EMAIL: PASSWORD:
Front Office
UPT. PERPUSTAKAAN
Universitas Esa Unggul


Kampus Emas UEU - Jakarta Barat

Phone : 021-5674223, ext 282
Fax :
E-mail : [email protected]
Website : http://library.esaunggul.ac.id

Support (Customer Service) :
[email protected]








Welcome..guys!

Have a problem with your access?
Please, contact our technical support below:
LIVE SUPPORT


Astrid Chrisafi




! ATTENTION !

To facilitate the activation process, please fill out the member application form correctly and completely
Registration activation of our members will process up to max 24 hours (confirm by email). Please wait patiently

Still Confuse?
Please read our User Guide

Keyword
Mode
Expanded Search (for Free text search only)
 

UEU » Journal » Magister Ilmu Komputer
Posted by [email protected] at 11/02/2022 11:30:30  •  188 Views


DETEKSI KANTUK PENGENDARA MOBIL BERBASIS CITRA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS

Created by :
Habibullah Akbar ( 0315108201 )
Diah Aryani; Suhandi Junaedi



SubjectPENGEMUDI
SENSOR CITRA
Alt. Subject DRIVER
IMAGE SENSOR
KeywordConvolutional Neural Network
AlexNet
PERCLOS
Deteksi Kantuk
Pengendara Mobil

Description:

Mengantuk bagi pengemudi dapat menyebabkan kecelakaan lalu lintas yang fatal. Banyak penelitian melaporkan bahwa gerakan yang berhubungan dengan mata dan menguap berkorelasi dengan risiko kelelahan dan keselamatan dalam berkendara. Namun, metode ini cenderung bergantung pada gerakan keadaan mata atau kondisi mulut. Dalam penelitian ini, kami menyajikan pendekatan berbasis Convolutional Neural Network untuk mendeteksi kantuk pengemudi secara otomatis tanpa perlu memodelkan kondisi lingkungan ataupun fitur wajah pengendara. Dataset citra yang digunakan diturunkan dari dataset video YawDD dimana resolusi yang digunakan adalah 32 x 32 piksel. Metode CNN yang digunakan adalah AlexNet yang memiliki dua lapisan konvolusi dan dibandingkan dengan metode tradisional yang masih harus melakukan pemilihan dan ekstrasi fitur secara manual. Eksperimen menunjukkan parameter terbaik yaitu minibatch senilai 30, learning rate senilai 0,1, rasio training dan testing yaitu 0,9 : 0,1, dropout senilai 10%, dan epoch senilai 500. Akurasi yang dihasilkan berhasil mencapai 77,8% walaupun waktu training yang dibutuhkan masih relatif tinggi. Meskipun demikian, metode yang ini mampu mengungguli metode tradisional yang masih memerlukan pemodelan fitur secara eksplisit (yaitu PERCLOS).

Date Create:11/02/2022
Type:Text
Format:pdf
Language:Indonesian
Identifier:UEU-Journal-11_2327
Collection ID:11_2327


Source :
INFORMATIKA Manajemen Informatika Universitas Labuhanbatu Vol. 10 No.1 / Januari/2022

Relation Collection:
Fakultas Ilmu Komputer

Coverage :
Civitas Akademika Universitas Esa Unggul

Rights :
@2022 Perpustakaan Universitas Esa Unggul


Publication URL :
https://digilib.esaunggul.ac.id/deteksi-kantuk-pengendara-mobil-berbasis-citra-menggunakan-convolutional-neural-networks-23405.html




[ Free Download - Free for All ]

  1.  UEU-Journal-23405-11_2327.pdf - 905 KB

[ FullText Content - Please, register first ]

...No Files...


[ Link of Contents]
  1. DETEKSI KANTUK PENGENDARA MOBIL BERBASIS CITRA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS
    https://jurnal.ulb.ac.id/index.php/informatika/article/view/2454

 10 Similar Document...

     No similar subject found !

 10 Related Document...

     No related subject found !




HELP US !
You can help us to define the exact keyword for this document by clicking the link below :

AlexNet , Convolutional , Convolutional Neural Network , Deteksi , Deteksi Kantuk , Kantuk , Mobil , Network , Neural , PERCLOS , Pengendara , Pengendara Mobil



POLLING

Bagaimana pendapat Anda tentang repository kami ?

Bagus Sekali
Baik
Biasa
Jelek
Mengecewakan




55886192


Visitors Today : 1
Total Visitor : 1963258

Hits Today : 24236
Total Hits : 55886192

Visitors Online: 1


Calculated since
16 May 2012

You are connected from 172.17.121.29
using CCBot/2.0 (https://commoncrawl.org/faq/)


UEU Digital Repository Feeds


Copyright © UEU Library 2012 - 2022 - All rights reserved.
Dublin Core Metadata Initiative and OpenArchives Compatible
Developed by Hassan