| dc.description.abstract | Dampak lockdown di masa pandemi di Indonesia yang dimulai tahun 2020 mempengaruhi
adaptasi pelajar beraktivitas di rumah dan harus berada didepan layar selama proses belajar
tiap hari. Hal tersebut bisa membuat pelajar kelelahan terutama mempercepat kelelahan mata
dan mengalami stress, sehingga mempengaruhi tingkat keberhasilan akademik. Penelitian
ini dilakukan klasifikasi kelelahan berdasarkan fitur mata untuk mengetahui indikasi
kelelahan yang dialami pelajar. Pada penelitian ini digunakan deep learning dengan
membandingkan mobile architecture Convolution Neural Network (CNN). Dataset yang
digunakan adalah MRL Eye Dataset. Dataset ini telah memiliki anotasi eye state. Anotasi
eye state digunakan untuk klasifikasi kondisi mata dengan 2 label, yaitu label 0 untuk anotasi
mata tertutup dan label 1 untuk anotasi mata terbuka. Proses training yang dilakukan
menggunakan data yang berukuran 224x224 dan pengujian dengan jumlah 50 epoch dan
0.0001 learning rate. Untuk memberikan analisis yang lebih luas dan untuk mendapatkan
best model, penulis membandingkan dan mengevaluasi model training terhadap tiga
arsitektur yakni MobilenetV1, MobileNetV3 dan EfficientNet Lite0. Penentuan best model
dilakukan dengan melihat ukuran model terkecil dan performa model. Meskipun, hasil
performa metrik EfficientNet Lite0 didapatkan presisi sebesar 1.00, recall 1.00, f1-score 1.00
dan MobileNetV3 Large lebih unggul dalam nilai prediksi dengan nilai false negative 0 dan
CP 32. MobileNetV1 menghasilkan best model dengan ukuran model terkecil sesuai dengan
tujuan penelitian yaitu 12 MB dibandingkan MobileNetV3 Large dan EfficientNet Lite0,
akan tetapi tidak mengurangi akurasi prediksi sebesar 98% dengan inference time 0.05 detik.
Selanjutnya, pengujian model pada sistem pendeteksi kelelahan yang dikembangkan oleh
Ashish Kushwaha berhasil membaca kondisi mata subjek melalui webcam komputer. Subjek
terdeteksi lelah karena mata tertutup dengan nilai score 21 atau selama 8 detik. | en_US |
