasi berbasis Android.
Model waterfall digunakan dalam pengembangan sistem ini. Hasil analisa kebutuhan menghasilkan 8 kebutuhan fungsional dan 1 kebutuhan non fungsional dalam pengembangan sistem. Hasil 100% pass didapatkan dalam hasil pengujian unit dan hasil 100% pass didapatkan melalui pengujian validasi dengan 15 kasus uji. Diharapkan adanya penerapan sistem berbasis web yang dapat digunakan untuk integrasi sistem deteksi kelelahan agar dapat mengelola data-data pengguna sistem deteksi kelelahan dalam skala besar.
Kata kunci: sistem deteksi, ketutupan mata, kelelahan, pengendara mobil, Android Abstract
One of the main causes of vehicle traffic accidents are human factors such as sleepiness during driving, which is 35% of total traffic accidents in Indonesia. In order to prevent and minimize the percentage of traffic accidents and material loss caused by that factor, through this research will be developed a fatigue detection system for car drivers. This research will be focusing on the development of fatigue detection method through visual cues with Percentage of Eye Closure (PERCLOS) method, which in that method measures the eye closure percentage against time to indicate the fatigue of a car driver.
The system will be able to give the car driver a signal for a detected fatigue, directing the car driver to an area to rest, contacting the close related person to the car driver when fatigue detected and an emergency function to do that without a need of fatigue detection. This system will be implemented in a smartphone with Android-based operating system. Waterfall model is used for the development process of this system. The requirement analysis produced produced 8 functional requirements and 1 non- functional requirement in the development process. Unit testing has 100% pass result and validation testing has 100% pass result which has 15 test cases. The system expected a web-based implementation that can be used to integrate the fatigue detection system to handle user data in fatigue detection system in a large scale.
Keywords: detection system, eye closure, fatigue, car driver, Android
1. PENDAHULUAN
Perkembangan kendaraan di Indonesia jumlah kendaraannya semakin bertambah setiap
tahunnya. Jumlah mobil di Indonesia pada tahun 2019 telah mencapai 20,8 juta unit. Dalam total angka tersebut, diantaranya yaitu mobil
penumpang dengan jumlah 15,5 juta unit, kemudian mobil barang 5,02 juta unit, serta mobil bis dengan jumlah 231 ribu unit (Badan Pusat Statistik, 2019). Untuk mengendarai suatu mobil diperlukan manusia terlibat di dalamnya untuk mengendalikannya. Dari angka total jumlah mobil yang disebutkan, maka 20,8 juta lebih jiwa manusia termasuk penumpang akan terlibat dalam lalu lintas, bahkan lebih banyak jika melibatkan pengendara sepeda motor.
Jumlah kecelakaan lalu lintas di Indonesia pada tahun 2017 dapat dikatakan lebih rendah dari tahun-tahun sebelumnya, namun masih dalam angka yang cukup besar. Jumlah kecelakaan kendaraan bermotor yang turun menjadi 98.419 kali dari tahun sebelumnya berdasarkan data dari Kepolisian Republik Indonesia. Pada tahun 2018 lalu, korban kecelakaan lalu lintas yang tewas mencapai 25.859 jiwa dan korban yang mengalami luka berat 16.159 jiwa. Salah satu penyebab utama kecelakaan kendaraan bermotor adalah faktor dari pengendaranya seperti mengantuk saat berkendara atau ketidakcakapan pengendara sebesar 35%. Selain itu, jumlah kerugian materi akibat kecelakaan lalu lintas mencapai Rp. 272 miliar berdasarkan data Statistik Transportasi Badan Pusat Statistik pada tahun 2015. Kerugian ini disebabkan oleh akibat kecelakaan yang mencapai 99 ribu kasus sepanjang tahun itu.
Jumlah kerugian ini mengalami peningkatan sebesar 5,79 persen. Padahal, jumlah kecelakaan hanya meningkat 3,19 persen (Katadata, 2018). Berdasarkan dari data kecelakaan lalu lintas yang dijelaskan sebelumnya, telah disebutkan bahwa sebagian besar kecelakaan tersebut disebabkan oleh faktor manusia seperti mengantuk pada saat berkendara, yaitu 35% dari jumlah kecelakaan lalu lintas yang terjadi di Indonesia. Untuk mencegah dan mengurangi persentase kecelakaan lalu lintas dan kerugian materi dikarenakan faktor tersebut, maka diperlukan suatu penelitian yang dapat menghasilkan sebuah metode dalam upaya tersebut.
Pada saat ini, penelitian yang terkait dengan deteksi kelelahan pada pengendara mobil telah ditingkatkan dan juga menghasilkan berbagai macam metode dalam hal tersebut. Untuk mendeteksi kelelahan pengendara mobil, terdapat 3 metode yang dilakukan, yaitu pengukuran fisiologis, performa mengemudi, dan isyarat visual (Coetzer & Hancke, 2009).
Fisiologi dan isyarat visual dimonitor secara
langsung oleh pengendara mobil, sedangkan performa mengemudi dimonitor secara tidak langsung.
Penelitian yang berfokus pada pendeteksian pengendara mobil melewati pengukuran fisiologis, yaitu dengan menggunakan elektroensefalografi (EEG) untuk mengukur gelombang otak, elektrooculogram (EOG) untuk mengukur pergerakan mata dan elektrokardiogram (ECG) untuk mengukur aktivitas jantung pada pengendara mobil (Pritchett, et al., 2011). Namun, metode yang digunakan dalam penelitian tersebut menggangu pengendara mobil yang disebabkan oleh pemasangan elektroda pada tubuh. Pendeteksian kelelahan pengendara mobil melewati performa mengemudi dilakukan dengan mengukur arah pergerakan mobil seperti sudut setir mobil, posisi sisi mobil atau kecepatan mobil tersebut (Eskandarian & Mortazavi, 2007). Pada tahun 2008 tersebut, mobil-mobil kelas E Mercedes Benz memperkenalkan Attention Assist System dimana pendeteksian kelelahannya berfokus pada pergerakan setir mobil (Breuer, 2008).
Namun, sistem ini sensitif terhadap jalan yang buruk, variasi kondisi cuaca dan keahlian pengendara mobil. Penelitian yang berfous pada isyarat visual dilakukan pada tahun 1994 dengan metode PERCLOS (Percentage of Eye Closure) (Wierwille, et al., 1994), dimana dalam metode tesebut mengukur persentase ketutupan mata terhadap waktu untuk mengindikasikan kelelahan pengendara mobil saat mata tertutup 80 persen. (He, et al., 2013). Validitas metode PERCLOS tersebut lalu dibuktikan dalam penelitian pada tahun 1998 (Dinges, et al., 1998).
Metode berbasis visual ini tidak bersifat intrsusif dan mengganggu pengendara mobil. Selain itu, metode ini juga memberikan hasil yang akurat.
Menurut Nguyen (2015), batas indikasi kelelalahan berdasarkan nilai PERCLOS yaitu 15 persen dari sampel yang mata tertutup yang terdeteksi sebagai level tertinggi dari kelelahan.
Pada saat ini banyak penelitian pendeteksian kelelahan pengendara mobil menggunakan metode PERCLOS. Beberapa dari penelitan tersebut menerapkan machine learning seperti Neural Networks dan Support Vector Machine (SVM). Penelitian lainnya menerapkan metode klasifikasi seperti Haar Like Features dan Local Binary Features. Dalam beberapa penelitian awal terhadap hal ini, terdapat juga studi yang menggabungkan kedua machine learning dan metode klasifikasi. Hasil metode dari beberapa
penelitian tersebut cukup memuaskan dalam mendeteksi kelelahan secara akurat. Namun, metode yang dihasilkan hanya berakhir pada sebatas pemberian sinyal kepada pengendara mobil yang sedang mengantuk tanpa adanya pengarahan apa yang harus dilakukan oleh pengendara mobil dan juga kurangnya mekanisme untuk memberikan pemberitahuan kepada orang yang terdekat dengan pengendara mobil tersebut (Bachtiar, et al., 2019).
Berdasarkan dari permasalahan terebut, beberapa penelitian dilakukan untuk mengembangkan dan menutupi permasalahan sistem pendeteksian kelelahan pengendara mobil tersebut. Salah satunya adalah penelitian oleh Fitra Abdurrachman Bachtiar, Choirul Huda, dan Ahmad Afif Supianto dari Universitas Brawijaya pada tahun 2019. Penelitian tersebut dilakukan dengan mendeteksi kelelahan pada mata dengan menggunakan Histogram Oriented Gradient (HOG) yang dioptimisasikan dengan Linear Support Vector Machine (SVM) untuk deteksi mata pada wajah dan metode PERCLOS pada mata sebagai penentu apakah pengendara mobil tersebut terhitung lelah atau tidak. Hasil implementasi menggunakan metode tersebut didapatkan nilai akurasi sebesar 89% dalam mendeteksi kelelahan pada mata. Dalam penelitian tersebut juga menerapkan metode broadcasting melalui bot Telegram yang digunakan sebagai sarana pemberitahuan terhadap orang terdekat dengan pengendara mobil beserta dengan koordinat terakhir pengendara tersebut pada Google Maps. Namun dalam sistem tersebut terdapat kurangnya fungsi yang berkemampuan untuk mengarahkan pengendara mobil ke tempat yang digunakan untuk beristirahat dan juga kurangnya fungsi gawat darurat dalam pemberitahuan kelelahan pengendara mobil secara langsung tanpa melalui pendeteksian.
Dalam hal-hal yang diuraikan sebelumnya, melalui penelitian ini akan dikembangkan sistem deteksi kelelahan pada pengendara mobil yang telah dihasilkan sebelumnya. Penelitian ini akan berfokus pada pengembangan metode deteksi kelelahan yang dijadikan sebagai companion app dalam smartphone. Pada saat ini, smartphone merupakan device yang menemani seseorang dimanapun dan kapanpun dan dari pernyataan tersebut, maka sistem tersebut harus diterapkan berbasis mobile. Setelah melakukan studi pada penelitian-penelitian sebelumnya, maka aplikasi tersebut tidak hanya harus
memiliki fungsi dimana aplikasi dapat mendeteksi pengendara mobil dengan metode PERCLOS dan memberitahukan hal tersebut dengan suatu sinyal kepada pengendara mobil saja, namun juga harus dapat mengarahkan pengendara mobil ke tempat untuk beristirahat, memberitahukan orang terdekat dengan pengendara mobil ketika kelelahan terdeteksi dan fungsi gawat darurat tanpa melalui pendeteksian kelelahan. Aplikasi deteksi kelelahan pengendara mobil yang dikembangkan akan dirancang berdasarkan kebutuhan dari fungsi-fungsi tersebut dan diimplementasikan dalam smartphone dengan sistem operasi berbasis Android. Lalu, Metode pendeteksian wajah yang digunakan dalam aplikasi ini menggunakan resource dalam librari Luxand FaceSDK tanpa mengetahui metode deteksi dalam librari tersebut. Fungsi-fungsi aplikasi deteksi kelelahan pengendara mobil akan diuji dan dianalisa untuk mengetahui apakah aplikasi yang dikembangkan layak untuk diimplementasi dalam lalu lintas masyarakat.
2. LANDASAN KEPUSTAKAAN
Penelitian sebelumnya yang dijadikan sebagai referensi pada penelitian ini yaitu berjudul “Reporting Sleepy Driver into Channel Telegram via Telegram Bot” yang dilakukan oleh (Bachtiar, et al., 2019) dari Universitas Brawijaya pada tahun 2019. Penelitian tersebut dilakukan dengan mendeteksi kelelahan pada mata dengan menggunakan Histogram Oriented Gradient (HOG) yang dioptimisasikan dengan Linear Support Vector Machine (SVM) untuk deteksi mata pada wajah dan pendekatan PERCLOS (Percentage of Closure) pada mata sebagai penentu apakah pengendara mobil tersebut terhitung lelah atau tidak. Hasil implementasi menggunakan metode tersebut didapatkan nilai akurasi sebesar 89% dalam mendeteksi kelelahan pada mata. Dalam penelitian tersebut juga menerapkan metode broadcasting melalui bot Telegram yang digunakan sebagai sarana pemberitahuan terhadap orang terdekat dengan pengendara mobil beserta dengan koordinat terakhir pengendara tersebut pada Google Maps. Selain penelitian tersebut, terdapat juga dua jurnal penelitian yang akan dijadikan sebagai dasar untuk penelitian ini yaitu berjudul “Fatigue Detection using Smartphones” oleh (He, et al., 2013) dan “Eye Tracking System to Detect Driver Drowsiness” oleh (Nguyen, et al., 2015).
