Identifikasi Fokus Pengemudi Menggunakan Estimasi Pose dan Algoritma Pembelajaran Mesin

NAUFAL ABDILLAH, Wahyono, S. Kom., Ph.D.

2022 | Skripsi | S1 ILMU KOMPUTER

Sistem pengawasan pengemudi menjadi salah satu pengembangan teknologi topikal sebagai upaya pencegahan kecelakaan di kendaraan. Disebut oleh Choi and Kim (2014) ditemukan lebih dari 30% kematian karena kecelakaan di kendaraan berhubungan dengan kantuk pengemudi. Sedangkan kecelakaan juga sering disebabkan oleh distraksi selain kantuk. Di sisi lain, untuk teknologi kendaraan otonom saat ini bisa maju ke level selanjutnya, perlu dibuat sistem yang memberikan keadaan pengemudi sebagai input (Canas et al., 2021). Sistem identifikasi fokus pengemudi rata-rata menggunakan perangkat yang dinilai kurang terjangkau dibandingkan kamera RGB seperti kamera kedalaman atau sensor fisiologis. Analisis aktivitas manusia dari citra RGB memberikan tantangan baru yaitu variasi citra yang luas seperti pencahayaan dan bayangan. Salah satu alternatif dari tantangan tersebut adalah ekstraksi pose. Penelitian ini mencoba membuat alternatif model pembelajaran mesin Logistic Regression dengan input pose hasil ekstraksi framework MediaPipe.

The driver monitoring system is one of the topical technology developments to prevent road accidents. Choi and Kim (2014) found that more than 30% of road accident deaths are related to driver drowsiness while accidents are also often caused by distractions other than drowsiness. On the other hand, for the current autonomous vehicle technology to advance to the next level, the driver's state must be an input to the systems (Canas et al., 2021). Driver's focus identification systems on average use relatively expensive devices than RGB cameras such as depth cameras or physiological sensors. Human activity analysis using RGB images provides a new challenge, namely a wide variety of image quality such as lighting and shadows. One alternative to the challenge is pose extraction. This study tries to create an alternative Logistic Regression machine learning model with pose input from the extraction of the MediaPipe framework.

Kata Kunci : Driver Drowsiness, Computer Vision, Machine Learning, Pose Estimation