PENINGKATAN AKURASI DAN PENGEMBANGAN MODEL OBJECT SELECTION PADA SISTEM EYE TRACKING MENGGUNAKAN KNOWLEDGE DISTILLATION

IQBAL KURNIAWAN A P, Dr.Eng. Ir. Sunu Wibirama, S.T., M.Eng., IPM.;Syukron Abu Ishaq Alfarozi, S.T.,Ph.D

2023 | Tesis | MAGISTER TEKNIK ELEKTRO

Pandemi Covid-19 telah mendorong masyarakat untuk melakukan langkah- langkah baru demi mencegah penyebaran virus, salah satunya dengan mengurangi kontak fisik pada permukaan yang sering disentuh di tempat umum. Sayangnya, kebutuhan untuk mengakses informasi di tempat umum masih tinggi. Pengaplikasian touchless technology merupakan salah satu cara untuk memenuhi kebutuhan akan akses informasi di tempat umum. Salah satu aplikasi touchless technology dengan menggunakan eye tracking berbasis gaze gesture adalah CoviDisplay. Untuk melakukan sebuah perintah, pengguna diminta untuk mengikuti gerakan tombol di layar CoviDisplay. CoviDisplay menggunakan tiga blok pemrosesan: events detection, signal denoising, dan object selection. Penggunaan algoritme deep learning dapat menyederhanakan proses ini dengan menggabungkan ketiga blok tersebut menjadi satu blok object selection. Namun, model deep learning yang ringkas dan sederhana diperlukan untuk mengurangi kompleksitas model dan mengurangi waktu komputasi dengan tetap mempertahankan akurasi object selection yang tinggi. Dalam penelitian ini, kami mengusulkan penggunaan knowledge distillation untuk meningkatkan akurasi dan menyederhanakan model deep learning dalam object selection. Temuan kami menunjukkan bahwa penggunaan metode knowledge distillation dengan algoritme BiLSTM dapat meningkatkan akurasi dan menyederhanakan model, algoritme BiLSTM menghasilkan akurasi sebesar 99,36%. Hasil ini didukung oleh uji statistik, yang menunjukkan bahwa algoritme BiLSTM dengan knowledge distillation memiliki potensi yang besar untuk digunakan di tempat umum untuk object selection berbasis pergerakan mata.

The Covid-19 pandemic has prompted the adoption of new measures to prevent the spread of the virus, including reducing physical contact on high-touch surfaces in public spaces. Unfortunately, the need for accessing information in public places remains high. To address this need, touchless technology such as CoviDisplay, which uses eye tracking and gaze gestures, has been developed. To trigger a particular scene, the user follows the button movements on the CoviDisplay screen. CoviDisplay uses three processing blocks: events detection, signal denoising, and object selection. The use of deep learning algorithms can simplify this process by combining the three blocks into one object selection block. However, concise and simpler deep learning model is required to reduce model complexity and computational time while maintaining high accuracy of object selection. In this research, we proposed the used of knowledge distillation to improve accuracy and to simplify BiLSTM deep learning model in object selection. Our findings show that the use of the knowledge distillation method with the BiLSTM algorithm can increase accuracy and simplify the model, resulting in an accuracy of 99.36%. These results are supported by statistical tests, indicating the potential of the BiLSTM algorithm with knowledge distillation for use in public displays for eye movement-based object selection.

Kata Kunci : gerakan mata, object selection, deep learning, knowledge distillation.