Deteksi Kantuk pada Pengendara Kendaraan Roda Empat berbasis Visual

Gabriel Bayunanda Pinaringan, Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM. ; Dr. Ir. Nur Abdillah Siddiq, S.T., IPP.

2024 | Skripsi | FISIKA TEKNIK

Berkendara saat mengantuk adalah kegiatan yang berbahaya. Diperlukan alat yang mampu mendeteksi kantuk pengendara. Seseorang yang mengantuk menampilkan pola yang khas. Dengan visi komputer, pola-pola mengantuk dapat dikenali. Metrik Eye Aspect Ratio dan Mouth Aspect Ratio digabungkan dengan penghitung waktu mampu mengenali pola menguap dan mata hampir tertutup. Penggunaan raspberry pi sebagai pemrosesan utama memudahkan instalasi. Kelemahan deteksi kantuk secara visi yaitu perlunya cahaya yang memadai.

Alat ini menggunakan Raspberry Pi 4B sebagai pemrosesan utama. Alat ini dioperasikan menggunakan telepon pintar melalui komunikasi Virtual Network Computing. Kamera Inframerah OV5647 digunakan untuk pengambilan gambar wajah pengendara. Gambar ini dipetakan menggunakan algoritma Histogram of Oriented Gradients + Support Vector Machine dan model facial landmarks 68. Hasil dari pemetaan ini menjadi masukan metrik Eye Aspect Ratio dan Mouth Aspect Ratio. Keluaran dari sistem ini yaitu alarm dan laporan kantuk.

Dari hasil pengujian didapatkan alat ini memiliki rentang jarak deteksi 30 cm hingga 100 cm pada kondisi terang dan 30 cm hingga 70 cm pada kondisi gelap, alat ini tidak mampu mendeteksi objek yang memakai kacamata. Alat ini mudah dalam instalasi, biaya pembuatan tergolong murah, mudah dioperasikan meskipun pengoperasiannya tidak semudah alat buatan pabrik. Pencatatan kantuk mampu mencatatat kondisi kantuk pengendara secara waktu nyata.

Driving while drowsy is a dangerous activity. A device that can detect driver drowsiness is needed. A drowsy person shows distinct patterns. With computer vision, drowsiness patterns can be recognized. The Eye Aspect Ratio (EAR) and Mouth Aspect Ratio (MAR) metrics, combined with a timer, can recognize yawning patterns and nearly closed eyes. Using the Raspberry Pi 4B as the main processing unit makes the installation easier. The weakness of vision-based drowsiness detection is the need for sufficient light.

This device is built with the Raspberry Pi 4B as its main processing unit. This device is operated using smartphone through a Virtual Network Computing communication. An infrared camera, OV5647, is used to capture images of the driver’s face. These images are mapped using the Histogram of Oriented Gradients + Support Vector Machine algorithm and a 68-point facial landmarks model. The results of this mapping serve as input for the Eye Aspect Ratio and Mouth Aspect Ratio metrics. The system's output includes an alarm and a drowsiness report. 

Tests show that the device has a detection range of 30 cm to 100 cm in bright conditions and 30 cm to 70 cm in dark conditions. The device cannot detect individuals wearing glasses. The device is easy to install, cost-effective, and simple to operate. However, it is not as simple as factory-made devices. The drowsiness recording feature can log the driver’s condition in real-time.

Kata Kunci : Visi komputer, Raspberry Pi, Deteksi Kantuk, Support Vector Machine