ANALISIS DETEKSI KANTUK DI WAJAH PADA PENGEMUDI DENGAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

MAHARANI, ULLYA DWI (2024) ANALISIS DETEKSI KANTUK DI WAJAH PADA PENGEMUDI DENGAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text 1. File Halaman Depan (Cover).pdf Download (1MB) | Preview
	Text 2. File BAB I Pendahuluan.pdf Restricted to Repository staff only Download (115kB) | Request a copy
	Text 3. File BAB II Tinjauan Pustaka.pdf Restricted to Repository staff only Download (310kB) | Request a copy
	Text 4. File BAB III Metodologi Penelitian.pdf Restricted to Repository staff only Download (229kB) | Request a copy
	Text 5. File BAB IV Hasil dan Pembahasan.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text 6. File BAB V Kesimpulan dan Saran.pdf Restricted to Repository staff only Download (10kB) | Request a copy
	Text 7. File Daftar Pustaka.pdf Restricted to Repository staff only Download (115kB) | Request a copy
	Text 8. File Lampiran.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Kantuk pada saat mengemudi merupakan masalah serius yang dapat menyebabkan kecelakaan lalu lintas, sehingga sangat penting untuk memiliki sistem deteksi yang efektif untuk mencegah kejadian tersebut. Penelitian ini bertujuan untuk mengembangkan sistem deteksi kantuk dengan menggunakan model Support Vector Machine (SVM) yang terintegrasi dengan perangkat keras berbasis Raspberry Pi dan kamera webcam. Sistem ini dirancang untuk memonitor kondisi mata pengemudi secara real-time dan memberikan peringatan melalui buzzer ketika mata terdeteksi tertutup lebih dari 3 detik. Dalam penelitian ini, model SVM diterapkan dengan tiga jenis kernel yaitu linear, polinomial, dan Radial Basis Function (RBF) untuk mengklasifikasikan gambar mata ke dalam dua kategori yaitu "Opened" dan "Closed". Proses penelitian mencakup pengumpulan dataset gambar, pelatihan model dengan berbagai kernel, dan evaluasi kinerja model berdasarkan akurasi, precision, recall, dan f1-score. Hasil evaluasi menunjukkan bahwa kernel polinomial memberikan performa terbaik dengan akurasi mencapai 85%, serta precision dan recall yang seimbang untuk kedua kelas. Sebagai perbandingan, kernel linear menghasilkan akurasi 84%, sementara kernel RBF mencatat akurasi 83% dengan hasil yang lebih bervariasi. Penelitian ini membuktikan bahwa kernel polinomial adalah pilihan optimal untuk deteksi kantuk, menawarkan solusi yang efektif dan andal untuk meningkatkan keselamatan berkendara dengan mendeteksi tanda-tanda kantuk secara akurat.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Deteksi Kantuk, Support Vector Machine, Raspberry Pi, Klasifikasi, Akurasi Model
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Mr Bambang Anthony
Date Deposited:	22 Jul 2026 01:53
Last Modified:	22 Jul 2026 01:53
URI:	http://eprints.polsri.ac.id/id/eprint/22261

Actions (login required)

View Item