Deteksi Kantuk Pengendara Mobil Berbasis Citra Menggunakan Convolutional Neural Networks

Abstract

Mengantuk bagi pengemudi dapat menyebabkan kecelakaan lalu lintas yang fatal. Banyak penelitian melaporkan bahwa gerakan yang berhubungan dengan mata dan menguap berkorelasi dengan risiko kelelahan dan keselamatan dalam berkendara. Namun, metode ini cenderung bergantung pada gerakan keadaan mata atau kondisi mulut. Dalam penelitian ini, kami menyajikan pendekatan berbasis Convolutional Neural Network untuk mendeteksi kantuk pengemudi secara otomatis tanpa perlu memodelkan kondisi lingkungan ataupun fitur wajah pengendara. Dataset citra yang digunakan diturunkan dari dataset video YawDD dimana resolusi yang digunakan adalah 32 x 32 piksel. Metode CNN yang digunakan adalah AlexNet yang memiliki dua lapisan konvolusi dan dibandingkan dengan metode tradisional yang masih harus melakukan pemilihan dan ekstrasi fitur secara manual. Eksperimen menunjukkan parameter terbaik yaitu minibatch senilai 30, learning rate senilai 0,1, rasio training dan testing yaitu 0,9 : 0,1, dropout senilai 10%, dan epoch senilai 500. Akurasi yang dihasilkan berhasil mencapai 77,8% walaupun waktu training yang dibutuhkan masih relatif tinggi. Meskipun demikian, metode yang ini mampu mengungguli metode tradisional yang masih memerlukan pemodelan fitur secara eksplisit (yaitu PERCLOS).