Implementasi Convolutional Neural Network (CNN) dengan Arsitektur VGG-19 untuk Deteksi Kelelahan Tubuh Melalui Kondisi Mata
Abstract
Kelelahan merupakan kondisi di mana ketika tubuh seseorang sudah kekurangan kapasitas yang dimiliki, sehingga akan berdampak pada produktifitas kerja. Ada banyak cara atau metode untuk mengetahui kondisi seseorang yang sedang mengalami kelelahan, salah satunya yaitu dengan cara melakukan sesi tanya jawab seperti yang dilakukan pada masinis di PT Kereta Api Indonesia setiap kali ingin bertugas. Meskipun metode ini sudah cukup baik, namun kurang fleksibel jika terus menerus harus dilakukan sesi tanya jawab di setiap sebelum para masinis bekerja. Penelitian ini menerapkan Convolutional Neural Network (CNN) dengan arsitektur VGG-19 untuk membuat sistem yang dapat melakukan deteksi kelelahan tubuh melalui kondisi mata. Dataset yang digunakan terdiri dari 2 kelas, data sakit yang berisi gambar-gambar kondisi mata seseorang yang sedang kelelahan dan data sehat yang berisi gambar-gambar kondisi mata seseorang yang tidak sedang kelelahan. Hasil pengujian yang dilakukan menunjukkan bahwa model yang dibuat mempunyai akurasi %. Model dapat melakukan deteksi tubuh yang lelah dengan akurasi % dan tubuh yang tidak lelah dengan akurasi %.
Kata kunci—CNN, kelelahan, PT Kereta Api Indonesia, VGG-19.
References
K. Aoki, H. Nishikawa, Y. Makihara, D. Muramatsu, N. Takemura, and Y. Yagi, “Physical Fatigue Detection from Gait Cycles via a Multi-Task Recurrent Neural Network,” IEEE Access, vol. 9, pp. 127565–127575, 2021, doi: 10.1109/ACCESS.2021.3110841.
J. Keselamatan, K. Kerja, D. Lingkungan, A. Agustin, T. Ihsan, and R. A. Lestari, “Gambaran Faktor-Faktor Yang Mempengaruhui Kelelahan Kerja Pada Pekerja Industri Tekstil di Indonesia: REVIEW,” vol. 2, no. 2, 2021, [Online]. Available: http://jk3l.fkm.unand.ac.id/|
Nadia Intan Fajarlie, “Sebelum Jalankan Kereta Api, Masinis PT KAI Wajib Tes Kesehatan hingga Patuhi SOP Pekerjaan,” Kompas.tv.
K. Azmi, S. Defit, and U. Putra Indonesia YPTK Padang Jl Raya Lubuk Begalung-Padang-Sumatera Barat, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” vol. 16, no. 1, p. 2023.
S. U. Masruroh, A. Fiade, M. I. Tanggok, R. A. Putri, and L. A. Pratiwi, “Convolutional Neural Network for Colorization of Black and White Photos,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 22, no. 2, pp. 393–404, Mar. 2023, doi: 10.30812/matrik.v22i2.2652.
R. Sustika, A. Subekti, H. F. Pardede, E. Suryawati, O. Mahendra, and S. Yuwana, “Evaluation of deep convolutional neural network architectures for strawberry quality inspection,” International Journal of Engineering and Technology(UAE), vol. 7, no. 4, pp. 75–80, 2018, doi: 10.14419/ijet.v7i4.40.24080.
D. Marcella and S. Devella, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19,” vol. 3, no. 1, pp. 60–70, 2022.
