BAB III METODOLOGI PENELITIAN

3.1 Metodologi
Secara umum, metodologi dalam penelitian tugas akhir memiliki diagram
alir. Berdasarkan Gambar 3.1 alur metodologi penelitian tugas akhir ini diawali
dengan studi literatur untuk melakukan analisis kebutuhan dan perancangan hingga
dilanjutkan dengan pembuatan alat sehingga memeperoleh hasil dan kesimpulan.
Mulai

Apakah sistem sesuai

Pengujian Sistem
dan dapat dijalankan?

Studi Literatur Ya

Tidak
Integrasi Sistem

Perumusan Masalah

Analisis Hasil

Analisis Kebutuhan Implementasi Sistem

dan Spesifikasi
Sistem

Perancangan
Aplikasi

Selesai

Gambar 3.1 Algoritma metodologi penelitian

3.1.1 Studi Literatur

Studi literatur adalah kegiatan pengumpulan literatur yang berkaitan dengan
penelitian yang akan dilakukan. Literatur tersebut diantaranya adalah hasil dari
berbagai penelitian sebelumnya mengenai rangcang bangun pendeteksi kantuk pada
manusia berbasis facial landmark menggunakan Dlib dan OpenCV.
Literatur mengenai sistem deteksi kantuk sangat banyak dan dapat diakses
karena open source baik dalam bentuk artikel maupun buku. Dari beberapa hasil

15
publikasi penulis mengambil beberapa literatur yang paling up to date sehingga
mendapatkan pembaruan dalam penelitian ini.

3.1.2 Perumusan Masalah

Perumusan masalah adalah proses merumuskan masalah penelitian
berdasarkan data kondisi lapangan dan studi literatur yang telah dilakukan. Dalam
penelitian ini identifikasi masalah dilakukan dengan merancang dan mengetahui
cara kerja sistem deteksi kantuk berbasis facial landmark menggunakan Dlib dan
OpenCV.
Masalah yang akan diselesaikan dengan merancang aplikasi desktop
pendeteksi kantuk berbasis facial landmark menggunakan Dlib dan OpenCV.
Pengukuran kinerja sistem deteksi kantuk tersebut dilakukan dengan evaluasi
penggunaan resource dan evaluasi terhadap machine learning menggunakan
confusion matrix yang selanjutnya akan menampilkan angka akurasi, recall, F1
score dan specificity.

3.1.3 Analisis Kebutuhan dan Spesifikasi Sistem

Tahap ini dilakukan agar apa yang akan dibuat dan dirancang sesuai dengan
kebutuhan sistem yang berdasarkan data-data pada tahap-tahap perancangan.
Analisa kebutuhan meliputi kebutuhan perangkat keras dan perangkat lunak.
Kebutuhan akan perancangan aplikasi deteksi kantuk ini adalah PC dengan
OS Windows yang sudah terinstal Anaconda3. Dengan memanfaatkan notebook
yang tersedia pada Anaconda3 yaitu Jupyter Notebook dan bahasa pemrograman
Python 3.8 yang sudah terinstal beberapa library didalamnya terutama Dlib,
OpenCV, Tkinter dan Pygame.

3.1.4 Perancangan Aplikasi

Aplikasi dibangun menggunakan bahasa pemrograman Python 3.8 dengan
menggunakan Jupyter Notebook sebagai visualisasi sebelum akhirnya dibuat
aplikasi. Setelah program berjalan dengan baik, kemudian kode pada Jupyter
Notebook diunduh dalam format .py untuk selanjutnya diubah ke dalam file

16
eksekusi .exe sehingga aplikasi dapat digunakan pada PC. Tahap perancangan
aplikasi terdapat pada Gambar 3.2. Dimulai dengan menginput nilai threshold,
kemudian melakukan proses penangkapan koordinat mata hingga menghitung nilai
EAR, selanjutnya memeriksa nilai EAR dan Counter hingga menghasilkan bunyi
alarm saat seseorang terdeteksi mengantuk.
Mulai

