Search Result  ::  Save as CSV :: Back

"The development of technologies for detecting or preventing drowsiness at the wheel has been a major challenge in the area of accident avoidance systems. Due to the hazard that drowsiness presents on the road, methods need to be developed for its early detection. This study implements a Haar cascade technique on a Raspberry Pi module and evaluates the performance of the developed system. The results obtained from the evaluation of the standalone embedded system show that a precision of 80.11% and recall (sensitivity) of 99.81% were achieved. The results of the system usability test (based on an administered questionnaire) reveal that the mean System Usability Scale (SUS) score for the 20 participants is 77.38, with a standard deviation of 9.40. The minimum and maximum score are 57.50 and 92.50, respectively. The mean SUS score of 77.38 indicates that user satisfaction is adequate."

"Perkembangan manusia dalam kebutuhan untuk bertransportasi semakin meningkat. Kebutuhan manusia untuk menggunakan kendaraan bermotor sendiri bisa kita lihat dari tingginya permintaan manusia terhadap kendaraan bermotor. Karena tingginya permintaan tersebut, maka jumlah kecelakaan pada kendaraan bermotor ikut meningkat. Sudah banyak terjadi kecelakaan akibat dari kelalaian pengemudi yang secara tidak sadar maupun sadar. Untuk itu diperlukannya sistem keamanan saat berkendara. Sistem kendaraan yang dibuat ini berdasarkan pendeteksian marka jalan sehingga mengetahui perilaku pengemudi. Sistem ini menggunakan OpenCV sebagai pengolah citra beserta algoritmanya yaitu Canny Edge Detection dan Hough Transform. Selain mendeteksi marka jalan untuk mengetahui posisi pengemudi, sistem ini juga dilengkapi dengan pendeteksi rasa kantuk bagi pengemudi. Dari implementasi yang dibuat mendapatkan tingkat keberhasilan dalam mendeteksi marka jalan pada segala kondisi pencahayaan serta cuaca dengan hasil 71 . Pada kondisi jalan sesuai dengan peraturan lalu lintas mendapatkan hasil yang baik, dan dapat mendeteksi rasa kantuk jika apabila dalam waktu 30 detik sudah terdapat 3 langkah menyentuh marka jalan.

---

Human development in the need for transportation is increasing. Human needs to use their own motor vehicles can be seen from the high demand for human vehicles. Due to the high demand, the number of accidents on motor vehicles also increased. There have been many accidents resulting from the negligence of the driver who is unconscious or conscious. Therefore, we need a security system when driving. This vehicle system is made based on the detection of road markings to know the behavior of the driver.

This system uses OpenCV as image processing along with its algorithms namely Canny Edge Detection and hough transform. In addition to detecting a road marker to determine the driver 39 s position, the system is also equipped with a drowsy detector for the driver. From the implementation, it was found to be successful in detecting road markings in all lighting conditions and weather with 71 yield. On road conditions in accordance with traffic regulations get good results, and can detect drowsiness if within 30 seconds there are 3 steps touching the road marker."

"Penyebab utama kecelakaan lalu lintas adalah perilaku mengemudi yang berisiko. Pengemudi berisiko terjadi pada pengemudi profesional (kendaraan logistik) dan pengemudi non-profesional (kendaraan pribadi). Pengemudi profesional seperti pengemudi truk mempunyai persentase tingkat kecelakaan yang lebih tinggi daripada pengemudi non-profesional karena memiliki jam operasional mengemudi yang lebih tinggi dan memiliki jarak tempuh mengemudi yang tinggi. Selain itu, kondisi kerja pengemudi yang penuh tekanan karena dituntut untuk melakukan pengiriman tepat waktu, kelelahan akibat kemacetan di jalan raya, adanya pemberlakuan batasan waktu penggunaan jalan atas operasional truk dari pemerintah, waktu tunggu administrasi pengiriman yang lama. Perilaku tersebut merupakan faktor penyebab terjadinya kecelakaan lalu lintas jalan raya. Pendekatan design thinking digunakan dalam penelitian ini untuk merancang driver monitoring system yang memiliki hasil desain sesuai dengan kebutuhan dan keinginan manajemen dan pengemudi. Dimulai dari fase empathize dengan mewawancarai manajemen dan pengemudi hingga mendapatkan user journey map. Selanjutnya pada fase define diperoleh adanya masalah utama yaitu perilaku pengemudi yang agresif. Kemudian dilanjutkan pada fase ideation yaitu memberikan solusi atas permasalahan yang terjadi dari fase define, dalam penelitian ini menghasilkan ide sesuai kebutuhan manajemen dan pengemudi berupa driver monitoring system terdiri dari hardware (main device dan alert device) serta software (web dashboard) yang berbasiskan Internet of Things (IoT) dapat memberikan fungsi sebagai report secara real-time selama operasional truk untuk mencegah kecelakaan, memantau operasional truk, pengendalian truk jarak jauh, dan historical report. Driver monitoring system yang dirancang memiliki fitur melihat riwayat perjalanan pengemudi, fitur memberikan notifikasi kepada pengemudi apabila melebihi batas yang ditentukan, fitur memberikan laporan keselamatan pengemudi, dan fitur mendeteksi rasa kantuk dan memberikan drowsiness alert kepada pengemudi. Tahap terakhir dilakukan pengujian terhadap sistem yang dirancang. Terdapat empat objek yang menjadi fokus penelitian ini, yaitu operasional truk selama berkendara, kendaraan, lingkungan, dan manajemen yang mana dianalisis secara analitik yang akan menjadi kerangka kerja driver monitoring system yang komprehensif dari penelitian utama dan mengeksplorasi interaksi antara manajemen dan pengemudi.

