Analisis Sistem Deteksi Dini Kelelahan Mahasiswa Berdasarkan Fitur Mata dan Mulut dengan Kombinasi RetinaFace dan Convolutional Neural Network

Zahra Dwi Wardhani, Fardhila (2024) Analisis Sistem Deteksi Dini Kelelahan Mahasiswa Berdasarkan Fitur Mata dan Mulut dengan Kombinasi RetinaFace dan Convolutional Neural Network. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (513kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (921kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Download (322kB)
	PDF DAFTAR_PUSTAKA.pdf Download (393kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Kelelahan ditandai dengan penurunan energi dan stamina yang signifikan, serta rasa letih yang mendalam. kelelahan dapat secara signifikan mempengaruhi kemampuan individu dalam menghadapi dan mengelola stress. Di Indonesia, stress lebih sering dialami oleh generasi Z, terutama mahasiswa sarjana. Peningkatan tingkat stress dikaitkan dengan penurunan kesehatan mental mahasiswa. Kondisi kelelahan oleh mahasiswa seringkali berdampak pada persepsi mereka terhadap diri sendiri dan kemampuan akademis mereka. Salah satu langkah penting yang dapat diambil adalah deteksi dini gejala kelelahan, untuk mencegah efek negatif dari kelelahan terhadap performa akademik. Kelelahan seringkali terlihat dalam berbagai perubahan ekspresi wajah, fitur-fitur pada wajah bisa menjadi indikator untuk mendeteksi kelelahan. Penelitian ini bertujuan melakukan pengembangan model deteksi kelelahan serta evaluasi komparatif antara berbagai arsitektur model Convolutional Neural Network (CNN) yang telah dilatih sebelumnya serta menggunakan arsitektur model CNN Custom, dan dikombinasikan dengan penggunaan RetinaFace sebagai algoritma deteksi. Setiap arsitektur akan dievaluasi berdasarkan accuracy, precision, recall, dan F1-score. RetinaFace sebagai algoritma deteksi berperan dengan sangat baik dalam mendeteksi titik fitur wajah. MobileNetV2 untuk klasifikasi kondisi kelelahan pada mata dan mulut mendapatkan akurasi testing tertinggi sebesar 97.62% dengan model mata yang menghasilkan precision 95.34%, recall 95.51%, dan f1-score 95.36%, sedangkan model mulut menghasilkan precision 99.71%, recall 99.76%, dan f1-score 99.7%. MobileNetV2 meraih nilai yang paling tinggi dibandingkan InceptionV3 dan CNN Custom. Evaluasi pengujian real-time menghasilkan model bekerja dengan cukup baik, tetapi memiliki kelemahan ketika diuji dengan menggunakan kacamata dan pencahayaan yang rendah.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Convolutional Neural Network, Deteksi, Kelelahan, Mahasiswa, RetinaFace
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:38
Last Modified:	11 Nov 2024 09:38
URI:	https://kc.umn.ac.id/id/eprint/34297

Actions (login required)

View Item