Persamaan pendekatan antara penelitian ini dan penelitian sebelumnya yang dilakukan oleh Fitra Abdurrachman Bachtiar, Choirul Huda, dan Ahmad Afif Supianto yaitu kedua penelitian menggunakan salah satu fitur wajah yaitu mata sebagai region of interest (ROI) dalam deteksi kelelahan pengendara mobil dan melakukan pemberitahuan terhadap orang terdekat pengendara mobil dengan mengirimkan koordinat Google Maps terakhir. Perbedaan penelitian ini dengan penelitian sebelumnya adalah pada penelitian sebelumnya melakukan pendeteksian wajah dan mata dengan menggunakan HOG dan SVM, sedangkan pada penelitian ini menggunakan resource yang sudah ada di dalam librari Luxand FaceSDK untuk deteksi wajah dan mata tanpa mengetahui metode yang digunakan di dalam librari tersebut.
Media pemberitahuan yang digunakan juga berbeda, dimana penelitian sebelumnya menggunakan Telegram dan bot Telegram, sedangkan pada penelitian ini menggunakan media SMS (Short Message Service). Sebagai tambahan untuk penelitian sebelumnya, dalam peneletian ini ditambahkan fitur untuk membuka Google Maps untuk menunjukkan lokasi rest area terdekat sebagai pencegahan kecelakaan lalu lintas.
2.1. Model Waterfall
Model publik pertama yang diperoleh dari proses pengembangan sistem secara umum yaitu model waterfall. Alur kerja dari model waterfall ini yaitu melalui satu tahap ke tahap lain mengalir ke bawah. Sebelum semua aktivitas dilakukan, dalam model waterfall dilakukan proses perancaan terlebih dahulu sebelum memulai pengembangan sistem (Sommerville, 2011). Pada Gambar 1 dibawah ini merupakan tahap-tahap dalam model waterfall.
Gambar 1 Model Waterfall Sumber: Bassil (2012) 2.2. Face Recognition
Face Recognition adalah sistem yang dibuat untuk mengenali wajah melalui gambar atau
video digital (howstuffworks, 2018). Metode untuk melakukannya yaitu mengambil keunikan wajah diambil pada gambar atau video dan akan dibandingkan dengan basis data wajah yang telah tersedia. Identifikasi wajah didasarkan pada keunikan yang didapat pada gambar seperti ukuran mata, rahan, hidung, pipi atau posisi.
Gambar 2 Contoh Face Recognition 2.3. Deteksi Kelelahan
Istilah kelelahan yang digunakan dalam penelitian ini yaitu dihubungkan dengan kantuk, dimana hal tersebut dapat menyebabkan dorongan untuk tidur secara biologis. Hal tersebut dapat menyebabkan masalah yang serius apabila dialami pada waktu yang tidak tepat, terutama dalam berkendara. Deteksi kelelahan pada pengendara mobil yang akurat telah dilakukan oleh banyak penelitian.
Pendekatan yang sering digunakan secara dominan yaitu dengan melakukan observasi terhadap aktivitas otak menggunakan Electroencephalography (EEG) (Pritchett, et al., 2011).
Namun sistem tersebut rumit untuk diimplementasikan. Penggunanya harus memakai perangkat khusus yang dipasangkan di atas kepala pengendara. Hal tersebut mengganggu penglihatan pengendara saat mengendara. Dikarenakan hal itu, dikembangkanlah metode baru untuk mendeteksi kelelahan secara akurat, cepat, dan efisien. Metode itu disebut PERCLOS (Percentage of Closure), dimana PERCLOS adalah persentase ketutupan mata yang diukur terhadap waktu untuk mengindikasikan ketutupan mata (He, et al., 2013). Metode ini memanfaatkan webcam atau kamera smartphone yang dimana mempermudah analisa dan observasi pengendara tanpa mengganggu pengendara.
Berdasarkan penelitian yang dilakukan He J.
et al. (2013), dalam penelitian ini akan dilakukan perhitungan PERCLOS pada persamaan 1:
PERCLOS = 𝑁𝑏𝑙𝑖𝑛𝑘
𝑡×𝑆 (1)
Dalam persamaan PERCLOS tersebut dapat dijelaskan bahwa persentase ketutupan mata dapat dapat dihitung dengan menghitung 𝑁𝑏𝑙𝑖𝑛𝑘 yang yaitu berapa banyaknya mata 80 persen tertutup terjadi dalam jangka waktu t detik. S merupakan sampling rate atau tingkat pengambilan sampel dalam angka persentase yang diperlukan dalam t detik. Menurut Nguyen (2015), batas sampling rate untuk deteksi kelelahan yaitu 15 persen untuk kelelahan tertinggi. Pada Gambar 3, ditunjukkan batas- batas untuk kelelahan sesuai sampling rate yang dimana melebihi persentase tersebut akan dinyalakan alarm pada aplikasi yang dikembangkan.
