Klasifikasi Pengemudi Terganggu Berdasarkan Citra Menggunakan ResNet-50
DOI:
https://doi.org/10.61805/fahma.v22i3.137Kata Kunci:
Deteksi Pengemudi Terganggu, ResNet-50, Pembelajaran Mendalam, Pembelajaran Mesin, klasifikasi citraAbstrak
Penelitian ini bertujuan untuk mengevaluasi dan membandingkan efektivitas algoritma ResNet-50 dalam mengklasifikasikan aktivitas pengemudi terganggu pada dua jenis dataset: setir kiri dan setir kanan, menggunakan dataset AUC Driver Distracted yang mencakup sepuluh kelas aktivitas seperti mengemudi normal, menelepon, dan menulis pesan. Model ResNet-50 diterapkan tanpa modifikasi arsitektur atau teknik augmentasi data, dengan pemilihan parameter menggunakan 5-fold cross-validation dan optimasi Stochastic Gradient Descent (SGD). Hasil penelitian menunjukkan perbedaan signifikan dalam kinerja model antara dataset setir kiri dan kanan, dengan akurasi mencapai 84% dan 96%, secara berturut-turut. Perbedaan ini mungkin disebabkan oleh variasi distribusi data dan visual antara kedua dataset. Kesalahan klasifikasi yang terjadi sebagian besar disebabkan oleh keterbatasan gambar statis yang tidak dapat menangkap konteks temporal dari aktivitas pengemudi. Temuan ini menunjukkan potensi aplikasi dan perlunya penelitian lebih lanjut untuk meningkatkan kemampuan deteksi aktivitas pengemudi terganggu dalam konteks dunia nyata.
Unduhan
Referensi
“Distracted Driving Event; Traffic Fatality Data Release | NHTSA.” Diakses: 2 September 2024. [Daring]. Tersedia pada: https://www.nhtsa.gov/speeches-presentations/distracted-driving-event-put-phone-away-or-pay-campaign
G. Hermawan dan E. Husni, “Acquisition, Modeling, and Evaluating Method of Driving Behavior Based on OBD-II: A Literature Survey,” IOP Conf. Ser. Mater. Sci. Eng., vol. 879, no. 1, hlm. 012030, Jul 2020, doi: 10.1088/1757-899X/879/1/012030.
“Distracted Driving Dangers and Statistics | NHTSA.” Diakses: 12 Januari 2023. [Daring]. Tersedia pada: https://www.nhtsa.gov/risky-driving/distracted-driving
“Kecelakaan Lalu Lintas Meningkat, Capai 94 Ribu Kasus sampai September 2022.” Diakses: 13 Januari 2023. [Daring]. Tersedia pada: https://databoks.katadata.co.id/datapublish/2022/11/22/kecelakaan-lalu-lintas-meningkat-capai-94-ribu-kasus-sampai-september-2022
“Distracted Driving | Transportation Safety | Injury Center | CDC.” Diakses: 13 Januari 2023. [Daring]. Tersedia pada: https://www.cdc.gov/transportationsafety/distracted_driving/index.html
J. Bärgman, “Methods for Analysis of Naturalistic Driving Data in Driver Behavior Research,” Doctoral dissertation, Chalmers University of Technology, Gothenburg, Sweden, 2016.
H. Singh dan A. Kathuria, “Analyzing driver behavior under naturalistic driving conditions: A review,” Accid. Anal. Prev., vol. 150, hlm. 105908, Feb 2021, doi: 10.1016/j.aap.2020.105908.
Y. Abouelnaga, H. M. Eraqi, dan M. N. Moustafa, “Real-time Distracted Driver Posture Classification,” ArXiv170609498 Cs, Nov 2018, Diakses: 15 Juli 2021. [Daring]. Tersedia pada: http://arxiv.org/abs/1706.09498
H. M. Eraqi, Y. Abouelnaga, M. H. Saad, dan M. N. Moustafa, “Driver Distraction Identification with an Ensemble of Convolutional Neural Networks,” J. Adv. Transp., vol. 2019, hlm. 1–12, Feb 2019, doi: 10.1155/2019/4125865.
S. Fu, Z. Yang, Y. Ma, Z. Li, L. Xu, dan H. Zhou, “Advancements in the Intelligent Detection of Driver Fatigue and Distraction: A Comprehensive Review,” Appl. Sci., vol. 14, no. 7, Art. no. 7, Jan 2024, doi: 10.3390/app14073016.
F. Nel dan M. Ngxande, “Driver Activity Recognition Through Deep Learning,” dalam 2021 Southern African Universities Power Engineering Conference/Robotics and Mechatronics/Pattern Recognition Association of South Africa (SAUPEC/RobMech/PRASA), Potchefstroom, South Africa: IEEE, Jan 2021, hlm. 1–6. doi: 10.1109/SAUPEC/RobMech/PRASA52254.2021.9377022.
Abeer. A. Aljohani, “Real-time driver distraction recognition: A hybrid genetic deep network based approach,” Alex. Eng. J., vol. 66, hlm. 377–389, Mar 2023, doi: 10.1016/j.aej.2022.12.009.
T. Khan, G. Choi, dan S. Lee, “EFFNet-CA: An Efficient Driver Distraction Detection Based on Multiscale Features Extractions and Channel Attention Mechanism,” Sensors, vol. 23, no. 8, Art. no. 8, Jan 2023, doi: 10.3390/s23083835.
K. He, X. Zhang, S. Ren, dan J. Sun, “Deep Residual Learning for Image Recognition,” dipresentasikan pada Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, hlm. 770–778. Diakses: 10 Mei 2022. [Daring]. Tersedia pada: https://openaccess.thecvf.com/content_cvpr_2016/html/He_Deep_Residual_Learning_CVPR_2016_paper.html
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Galih Hermawan (Penulis)
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
