APLIKASI DRIVER S FATIGUE ESTIMATION AND DROWSINESS DETECTION SYSTEM MENGGUNAKAN METODE HAARCASCADE CLASSIFIER

APLIKASI DRIVER’S FATIGUE ESTIMATION AND DROWSINESS DETECTION SYSTEM MENGGUNAKAN METODE HAARCASCADE CLASSIFIER Welly Dwi Putra Universitas Bina Nusantara, Jalan K.H. Syahdan Komplek Sandang F5a Jakarta Barat, 081286931041, [email protected]

Yudha Pratama Putra Universitas Bina Nusantara, Jalan Terate Raya no 55 Jakarta Barat, 087881054699, [email protected]

Widodo Budiharto Universitas Bina Nusantara, Perumahan Mutiara Gading Timur Blok D3 No. 2 RT 6/24 Bekasi Timur, Jawa Barat , 081410043883, [email protected]

ABSTRAK Tujuan melakukan penelitian ini ialah untuk mengukur tingkat kelelahan dan mendeteksi kantuk dari pengemudi, sehingga tingkat kecelakaan lalu lintas karena kelalaian pengemudi mampu diturunkan. Penelitian ini menggunakan beberapa metode seperti metode analisis yang meliputi studi pustaka, metode perancangan dan metode pengujian. Pertama-tama, dilakukan perancangan aplikasi secara garis besar. Selanjutnya dilakukan pengujian atas seberapa akurat aplikasi ini dalam mendeteksi kantuk. Beberapa parameter yang diuji karena dapat mempengaruhi kinerja aplikasi Drowsiness detection system dengan basis Computer Vision adalah jarak dan arah kamera ke mata. Setelah pengujian, didapatkan bahwa kemampuan aplikasi dalam mendeteksi ngantuk adalah sebesar 90%. Simpulan yang didapat pada penelitian ini adalah dengan tingkat akurasi aplikasi ini dalam mendeteksi kantuk, aplikasi ini dapat diimplementasikan secara nyata untuk mengurangi tingkat kecelakaan lalu lintas karena pengemudi mengatuk dan membantu pengemudi untuk selalu terjaga dan sadar pada saat mengemudi dengan memberikan peringatan(warning). Kata Kunci : computer vision, kecelakaan, drowsiness detection system, mengantuk

PENDAHULUAN Saat ini, terdapat banyak pengembangan kecerdasan buatan untuk membantu keselamatan hidup manusia. Salah satunya adalah alat untuk mendeteksi kantuk. Mengantuk merupakan hal yang kita anggap sebagai hal yang biasa terjadi. Mengantuk dapat terjadi baik ketika kita sedang tidak beraktivitas maupun ketika kita sedang beraktivitas. Namun, mengantuk tidak dapat dianggap remeh begitu saja. Mengantuk pada saat atau kondisi tertentu sangatlah berbahaya dan bisa menyebabkan seseorang atau bahkan banyak orang meninggal, contohnya adalah ketika kita sedang mengemudi. Banyak faktor-faktor yang menyebabkan pengemudi mengantuk, yaitu kurang istirahat, mengemudi pada malam hari, jarak tempuh yang panjang, dan tidak adanya teman atau partner yang menemani berbicara sehingga pengemudi menjadi bosan, jenuh, dan akhirnya mengantuk. Maka solusi umum yang sering ditawarkan untuk mencegah pengemudi kendaraan yang mengantuk adalah dengan meminta bantuan teman atau partner untuk menemani dan memastikan pengemudi masih sadar dan fit untuk