Gambar 3 Threshold PERCLOS Sumber: Nguyen (2015)
3. METODOLOGI PENELITIAN
Penelitian dapat menjadi terencana dan sistematis apabila suatu metode penelitian dibentuk. Metode penelitian yang digunakan untuk pengembangan sistem aplikasi deteksi lelah pengendara mobil yaitu model Waterfall.
Analisis kebutuhan, perancangan sistem, pengimplementasian sistem dan pengujian sistem merupakan langkah-langkah dari model Waterfall tersebut. Studi literatur sebelum pengembangan sistem dan penarikan kesimpulan setelah pengembangan sistem dilakukan sebagai langkah pendukung dalam melakukan penelitian. Langkah-langkah yang dilakukan dalam penelitian ditunjukkan melalui Gambar 4.
Gambar 4 Diagram Alir Metodologi Penelitian 3.1. Studi Literatur
Pengumpulan data dan informasi yang berkaitan dengan topik perancangan dan pembangunan aplikasi deteksi kelelahan melalui face recognition untuk pengendara mobil dilakukan dengan cara membaca dan juga membandingkan setiap sumber referensi yang didapat dilakukan sebagai langkah dari studi literatur. Kemudian data yang dan informasi yang didapatkan dijadikan sebagai dasar dalam laporan penelitian ini.
3.2. Analisa Kebutuhan
Dalam analisis kebutuhan dilakukan analisa pada sistem yang akan dikembangkan khususnya dalam hal face recognition. Berdasarkan hasil observasi dan kuesioner yang telah dilaksanakan, akan dilakukan proses analisis kebutuhan yang digunakan sebagai dasar dari perancangan sistem. Model Use Case Diagram digunakan untuk memodelkan kebutuhan fungsional dan melalui Use Case Scenario kebutuhan tersebut akan dijelaskan. Identifikasi data yang terdapat pada proses dalam sistem dimodelkan melalui Entity Relational Diagram.
3.3 Perancangan Sistem
Perancangan sistem yaitu proses pembuatan rancangan sistem berdasarkan pada analisis kebutuhan pada tahap sebelumnya. Perancangan sistem dilakukan dengan memperhatikan hasil studi literatur dan juga daftar kebutuhan. Dalam perancangan sistem dilakukan penerjemahan
kebutuhan ke dalam pemodelan perangkat lunak dengan penggunaan Unified Modelling Language (UML). Rancangan arsitektur dengan Sequence diagram dan Class Diagram, rancangan komponen, dan rancangan antarmuka merupakan hasil dari perancangan sistem berdasarkan analisis kebutuhan. Rancangan sistem akan digunakan menjadi dasar pada tahap implementasi sistem.
3.4. Implementasi Sistem
Dalam tahap ini dilakukan pengimplementasian sistem terhadap hasil rancangan arsitektur, rancangan komponen, dan rancangan antarmuka yang telah dilakukan pada tahap perancangan sistem. Pengimplementasian sistem dilakukan melalui bahasa pemrograman Kotlin melalui Android Studio, serta tools dan library lain yang digunakan untuk mendukung proses pengimplementasian sistem deteksi kelelahan pengendara mobil. Bahasan mengenai pengimplementasian sistem dibagi menjadi dua, yaitu penjelasan mengenai system environment yang akan digunakan dan pengimplementasian rancangan sistem.
3.5. Pengujian Sistem
Pengujian sistem dilakukan untuk memverifikasi dan memvalidasi sistem yang dikembangkan, dengan tujuan memastikan sistem telah dibuat sesuai dengan kebutuhan yang didefinisikan pada tahap analisa kebutuhan. White Box Testing dan Black Box Testing merupakan dua pendekatan yang akan digunakan dalam pengujian sistem. White Box Testing merupakan pengujian jalur basis path testing pada fungsional – fungsional utama.
Tujuan dari basis path testing yaitu untuk mengukur kompleksitas dari algoritma dan menguji jalur skenario pada suatu method. Black Box Testing merupakan pengujian pada fungsional-fungsional terhadap input dan output dalam sistem tanpa memperhatikan kode program. Kedua pengujian dilakukan dengan tujuan sistem dapat membedakan inputan yang valid dan tidak valid.