---

The main cause of traffic accidents is risky driving behavior. Drivers are at risk for professional drivers (logistics vehicles) and non-professional drivers (private cars). Professional drivers such as truck drivers have a higher percentage of accidents than non-professional drivers because they have higher driving operating hours and have high driving mileage. In addition, the working conditions of drivers are full of pressure because they are required to make deliveries on time, fatigue due to congestion on the highway, the imposition of time limits on-road use for truck operations from the government, and long administrative waiting times for delivery. This behavior is a factor in the occurrence of road traffic accidents. The design thinking approach is used in this study to design a driver monitoring system that has the design results according to the needs and desires of management and drivers. Starting from the empathize phase by interviewing management and drivers to getting a user journey map. In the define phase, it found that the main problem is the aggressive driver behavior. Furthermore, the ideation phase, which is to provide solutions to problems that occur from the define phase, in this study generate ideas according to management and driver needs in the form of a monitoring system driver consisting of hardware (main device and alert device) and software (web dashboard) based on the Internet of Things ( IoT) can provide a real-time report function during truck operations to prevent accidents, monitor truck operations, control truck remotely, and historical reports. The driver monitoring system is designed to have a feature to view the driver's trip history, to notify the driver when it exceeds a specified limit, to provide a driver safety report, and to detect drowsiness and provide drowsiness alerts to the driver. The last stage is testing the designed system. Four objects are the focus of this research including truck operations during driving, vehicles, environment, and management which are analyzed analytically which will become a comprehensive Driver Monitoring System framework from the main research and explore the interactions between management and drivers."

"Salah satu faktor manusia yang dapat menyebabkan kecelakaan lalu lintas adalah pengemudi yang mengantuk dan tidak fokus pada jalan yang ada di hadapannya. Tanda-tanda pengemudi yang mengantuk dapat diamati berdasarkan tiga pengukuran, yaitu uji kinerja, uji fisiologis, dan uji perilaku. Karena uji fisiologis dan kinerja cukup sulit dan mahal untuk dilaksanakan, maka uji perilaku masih menjadi pilihan yang baik untuk digunakan dalam mendeteksi rasa kantuk sejak dini. Salah satu perilaku manusia yang bisa diamati untuk mendeteksi kantuk adalah gerakan mata. Oleh karena itu, penelitian ini akan merancang suatu model untuk mendeteksi rasa kantuk pengemudi secara otomatis berdasarkan uji perilaku yang menganalisis aktivitas mata. Model yang diusulkan akan mendeteksi area mata dan kedipan berdasarkan citra wajah pengemudi menggunakan model deep learning Mask Region Convolutional Neural Network (Mask R-CNN). Kemudian, data kedipan dari masing-masing urutan gambar akan dikalkulasi menggunakan Percentage of Eyelid Closure (PERCLOS) untuk mendeteksi apakah pengemudi dalam keadaan mengantuk atau waspada. Hasil dari penelitian ini menunjukkan hasil akurasi sebesar 0,70. Selain itu, diperoleh nilai precision, recall, dan F1 score dari model Mask R-CNN yaitu 0,667 untuk precision, 0,80 untuk recall, serta 0,727 untuk F1 score.

---

One of the human factors that can cause traffic accidents are the drowsy drivers that do not focus on the road before them. The signs of a drowsy driver can be observed based on three measurements; performance test, physiological test, and behavioural test. Since the physiological and performance test are quite difficult and expensive to implement, the behavioural test is still a good choice to use for detecting early drowsiness. One of the human behaviours that can be observed is the eye movement. Therefore, this study will design a model for automatically detecting driver drowsiness based on a behavioural test, which analyses the eye activity. The proposed model will detect the eye area and state based on drivers’ face images using Mask Region Convolutional Neural Network (Mask R-CNN) deep learning model. Then, the blink data from each image sequence will be calculated using Percentage of Eyelid Closure (PERCLOS) to detect whether the driver is in a drowsy or alert state. The result of this research shows an accuracy score of 0,70. Besides that, the precision, recall, and F1 score are also obtained from the Mask R-CNN model, namely 0,667 for precision, 0,80 for recall, and 0,727 for F1 score."