mengemudikan kendaraan. Namun solusi ini tidak dapat dilakukan setiap saat karena pengemudi mungkin saja menghadapi kondisi yang mengharuskan dia harus mengemudi sendiri. Oleh karena itu, diperlukan sebuah perangkat lunak untuk mengukur kelelahan dan mendeteksi kantuk dari pengemudi. Perangkat lunak yang kami buat ini dirancang untuk memberikan informasi mengenai tingkat kelelahan pengemudi dan memberi peringatan jika sudah terdeteksi kantuk sehingga dapat menghindari hal-hal yang tidak diinginkan seperti kecelakaan lalu lintas. Perangkat lunak ini adalah perangkat lunak berbasis android agar perangkat lunak dapat diimplementasikan langsung pada dunia nyata, sehingga dapat tercapai tujuan dari penelitian ini yaitu mencegah atau mengurangi jumlah kecelakaan lalu lintas. Tujuan dari pembuatan aplikasi ini adalah Merancang perangkat lunak yang dapat menginformasikan tingkat kelelahan pengemudi dan yang dapat mendeteksi dan memperingatkan pengemudi yang mengantuk. Sedangkan manfaat yang didapat dari aplikasi ini adalah Pengemudi akan lebih sadar akan tingkat kelelahannya sehingga diharapkan pengemudi dapat beristirahat dahulu apabila tingkat kelelahannya sudah tinggi. Mencegah atau mengurangi jumlah kecelakaan lalu lintas, terutama yang disebabkan oleh pengemudi yang lelah dan mengantuk. Kami menemukan 3 penelitian sebelumnya yang memiliki topik yang sama dengan kami. Yang pertama adalah Drowsy Detection on Eye Blink Duration Using Algorithm. Cara kerja sistem ini adalah jika user menutup mata lebih dari 400 ms, maka alarm akan dibunyikan. Penelitian kedua berjudul Driver Drowsiness Detection System. Cara kerja sistem pada penelitian ini adalah memeriksa 5 frame yang berurutan. Apabila dideteksi mata user sedang tertutup dalam 5 frame tersebut, maka alarm dibunyikan. Penelitian yang terakhir adalah Implementasi Stimulus Aromatik pada Pengemudi Berdasarkan Deteksi Kantuk. Cara kerja sistem ini sama dengan penelitian yang pertama. Bedanya jika user dinyatakan mengantuk oleh sistem, kontroller akan memerintah alat menyemprotkan stimulus aromatik. Setelah melihat dari ketiga penelitian yang telah dilakukan sebelumnya, aplikasi Driver’s Fatigue Estimation And Drowsiness Detection System ini dirancang dengan menggabungkan beberapa cara untuk mendeteksi kantuk, dan pendeteksiannya dilakukan secara real-time seperti aplikasi/sistem lainnya. Selain itu, aplikasi Driver’s Fatigue Estimation And Drowsiness Detection System ini memiliki keunggulan dalam bidang hardware yang dipakai untuk merealisasikan aplikasi ini, yaitu menggunakan handphone/tablet berbasis sistem operasi android. Dengan demikian, aplikasi ini akan lebih mudah dan lebih realistis untuk digunakan di dalam kendaraan dan tidak memerlukan biaya yang mahal dibandingkan dengan aplikasi / sistem lainnya yang menggunakan microcontroller.

METODE PENELITIAN Metode Penelitian yang kami gunakan adalah menganalis. Metode analisis yang digunakan adalah studi kepustakaan, yaitu dengan membaca literatur seperti buku, jurnal, artikel yang berkaitan dengan drowsy driving, Image processing, eye detection, dan drowsiness detection. Model perancangan yang digunakan adalah model waterfall. Model ini melakukan pendekatan secara sistematis dan urut mulai dari level kebutuhan sistem lalu menuju analisis, desain, coding, testing (verification), dan maintenance. Disebut dengan waterfall karena tahap demi tahap yang dilalui harus menunggu selesainya tahap sebelumnya dan berjalan berurutan. Pengujian dilakukan dari device berupa Galaxy Tab 2 Samsung berukuran 7 inch. Pengujian ini dilakukan kepada 3 orang yang mengantuk, dan 3 orang yang tidak mengantuk sebanyak 20 kali masingmasing. Hasil dari pengujian ini akan berupa evaluasi untuk mendapatkan persentase akurasi sistem untuk mendeteksi kantuk sesuai dengan kondisi yang sebenarnya. Hasil penelitian ini juga dapat menjadi sebuah solusi untuk permasalahan yang ada saat ini.