3.6. Penarikan Kesimpulan
Penarikan kesimpulan dilakukan berdasarkan pengujian dan analisis hasil dari pengembangan sistem deteksi kelelahan terhadap rumusan masalah yang telah didefinisikan. Pemberian saran untuk penelitian selanjutnya lalu dilakukan agar dapat
mengembangkan sistem deteksi kelelahan pengendara mobil lebih lanjut.
4. ANALISA KEBUTUHAN 4.1. Deskripsi Umum Sistem
Pada penelitian ini dibangun sebuah aplikasi deteksi kelelahan pengendara mobil yang bertujuan untuk memberitahukan pengendara mobil melewati sinyal suara ketika kelelahan terdeteksi dan lalu pengendara mobil dapat membuka Google Maps yang langsung mengarahkan ke tempat istirahat terdekat.
Pengendara mobil dapat mengkalibrasi pendeteksian kelelahan dalam sistem dengan menyesuaikan batas ketutupan mata, sampling rate, batas waktu mata tertutup, batas waktu pengiriman pesan darurat dan nomor telpon tujuan pesan darurat. Ketika kelelahan terdeteksi lebih lama dari waktu yang ditentukan, maka sistem akan mengirimkan pesan darurat melewati SMS ke nomor telpon yang telah dimasukkan oleh pengendara mobil. Sistem deteksi kelelahan ini juga menyediakan fitur untuk pengendara mobil agar dapat mengirimkan pesan darurat secara manual.
Gambar 5 menunjukkan diagram blok sistem deteksi kelelahan pengendara mobil.
Gambar 5 Block Diagram Sistem Deteksi Kelelahan Pengendara Mobil
4.2. Identifikasi Aktor
Pada sistem deteksi kelelahan pengendara mobil terdapat 2 aktor yang terlibat, yaitu Pengendara Mobil dan Sistem Deteksi.
Pengendara mobil menggunakan pengguna sistem dengan aplikasi mobile. Pengendara mobil harus melakukan inisialisasi aplikasi untuk mengakses fitur-fitur dari aplikasi.
Pengendara mobil lalu dapat merekam gambar, mengkalibrasi deteksi kelelahan, mengirimkan pesan darurat secara manual, membuka peta untuk rest area terdekat, meyimpan log deteksi kelelahan, melihat log deteksi kelelahan, dan menghapus log deteksi kelelahan. Untuk aktor Sistem Deteksi, ketika aplikasi diinisialisasi oleh pengendara mobil, aplikasi secara otomatis akan
merekam gambar. Dari rekaman gambar tersebut, aplikasi lalu dapat memberikan sinyal suara.
4.3. Daftar Kebutuhan
Pada sistem yang dibuat terdapat 8 kebutuhan fungsional dan 1 kebutuhan non fungsional. Use Case Diagram berfungsi untuk menggambarkan hal-hal yang dapat dilakukan aktor terhadap sistem. Diagram tersebut akan digunakan untuk memodelkan kebutuhan fungsional pada sistem deteksi kelelahan pengendara mobil. Pada Gambar 6 menunjukkan pemodelan kebutuhan sistem deteksi kelelahan pengendara mobil.
Gambar 6 Use Case Diagram Sistem Deteksi Kelelahan Pengendara Mobil
5. PERANCANGAN SISTEM
Sebagai proses penerjemahan kebutuhan yang telah dihasilkan dari analisis kebutuhan ke dalam bentuk abstraksi perangkat lunak yang nantinya akan digunakan pada tahap implementasi, maka perancangan sistem dilakukan dengan tujuan tersebut. Dalam pengembangan sistem ini, perancangan perangkat lunak dilakukan dengan menghasilkan rancangan arsitektur, rancangan komponen, dan rancangan antarmuka.
5.1. Perancangan Arsitektur
Pemodelan Class Diagram dan Sequence Diagram digunakan dalam perancangan arsitektur sebagai bentuk abstraksi dari sistem yang akan dikembangkan. Penggambaran interaksi antar objek yang ada di dalam sistem dimodelkan melalui Sequence Diagram sedangkan penggambaran struktur klas sistem serta interaksinya dimodelkan melalui Class Diagram.
5.2 Perancangan Komponen
Pendefinisian algoritme sebagai perilaku dari modul-modul dalam sistem dilakukan melalui perancangan komponen. Algoritme akan dituliskan dalam bentuk pseudocode dan pada saat pengimplementasian sistem, pseudocode diterjemahkan ke dalam bahasa pemrograman.
