Klasifikasi Pengemudi yang Terdistraksi Menggunakan Densenet 169
Main Article Content
Abstract
Penelitian ini bertujuan untuk mendeteksi pengemudi yang terdistraksi menggunakan arsitektur DenseNet-169, di mana salah satu penyebab utama kecelakaan lalu lintas adalah gangguan pada pengemudi. Hal ini dapat menyebabkan kerugian materi maupun kehilangan nyawa. Dataset yang digunakan adalah State Farm Distracted Driver Detection, yang terdiri dari 19.000 gambar dalam 10 kelas berbeda. DenseNet-169 dipilih karena kemampuannya yang unggul dalam menangani dataset yang besar dan kompleks dengan efisiensi parameter yang tinggi. Model dilatih menggunakan pre-trained weights dari ImageNet dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa DenseNet-169 memberikan performa yang baik dalam mengklasifikasikan kondisi pengemudi yang terdistraksi dengan akurasi 97,50% pada data uji. Diharapkan teknologi ini dapat berkontribusi pada keselamatan jalan raya dengan mendeteksi pengemudi yang terdistraksi.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
[1] Nair K, Deshpande A, Guntuka R, Patil A. Analysing X-Ray Images to Detect Lung Diseases Using DenseNet-169 technique. SSRN Electron J. 2022.
[2] Nandy A. A densenet based robust face detection framework. Proc - 2019 Int Conf Comput Vis Work ICCVW 2019. 2019;1840–7.
[3] Satardekar S. Distracted Driver Detection and Classification Distracted Driver Detection and Classification Prof . Pramila M . Chawan *, Shreyas Satardekar **, Dharmin Shah **, Rohit. 2018;(July):2–7.
[4] Vaegae NK, Pulluri KK, Bagadi K, Oyerinde OO. Design of an Efficient Distracted Driver Detection System: Deep Learning Approaches. IEEE Access. 2022;10(November):116087–97.
[5] Arafin I, Tazwar SI, Das NS, Anika ST. Application Of CNN Based Architectures in Detection of Distracted Drivers. 2022;(August).
[6] Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely connected convolutional networks. Proc - 30th IEEE Conf Comput Vis Pattern Recognition, CVPR 2017. 2017;2017-January:2261–9.
[7] Dalvi PP, Edla DR, Purushothama BR. Diagnosis of Coronavirus Disease From Chest X- Ray Images Using DenseNet-169 Architecture. SN Comput Sci [Internet]. 2023;4(3):1–6. Available from: https://doi.org/10.1007/s42979-022-01627-7
[8] Smith SL, Kindermans PJ, Ying C, Le Q V. Don’t decay the learning rate, increase the batch size. 6th Int Conf Learn Represent ICLR 2018 - Conf Track Proc. 2018;(2017):1–11.
[9] Wibawa SM. Jurnal Sistem dan Informatika Pengaruh Fungsi Aktivasi, Optimisasi dan Jumlah Epoch Terhadap Performa Jaringan Saraf Tiruan. J Sist Dan Inform [Internet]. 2017;11(December):1–7. Available from: http://archive.ics.uci.edu/ml/datasets/Wine
[10] Andrew Senior, Georg Heigold, Marc’Aurelio Ranzato KY. An Empirical Study of Learning Rates In Deep Neural Networks For Speech Recognition Andrew Senior , Georg Heigold , Marc ’ Aurelio Ranzato , Ke Yang New York. New York. 2013;6724–8.
[11] Murphy A, Moore C. Confusion matrix. Radiopaedia.org. 2019;(October).
[12] Machart P, Ralaivola L. Confusion Matrix Stability Bounds for Multiclass Classification. 2012; Available from: http://arxiv.org/abs/1202.6221