HASIL DAN BAHASAN •

Hasil dari pengujian terhadap aplikasi yang telah kami buat adalah sebagai berikut : Keakuratan mendeteksi mata dari berbagai jarak mata dengan kamera. Jarak terbaik : 45cm – 65cm (66,67%)

• •

•

40cm – 50cm (100%) Keakuratan mendeteksi kantuk (90%) Jeda waktu pada saat mata tertutup - durasi mata (83,33%) - kondisi mata (88,33%) Keakuratan mendeteksi mata dari berbagai arah - Arah bawah (86,67%) - Arah atas (46,67%)

Berdasarkan pengujian-pengujian diatas dapat didapatkan batasan dari aplikasi deteksi kantuk ini sebagai berikut : • Berdasarkan pengujian 1, jarak yang paling baik antara mata dan kamera agar aplikasi dapat mendeteksi mata secara stabil adalah dalam kisaran 45 cm-65 cm. • Jarak dan arah kamera terhadap mata mempengaruhi akurasi aplikasi mendeteksi mata. • Pengujian 2 dan pengujian 3 menunjukkan bahwa aplikasi bisa mendeteksi kondisi pengemudi disaat ia sedang tidak mengantuk atau tidak dengan cukup baik. Deteksi kantuk dilakukan melalui pemrosesan input durasi mata tertutup. • Pengujian 2 dan pengujian 3 menunjukkan bahwa aplikasi dapat mendeteksi kantuk dengan baik melalui parameter besarnya mata ketika sedang mengantuk ataupun tidak. • Pengujian 4 menunjukkan bahwa arah bawah dari kamera ke mata lebih baik daripada arah atas. Aplikasi akan lebih akurat mendeteksi mata ketika diletakkan dari arah bawah mata.

SIMPULAN DAN SARAN Simpulan yang dapat ditarik setelah dilakukannya analisa, perancangan, pengujian, dan evaluasi dari perancangan aplikasi driver’s fatigue estimation and drowsiness detection system adalah sebagai berikut : • Dengan tingkat akurasi aplikasi ini dalam mendeteksi kantuk, aplikasi ini dapat diimplementasikan secara nyata untuk mengurangi tingkat kecelakaan lalu lintas karena pengemudi mengantuk dan membantu pengemudi untuk selalu terjaga dan sadar pada saat mengemudi dengan memberikan peringatan bahaya mengantuk. • Jarak dan arah kamera ke mata mempengaruhi pengambilan citra. Dengan jarak yang terlalu dekat dan terlalu jauh, aplikasi sulit untuk mendeteksi mata, sedangkan pada jarak sekitar 50 cm, Aplikasi dapat mendeteksi mata dengan sempurna. Sedangkan untuk parameter arah, aplikasi yang diletakkan dari arah bawah ke mata lebih baik untuk mendeteksi mata daripada dari arah atas, karena faktor cahaya yang masuk dari arah atas. • Aplikasi ini mendukung teori durasi mata tertutup rata-rata diatas 400 ms diklasifikasikan ke dalam mengantuk, sedangkan untuk durasi mata tertutup di bawah 400ms pengemudi dinyatakan tidak dalam kondisi mengantuk (hanya berkedip normal). Saran-saran yang berguna untuk mengembangkan aplikasi perancangan dan analisa deteksi kantuk ini di masa depan adalah : • Sebelum melakukan pendeteksian, lebih baik kualitas image ditingkatkan. Untuk saat ini, pemrosesan image yang banyak untuk meningkatkan image belum dapat dijalankan dikarenakan kemampuan hardware mobile device android masih terbatas. • Mencari dan mengimplementasi algoritma lain yang lebih cepat dan lebih akurat dalam mendeteksi kantuk. • Mengembangkan aplikasi ini pada platform-platform lain (seperti blackberry, apple, windows phone) sehingga dapat menjangkau banyak user.

REFERENSI Bradski, G., & Kaebler, A. (2008). Learning OpenCV. USA: O’Reilly. Budiharto, W. (2012). Robot Vision. Yogyakarta: Penerbit ANDI.

Churiwala, K., Lopes, R., Shah, A., & Shah, N. (2012). Drowsiness Detection based on Eye Movement, Yawn Detection, and Head Rotation. International Journal of Applied Information Systems (Vol. 2) (pp. 46-49). Gilabola.com. (2007). Inilah Jam Rajan Kecelakaan Akibat Pengemudi Ngantuk. Retrieved October 14th,2012, from http://gilabola.com/inilah-jam-rawan-kecelakaan-akibat-pengemudi-ngantuk/. Hedrian, I., Rivai, M., & Purwanto, Djoko. (2012). Implementasi Stimulus Aromatik Pada Pengemudi Berdasarkan Deteksi Kantuk. Kashani, M. A., Arani, M. M., & Ramezanpour, M. R. (2012). Eye Detection and Tracking in Image with Complex Background. Journal of Emerging Trends in computing and Information Sciences (Vol. 2), April 2012. Kusumadewi, S. (2003) . Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta, Indonesia: Graha Ilmu. Lee, W. M. (2011). Beginning AndroidTM Application Development. Indiana, USA: Wiley Publishing. National Sleep Foundation (2013). Facts and Stats. Retrieved March 20th, 2013, from http://drowsydriving.org/about/facts-and-stats/ OpenCV.org. (2012). About OpenCV. Retrieved November 7th, 2012, from http://opencv.org/about.html. OpenCV Dev Team. (2012). Introduction to OpenCV. Retrieved November 7th, 2012, from http://docs.opencv.org/doc/tutorials/introduction/android_binary_package/O4A_ SDK.html. Pamar, N. (2002). Drowsy Driver Detection System Design Project. Department of Electrical and Computer Engineering. PENS-ITS. (2012). Praktikum Pengolahan Citra PENS-ITS. Retrieved December 13rd, 2012, from http://www.scribd.com/doc/26219931/34/ . Szeliski, R. (2011). Computer Vision – Algorithm and Applications. Washington, USA: Springer. Singh, M., & Kaur, G. (2012). Drowsy Detection On Eye Blink Duration Using Algorithm. International Journal of Emerging Technology and Advanced Engineering (Vol. 2) (pp. 363 – 365). TRIBUNnews.com. (2012). Kecelakaan Lalu Lintas Dikarenakan Pengemudi. Retrieved October 14th, 2012, from http://www.tribunnews.com/2012/02/14/ 8.978-kecelakaan-lalu-lintas-dikarenakanpengemudi. Uke, N. J., Thool, R. C., & Dhotre, P. S. (2012). Drowsiness Detection – A Visual System Driver Support. International Journal of Electronics Communication and Computer Engineering (Vol. 3) (pp. 29-33). Vats, E. M., Garg, E. & Anil. (2012). Detection and Security System for Drowsy Driver By Using Artificial Neural Network Technique. International Journal of Applied Science and Advance Technology (Vol. 1) (pp. 39-43). Viola, J. & Jones, M. (2001). Robust Real-time Object Detection. Second International Workshop On Statistical And Computational Theories Of Vision. Yadav, V. Makhija, D. Savant, S. Dodani, N. & Theckedath, K. D. (2012). Driver Drowsiness Detection System. International Journal of Computer Applications (IJCA) (pp. 11-13).

RIWAYAT PENULIS Welly Dwi Putra lahir di kota Pontianak pada tanggal 6 Desember1991. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2013. Yudha Pratama Putra lahir di kota Pontianak pada tanggal 14 Oktober 1991. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2013. Dr. Widodo Budiharto merupakan anggota dari IEEE sejak 2009, Penulis lahir di kota Tanjung Pinang, Indonesia pada tahun 1977. Penulis merupakan Peneliti Senior di Universitas Bina Nusantara , JakartaIndonesia sejak tahun 2002. He lulus pada program Doktor di ITS-Jak