Pada Tabel 5.1 sampai Tabel 5.3 menunjukkan rancangan komponen pada sistem deteksi kelelahan pengendara mobil.
5.3 Perancangan Antarmuka
Untuk menyusun elemen-elemen visual yang nantinya dilihat dan berinteraksi dengan pengguna, perancangan antarmuka dilakukan dengan membuat purwarupa terhadap tata letak komponen yang nantinya digunakan untuk membantu dalam proses pengimplementasian sistem. Dalam pengimplementasian antarmuka, purwarupa antarmuka diimplementasikan dengan tema desain sistem yang akan digunakan.
Gambar 7 dan 8 merupakan sampel perancangan antarmuka pada aplikasi deteksi kelelahan pengendara mobil.
Gambar 7 Perancangan Antarmuka MainActivity
Gambar 8 Perancangan Antarmuka SettingsActivity dan LogsActivity
6. IMPLEMENTASI SISTEM
Pegimplementasian sistem dilakukan sebagai proses penerapan rancangan sistem yang dihasilkan pada tahap sebelumnya. Hasil pengimplementasian sistem yaitu merupakan sistem yang dapat digunakan berdasarkan teknologi yang digunakan. Pengimplementasian mengenai spesifikasi sistem, pengimplementasian kode program dan pengimplementasian antarmuka dilakukan pada tahap ini.
6.1. Implementasi Kode Program
Dari hasil rancangan komponen dan pseudocode, pengimplementasian kode program dalam sistem dilakukan ke dalam bahasa pemrograman. Dalam pengembangan aplikasi sistem deteksi kelelahan digunakan pemrograman bahasa Kotlin.
6.2. Implementasi Antarmuka
Antarmuka adalah kumpulan elemen-
elemen visual yang digunakan dalam pengembangan sistem untuk dapat dilihat dan digunakan agar pengguna dapat berinteraksi dengan sistem. Pengimplementasian antarmuka dilakukan berdasarkan rancangan mock up antarmuka yang dihasilkan sebelumnya. Pada pimplementasian antarmuka, purwarupa antarmuka yang telah dirancang direalisasikan sesuai dengan tema desain yang telah direncanakan. Gambar 9 dan 10 merupakan sampel pengimplementasian antarmuka pada aplikasi sistem deteksi kelelahan pengendara mobil.
Gambar 9 Implementasi Antarmuka MainActivity
Gambar 10 Implementasi Antarmuka SettingsActivity dan LogsActivity
7. PENGUJIAN SISTEM 7.1. Pengujian Unit
Untuk menguji komponen seperti method dan klas yang digunakan dalam pengimplementasian sistem dan untuk menemukan bug dalam implementasi kode program, pengujian unit dalam sistem dilakukan.
Pengujian dilakukan dengan metode basis path testing untuk menentukan kasus ujinya.
7.2. Pengujian Validasi
Untuk menguji pengimplementasian dari kebutuhan fungsional yang telah dianalisa, pengujian validasi dilakukan dengan tujuan menemukan bug pada pengimplementasian sistem berdasarkan kebutuhan fungsional terhadap input dan output sistem tanpa memperhatikan kode program. Pengujian dilakukan terhadap 8 kebutuhan fungsional yang telah terdefinisi.
8. KESIMPULAN DAN SARAN
Hasil analisis kebutuhan dihasilkan melalui kuesioner menghasilkan kebutuhan fungsional sebanyak 8 kebutuhan dan kebutuhan non fungsional sebanyak 1 kebutuhan. Model Use Case Diagram lalu digunakan untuk memodelkan kebutuhan fungsional dan dijelaskan melalui Use Case Scenario.
Pemodelan arsitektur melalui Sequence Diagram dan Class Diagram, perancangan komponen sistem, dan perancangan antarmuka sistem dilakukan untuk mendapatkan hasil perancangan sistem deteksi kelelahan pengendara mobil. Pemodelan Sequence Diagram meggunakan 3 sampel, yaitu dengan kode kebutuhan ADL-F-1-001, ADL-F-1-003, dan ADL-F-1-006. Pemodelan Class Diagram dihasilkan melalui pemodelan diagram yang memetakan interaksi antar klas dalam sistem deteksi kelelahan pengendara mobil.
Perancangan komponen menggunakan 3 sampel, yaitu deteksiLelah, startCamera dan deteksiMata. 3 sampel rancangan antarmuka sistem dilampirkan sebagai hasil perancangan antarmuka sistem.
