AFNI, Alya Nur (2023) Perancangan Model Deep Learning dengan Arsitektur CNN pada Dataset Drowsiness untuk Capstone Project Aplikasi Drive Safely (Drive.Ly). Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Alya Nur Afni-H1A019052-TE-2023.pdf Download (366kB)
	PDF (Legalitas) LEGALITAS-Alya Nur Afni-H1A019052-TE-2023.pdf Restricted to Repository staff only Download (1MB)
	PDF (Abstrak) ABSTRAK-Alya Nur Afni-H1A019052-TE-2023.pdf Download (358kB)
	PDF (BabI) BAB-I-Alya Nur Afni-H1A019052-TE-2023.pdf Restricted to Repository staff only until 31 January 2024. Download (493kB)
	PDF (BabII) BAB-II-Alya Nur Afni-H1A019052-TE-2023.pdf Restricted to Repository staff only until 31 January 2024. Download (982kB)
	PDF (BabIII) BAB-III-Alya Nur Afni-H1A019052-TE-2023.pdf Restricted to Repository staff only until 31 January 2024. Download (493kB)
	PDF (BabIV) BAB-IV-Alya Nur Afni-H1A019052-TE-2023.pdf Restricted to Repository staff only Download (2MB)
	PDF (BabV) BAB-V-Alya Nur Afni-H1A019052-TE-2023.pdf Download (362kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA_Alya Nur Afni_H1A019052_TE_2023.pdf Download (483kB)
	PDF (Lampiran) LAMPIRAN_Alya Nur Afni_H1A019052_TE_2023.pdf Restricted to Repository staff only Download (640kB)

Abstract

Keselamatan menjadi hal yang paling penting dalam berkendara. Salah satu hal yang mempengaruhi keselamatan berkendara yaitu kehilangan fokus. Sebagian besar penyebab kurangnya fokus dalam berkendara dikarenakan rasa lelah dan kantuk akibat banyaknya aktivitas yang telah dilakukan. Bersamaan dengan dunia yang telah memasuki era revolusi industri 4.0, drive safely hadir sebagai salah satu solusi keselamatan tersebut. Drive Safely merupakan aplikasi yang dapat membantu dalam hal keselamatan berkendara. Drive safely ini memberikan 1 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. Penelitian ini menggunakan teknik transfer learning. Arsitektur yang digunakan pada penelitian ini yaitu VGG-16, MobileNet, MobileNetV2, 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 menggunakan confussion matrix tertinggi dari keempat arsitektur diperoleh pada arsitektur sederhana dengan split data 60:40 dan imagesize 128 yaitu sebesar 97%.

Actions (login required)

View Item