SISTEM DETEKSI KELELAHAN MELALUI KONDISI MATA - Capstone

MUHAMMAD ZULVIKAR FADLILLAH KAMIL

Informasi Umum

Kode

24.04.2962

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

177 kali

Informasi Lainnya

Abstraksi

Penelitian ini bertujuan untuk membuat sebuah website sistem deteksi kelelahan yang menggunakan Machine Learning untuk menentukan lelah atau tidaknya seseorang. Adapun latar belakang dari dilakukannya pembuatan sistem deteksi kelelahan ini karena adanya permintaan untuk otomatisasi sistem dari PT Kereta Api Indonesia (KAI). Sebelum bekerja, setiap masinis maupun asisten masinis diwajibkan melakukan pemeriksaan kesehatan, assessmen singkat, pengecekan kondisi lokomotif dan mematuhi Standar Operasional Prosedur (SOP) dalam bekerja. Pengecekan kesehatan yang dilakukan yaitu masih menggunakan cara manual dengan cara tanya jawab antara tenaga kesehatan dan masinis yang bertugas, sehingga pengecekan kondisi kesehatan tubuh masinis kurang fleksibel dan memakan waktu. Oleh karena itu dibutuhkan sebuah solusi yang dapat mengatasi masalah dalam pengecekan kondisi tubuh masinis dengan cepat dan lebih fleksibel. Solusi yang ditawarkan untuk mengatasi masalah dalam pengecekan kondisi tubuh yang kurang fleksibel dan memakan waktu adalah dengan menggunakan teknologi Image Processing dan Machine Learning. Dalam penelitian ini, Convolutional Neural Network (CNN) akan digunakan sebagai metode dari Machine Learning. Kemudian akan ada 3 arsitektur yang akan digunakan, yaitu VGG-19, ResNet50, dan EfficientNetV2. Selanjutnya, arsitektur dengan tingkat akurasi tertinggi akan diintegrasikan dalam website, sehingga dapat memudahkan dalam pengecekan kondisi tubuh melalui kondisi mata. Dalam pengujian menggunakan dataset yang diambil dari 32 orang untuk kelas lelah dengan jumlah total 315 data dan 30 orang dari kelas tidak lelah dengan jumlah total 298 data, VGG-19 mencapai tingkat akurasi 98%, sementara ResNet50, mencapai 75%, dan EfficientNetV2 mencapai 86%. Hal ini menunjukkan bahwa arsitektur VGG-19 memiliki kemampuan yang lebih baik dalam mengklasifikasikan kelelahan melalui kondisi mata. Sehingga dapat disimpulkan penelitian ini berhasil mengembangkan sistem deteksi kelelahan melalui kondisi mata. Penggunaan metode CNN dengan arsitektur VGG-19 memberikan tingkat akurasi yang tinggi dalam mengklasifikasikan kelelahan. Website deteksi kelelahan yang telah diintegrasikan dengan sistem dapat digunakan dengan mudah dan fleksibel. Dengan demikian, penelitian ini memberikan solusi yang efektif dalam memudahkan pengecekan kondisi tubuh terhadap kelelahan. Kata kunci : Machine Learning, Convolutional Neural Network, VGG-19, ResNet50, EfficientNetV2