Spesifikasi sistem, teknologi pengembangan, peimplementasian kode program dan pengimplementasian antarmuka dilakukan untuk mendapatkan hasil implementasi sistem deteksi kelelahan pengendara mobil. Spesifikasi perangkat lunak sistem adalah Android Nougat, Android Studio, Kotlin, dan AndroidSDK. 3 sampel method sebagai hasil pengimplementasian kode program, yaitu deteksiLelah, startCamera, dan deteksiMata. 3 sampel antarmuka sistem dilampirkan melalui screenshot sebagai hasil implementasi antarmuka.
Pengujian unit dan pengujian validasi digunakan untuk mendapatkan hasil pengujian
dalam sistem deteksi kelelahan pengendara mobil. Basis path testing digunakan sebagai pengujian unit atau white-box testing pada 3 method sampel yaitu, 3 kasus uji pada deteksiLelah, 2 kasus uji pada startCamera dan 4 kasus uji pada deteksiMata dan hasil 100% pass didapatkan. Pengujian validasi dengan black-box testing memiliki 15 kasus uji dan hasil 100%
pass didapatkan.
Saran bagi pegembangan sistem deteksi kelelahan pengendara mobil selanjutnya sebagai berikut:
1. Diharapkan adanya penerapan sistem berbasis web yang dapat digunakan untuk integrasi sistem deteksi kelelahan agar dapat mengelola data-data pengguna sistem deteksi kelelahan dalam skala besar
2. Diharapkan pengiriman pesan darurat dapat dikirimkan melalui media sosial yang lain agar pesan darurat tidak hanya terbatas melalui SMS
3. Diharapkan adanya penerapan sistem deteksi kelelahan pada studi kasus lain terutama pada bidang dunia kerja dan pendidikan.
9. DAFTAR PUSTAKA
Abulkhair, M. F., Salman, H. A. & Ibrahim, L.
F., 2015. Mobile Platform Detect and Alerts System for Driver Fatigue.
International Journal of Computer Applications, 123(8).
Bachtiar, F. A., Huda, C. & Supianto, A. A., 2019. Reporting Sleepy Driver into Channel Telegram via Telegram Bot.
Lombok, IEEE.
Badan Pusat Statistik, 2019. Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis (Unit), 2017-2019. [Online]
Available at:
https://www.bps.go.id/indicator/17/57/1/j umlah-kendaraan-bermotor.html
[Accessed 28 March 2021].
Breuer, J., 2008. Attention assist: Don’t fall asleep!.. s.l.:Daimler Tech Rep.
Coetzer, R. & Hancke, G., 2009. Driver fatigue detection : A survey. Nairobi, IEEE.
Dinges, D. F., Mallis, M. M., Maislin, G. &
Powell, J. W., 1998. Evaluation of techniques for ocular measurement as an index of fatigue and as the basis for alertness management, Springfield:
National Highway Traffic Safety Administration.
Eskandarian, A. & Mortazavi, A., 2007.
Evaluation of a smart algorithm for commercial vehicle driver drowsiness detection. IV ed. Istanbul: IEEE Intelligent Vehicles Symposium.
He, J. et al., 2013. Fatigue Detection using Smartphones. Journal of Ergonomics, 3(3), p. 3.
howstuffworks, 2018. [Online]
Available at:
https://electronics.howstuffworks.com/ga dgets/high-tech-gadgets/facial-
recognition.htm
[Accessed 28 March 2021].
Katadata, 2018. Sepanjang 20167 Terjadi 98 Ribu Kali Kecelakaan Lalu Lintas.
[Online]
Available at:
https://databoks.katadata.co.id/datapublis h/2018/09/21/sepanjang-2017-terjadi-98- ribu-kali-kecelakaan-lalu-lintas
[Accessed 20 February 2021].
Pritchett, S. et al., 2011. Comparing accuracy of two algorithms for detecting driver drowsiness — Single source (EEG) and hybrid (EEG and body movement). s.l., Broadband and Biomedical Communications (IB2Com) 2011 6th International Conference.
Sommerville, I., 2011. Software Engineering.
9th ed. New York: Addison-Wesley.
Wierwille, W. et al., 1994. Research on Vehicle- Based Driver Status/Performance Monitoring Development, Validation, and Refinement of Algorithms for Detection of Driver Drowsiness. Washington DC:
Office of Crash Avoidance Research National Highway Traffic Safety Administration.