Mengatur konstanta
EAR_Threshold = 0.3
Counter += 1
EAR_Frame = 50
Counter = 0

• cv2.imshow: menampilkan
video
• cv2.CascadeClassifier:
Apakah Counter >=
lokalisasi wajah
EAR_Frame?
• dlib.shape_predictor:
lokalisasi landmark mata
• Menghitung nilai EAR

Tidak
Ya

Ya
Apakah nilai EAR <
EAR_Threshold? Alarm aktif dan muncul tulisan
peringatan

Selesai

Tidak

Gambar 3.2 Algoritma proses perancangan aplikasi Drowsinesslab

3.1.5 Implementasi Sistem

Setelah semua proses tahap ini sudah dilakukan, hasil dari perencanaan dan
analisa kebutuhan sudah berjalan dengan baik, selanjutnya adalah mengaplikasikan

17
dalam bentuk yang nyata yang dapat diimplementasikan pada PC dengan OS
Windows sebagai sistem deteksi kantuk berbasis facial landmark.
Jika ingin menggunakan aplikasi Drowsinesslab maka perlu menyimpan
folder aplikasi Drowsinesslab yang didalamnya terdapat file program dalam format
.py, fitur haar cascade, 68 shape landmark, serta gambar background dan icon yang
digunakan pada aplikasi. Pengguna dapat langsung menggunakan aplikasi tersebut
dengan mengklik aplikasi Drowsinesslab.

3.1.6 Integrasi Sistem

Integrasi sistem merupakan proses penggabungan dari perancangan software
dan hardware. Proses integrasi dilakukan ketika perancangan sistem sudah selesai.
Proses ini memastikan bahwa kedua perancangan software dan hardware
sudah berjalan dengan baik. Proses ini dilakukan untuk memastikan kesesuain
antara software yang sudah dirancang yaitu aplikasi Drowsinesslab dengan
hardware berupa webcam pada PC dengan OS Windows.

3.1.7 Pengujian Sistem

Tahapan selanjutnya adalah proses pengujian sistem yang telah dibuat.
Tahapan ini bertujuan untuk mengetahui sistem dapat mendeteksi dengan benar dan
mengetahui kinerja sistem yang telah dirancang sebelumnya.
Pengujian dilakukan secara langsung dengan memberikan input wajah
mengantuk dan tidak mengantuk yang dapat ditangkap webcam. Pengujian terhadap
kinerja dilakukan menggunakan machine learning dengan menggunakan data set
berupa gambar wajah ketika menutup mata dan membuka mata yang diambil dari
website Kaggle.com. Selain itu, pengujian terhadap kinerja juga dilakukan dengan
menjalankan sistem otomasi yang dimulai dengan masukan data berupa gambar
yang diambil dari website Kaggle.com sebagai input data untuk evaluasi kinerja,
lalu hasilnya akan dibuat dalam confusion matrix dan dihitung untuk mendapat nilai
akurasi, error rate, recall, precision, specificity dan F1 score.
Pengujian selanjutnya dilakukan untuk mengukur penggunaan resources saat
aplikasi digunakan. Pengujian ini dilakukan dengan cara mengamati konsumsi

18
memori, daya dan CPU yang digunakan melalui Task Manager dan Open
Hardware Monitor saat aplikasi digunakan.

3.1.8 Analisis Hasil

Hasil analisis merupakan pembahasan hasil dari proses pengujian sistem yang
telah dibuat seperti, deteksi kantuk, bunyi alarm yang hidup, dan jangkauan kamera.
Hasil tersebut dianalisis kemudian didapatkan kesimpulan apakah sistem tersebut
sudah berfungsi sesuai dengan perancangan dan spesifikasi sistem.
Selain hasil kemampuan kerja sistem, dilakukan juga analisis terhadap hasil
akurasi deteksi kantuk berdasarkan pengujian machine learning dan perhitungan
confusion matrix. Penggunaan resource juga dianalisis seperti penggunaan CPU,
Memory dan Power.

19