Klasifikasi Wajah Kantuk Menggunakan Parameter Wajah Dengan Algoritma Long Short Term Memory

Mohamad Rafli Agung Subekti, Ani Dijah Rahajoe, Eka Prakarsa Mandyartha — Mon, 26 Aug 2024 00:00:00 +0000

Drowsiness is one of the main factors that influences performance and safety, especially in driving activities and productivity levels. This research develops a Drowsiness facial classification system using facial parameters such as Eye Aspect Ratio (EAR) and Mouth Aspect Ratio (MAR), as well as the Long Short-Term Memory (LSTM) algorithm. Data is collected via video of the subject's face and facial parameters are calculated from facial landmarks extracted using the dlib library. The LSTM model was chosen because of its ability to capture important temporal patterns in detecting changes in Drowsiness over time. With a data sequence of five frames as input, the dataset is divided into 80% training data and 20% test and validation data. Experimental results show that the LSTM model is able to detect drowsiness with high accuracy, showing that the combination of EAR and MAR is effective in identifying drowsiness. This system is expected to be applied in early warning systems for drivers and employee monitoring, making significant contributions in the field of drowsiness detection using LSTM algorithms and facial parameters.

PENGEMBANGAN APLIKASI PENDETEKSI KERETAKAN JALAN BERBASIS ANDROID DENGAN IMPLEMENTASI ALGORITMA HYBRID CNN-LSTM

Ilham Akbar Pradana, Rahajoe Ani Dijah, Andreas Nugroho Sihananto — Mon, 26 Aug 2024 00:00:00 +0000

Infrastruktur jalan yang berkualitas memegang peran penting dalam pertumbuhan ekonomi suatu negara. Namun, dengan meningkatnya volume kendaraan dan faktor lingkungan, kerusakan jalan menjadi masalah yang tak terhindarkan dan memerlukan perhatian serius. Metode tradisional dalam mendeteksi kerusakan jalan seringkali dilakukan melalui inspeksi manual yang tidak hanya memakan waktu tetapi juga cenderung subjektif dan kurang akurat. Penelitian ini mengusulkan pengembangan aplikasi Android yang inovatif, yang memanfaatkan teknologi Deep Learning untuk mendeteksi kerusakan jalan secara akurat dan efisien. Aplikasi ini menggabungkan Convolutional Neural Network (CNN) untuk ekstraksi ciri visual dari gambar dan Long Short-Term Memory (LSTM) untuk memahami konteks sekuensial dari data hasil luaran lapisan-lapisan CNN. Dataset yang digunakan dalam pengembangan model ini bersumber dari kumpulan gambar kerusakan jalan sebagai representasi dari berbagai kondisi jalanan perkotaan di Indonesia. Melalui proses pelatihan, model CNN-LSTM yang ini diintegrasikan ke dalam aplikasi dengan menggunakan TensorFlow Lite. Pengembangan aplikasi Android dilakukan dengan mempertimbangkan arsitektur aplikasi yang baik dan efisien, menjamin bahwa aplikasi tidak hanya responsif dan intuitif tetapi juga hemat sumber daya. Melalui integrasi teknologi canggih dan pendekatan pengembangan yang terfokus, aplikasi ini berpotensi menjadi alat penting dalam usaha pemeliharaan infrastruktur jalan, memberikan solusi yang praktis dan inovatif untuk mendeteksi kerusakan jalan dengan cepat dan akurat.

JIFOSI

Klasifikasi Wajah Kantuk Menggunakan Parameter Wajah Dengan Algoritma Long Short Term Memory

PENGEMBANGAN APLIKASI PENDETEKSI KERETAKAN JALAN BERBASIS ANDROID DENGAN IMPLEMENTASI ALGORITMA HYBRID CNN-LSTM