Update Artikelilmiah: 38764

ALYA NUR AFNI

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Keselamatan menjadi hal yang paling penting dalam berkendara. Salah satu hal yang mempengaruhi keselamatan berkendara yaitu fokus. Sebagian besar penyebab kurangnya fokus dalam berkendara dikarenakan rasa lelah dan kantuk. Bersamaan dengan dunia yang telah memasuki era revolusi industri 4.0, drive safely hadir sebagai salah satu solusi keselamatan tersebut. Drive safely ini memberikan fitur utama yaitu mendeteksi kantuk dan 2 fitur tambahan yang checklist perlengkapan sebelum berkendara dan fitur pendeteksi kecepatan agar sesuai dengan kecepatan yang ditetapkan. Dalam membangun aplikasi tersebut, penelitian ini bertujuan untuk melakukan perancangan model dengan akurasi terbaik pada drowsiness dataset dengan arsitektur CNN dan menggunakan teknik transfer learning. Arsitektur yang digunakan yaitu VGG-16, MobileNet, MobileNetV2 dan sederhana. Dilakukan beberapa percobaan untuk mendapatkan akurasi terbaik yaitu 3 percobaan dengan pembagian dataset atau split data berbeda (60:40, 70:30, dan 80:20) dan 2 percobaan dengan imagesize berbeda (128 dan 224).Perancangan melalui 3 tahapan yaitu Persiapan Dataset (menyimpan di Google Drive dan Prepocessing Data), Pemilihan layer untuk model, Training Dataset dengan model, dan Evaluasi atau pengujian akurasi dengan dataset itu sendiri menggunakan confussion matrix. Hasil akurasi pengujian tertinggi diperoleh pada arsitektur sederhana dengan split data 60:40 dan imagesize 128 yaitu sebesar 97%.

Abtrak (Bhs. Inggris)

Safety is the most important thing in driving. One of the things that affect driving safety is focus. Most of the causes of a lack of focus in driving are due to fatigue and drowsiness. As the world has entered the era of the industrial revolution 4.0, drive safely is here as one of these safety solutions. This safe drive provides the main feature, namely detecting drowsiness and 2 additional features which are a checklist of equipment before driving and a speed detection feature to match the set speed. In building the application, this study aims to design a model with the best accuracy on drowsiness datasets with CNN architecture and using transfer learning techniques. The architecture used is VGG-16, MobileNet, MobileNetV2 and simple. Several experiments were carried out to get the best accuracy, namely 3 experiments with different dataset divisions or data splits (60:40, 70:30, and 80:20) and 2 experiments with different image sizes (128 and 224). The design went through 3 stages, namely Dataset Preparation (saving on Google Drive and Preprocessing Data), Selection of layers for models, Training Datasets with models, and Evaluation or testing of accuracy with the dataset itself using the confusion matrix. The highest test accuracy results were obtained on a simple architecture with a data split of 60:40 and an imagesize of 128, which is 97%.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman