BAB II TEORI DASAR

2.1 Kantuk
Kantuk merupakan indikasi tubuh saat membutuhkan istirahat atau tidur.
Beberapa penyebab kantuk adalah kelelahan ketika melakukan pekerjaan yang
secara terus-menerus atau ketika mengendarai kendaraan dalam perjalanan jauh.
Mata merupakan salah satu indikator seseorang ketika mengantuk. Pada saat
mengantuk, kelopak mata akan terasa berat dan pada akhirnya perlahan mata akan
menutup.
Kelelahan mata adalah gangguan yang dialami mata karena otot-ototnya yang
dipaksa bekerja keras terutama saat harus melihat objek dekat dalam jangka waktu
lama. Beratnya kelelahan mata tergantung pada jenis kegiatan, intensitas serta
lingkungan kerja. Di samping itu juga ditentukan oleh keadaan mata dari tenaga
kerja, kaca mata yang dipakai serta umur. Kerja mata yang melelahkan menjadi
sebab kelelahan mental [10].
Kantuk terjadi ketika seseorang mengalami peningkatan 20% dari frekuensi
kedipan mata setiap menit dengan durasi penutupan mata berkisar 0.5 detik atau
lebih. Kantuk memilki dampak yang buruk berupa menurunnya performa dan
perubahan mood pada seseorang [11].

2.2 Dlib’s Facial Landmark Detection

Facial landmark detection merupakan satu set point yang penting yang ada
pada citra manusia bertujuan untuk memprediksi bentuk geometri dari sebuah citra
wajah manusia. Facial landmarks detection sangat penting dan dapat digunakan
untuk deteksi dan pengenalan wajah.
Dlib merupakan library yang memiliki 68 titik face landmark detection. Dlib
dapat mengekstrak koordinat (x, y) dari masing-masing titik wajah. 68 titik ini dapat
dibagi menjadi beberapa area tertentu seperti mata kiri, mata kanan, alis kiri, alis
kanan, mulut, hidung dan rahang[12]. 68 titik face landmark detection pada dlib
terdapat pada Gambar 2.1.

9
 Gambar 2.1 68 Titik Facial Landmark Detection
Sumber: (http://www.pyimagesearch.com/wp-
content/uploads/2017/04/facial_landmarks_68markup.jpg)

2.3 Haar Cascade Classifier

Haar Cascade Classifier adalah salah satu dari sedikit metode deteksi objek
dengan kemampuan mendeteksi wajah yang menawarkan komputasi kecepatan
tinggi tergantung pada jumlah piksel di dalam fitur persegi panjang dan tidak
tergantung pada setiap nilai piksel gambar. Metode ini memiliki empat langkah
untuk mendeteksi suatu objek yaitu Haar-like feature, citra integral, AdaBoost
learning dan Cascade Classifier [13].
Haar Feature adalah bagian utama dari Haar Cascade Classifier dalam
pendeteksian wajah. Haar Feature digunakan untuk mendeteksi keberadaan fitur
pada citra tertentu. Haar-like Feature adalah fitur persegi panjang yang
memberikan indikasi spesifik ke gambar untuk deteksi wajah yang cepat [14].

10
2.4 Eye Aspect Ratio (EAR)
Rumus Eye Aspect Ratio (EAR) yang diusulkan pada [6] mampu mendeteksi
kedipan mata menggunakan nilai skalar. Nilai EAR didasarkan pada titik landmark
mata dari dlib’s facial landmark. Misalnya jika seseorang lebih sering mengedipkan
mata, berarti orang tersebut sedang dalam keadaan mengantuk. Oleh karena itu,
perlu dilakukan pendeteksian bentuk mata secara akurat untuk menghitung
frekuensi kedipan mata. Dari landmark yang terdeteksi pada gambar wajah, EAR
digunakan sebagai perkiraan status keterbukaan mata. Untuk setiap frame video,
landmark mata terdeteksi antara tinggi dan lebar mata yang telah dihitung. EAR
dapat ditentukan dengan Persamaan (1).
|𝑝2 − 𝑝6| + |𝑝3 − 𝑝5|
𝐸𝐴𝑅 = (1)
2|𝑝1 − 𝑝4|
Persamaan (1) menunjukkan rumus EAR dimana 𝑝1 sampai 𝑝6 adalah lokasi
landmark 2 – dimensi. Dari 𝑝2, 𝑝3, 𝑝5 dan 𝑝6 digunakan untuk mengukur tinggi
sedangkan 𝑝1 dan 𝑝4 digunakan untuk mengukur lebar mata dalam meter (m)
seperti yang ditunjukkan pada Gambar 2.2. EAR bernilai konstan saat mata dibuka,
tetapi dengan cepat turun mendekati 0 saat mata tertutup.

Gambar 2.2 Landmark mata tebuka dan mata tertutup

Sumber: (https://www.pyimagesearch.com/wp-
content/uploads/2017/04/blink_detection_plot.jpg)
𝑥 > 0, 𝑀𝑎𝑡𝑎 𝑇𝑒𝑟𝑏𝑢𝑘𝑎
𝐸𝐴𝑅 = { (2)
0, 𝑀𝑎𝑡𝑎 𝑇𝑒𝑟𝑡𝑢𝑡𝑢𝑝
Persamaan (2) menunjukkan kisaran output 𝐸𝐴𝑅 selama mata terbuka dan
mata tertutup. Selama mata tertutup, hasil 𝐸𝐴𝑅 akan mendekati 0 sedangkan selama
mata terbuka 𝐸𝐴𝑅 𝑥 lebih besar dari 0 [15].

11
2.5 Computer Vision
Computer vision adalah kombinasi dari pemrosesan gambar dan pengenalan
pola [16], [17]. Output dari proses computer vision adalah pemahaman citra.
Pengembangan bidang ini dilakukan dengan mengadaptasi kemampuan
penglihatan manusia dalam mengambil informasi. Perkembangan computer vision
bergantung pada sistem teknologi komputer, baik tentang peningkatan kualitas citra
maupun pengenalan citra [18], [19], [20].
Tujuan utama dari computer vision adalah untuk membuat model dan ekstrak
data serta informasi dari gambar, sedangkan Image Processing adalah tentang
mengimplementasikan transformasi komputasi untuk gambar, seperti penajaman,
kontras, dan lain-lain [18]. Visi komputer bekerja dengan menggunakan algoritma
dan sensor optik untuk merangsang visualisasi manusia untuk secara otomatis
mengekstrak informasi berharga dari suatu objek [21].
Dibandingkan dengan metode konvensional yang membutuhkan waktu lama
dan membutuhkan analisis laboratorium yang canggih, computer vision telah
berkembang menjadi cabang kecerdasan buatan (artificial intelligence) dan
simulasi visualisasi manusia [20]. Hal ini juga dikombinasikan dengan sistem
pencahayaan untuk memfasilitasi akuisisi gambar yang dilanjutkan dengan analisis
gambar. Secara lebih rinci tahapan analisis citra adalah [22]:
1) Pembentukan citra, dimana citra obyek ditangkap dan disimpan di
komputer;
2) Preprocessing gambar, dimana kualitas gambar ditingkatkan untuk
menyempurnakan detail gambar;
3) Segmentasi citra, dimana citra objek diidentifikasi dan dipisahkan dari
background;
4) Pengukuran citra, dimana beberapa fitur penting dikuantisasi, dan
5) Interpretasi citra, dimana citra hasil ekstraksi kemudian
diinterpretasikan.

12
2.6 Open Computer Vision (OpenCV)
OpenCV adalah pustaka yang digunakan untuk fungsi transformasi gambar
seperti mengubah gambar menjadi skala abu-abu. OpenCV adalah sebuah library
open source dan dapat digunakan untuk banyak fungsi gambar dan memiliki
berbagai macam implementasi algoritma. C ++ dan Python adalah bahasa yang
didukung oleh OpenCV. OpenCV adalah paket lengkap yang dapat digunakan
dengan library lain untuk membentuk pipeline, ekstraksi gambar atau pendeteksian.
Fungsi-fungsi yang didukungnya sangat besar, dan juga mencakup algoritma untuk
mengekstrak deskriptor fitur [12].

2.7 Python
Python adalah bahasa skrip yang kuat dan sangat berguna untuk memecahkan
masalah statistik yang melibatkan algoritma pembelajaran mesin. Python memiliki
berbagai fungsi utilitas yang membantu dalam pemrosesan awal. Pemrosesannya
cepat dan didukung di hampir semua platform. Integrasi dengan C ++ dan pustaka
gambar lainnya sangat mudah, dan memiliki fungsi dan pustaka bawaan untuk
menyimpan dan memanipulasi data dari semua jenis [12].

2.8 Pygame
Pygame adalah satu set Python modul yang dirancang untuk membuat video
game. Pygame memungkinkan kita dapat membuat game dan program multimedia
berfitur lengkap dalam bahasa python.
Pygame sangat portabel dan berjalan di hampir semua platform dan sistem
operasi. Pygame sendiri sudah diunduh jutaan kali dan gratis. Dirilis di bawah
lisensi LGPL, Pygame dapat digunakan untuk membuat game open source,
freeware, shareware, dan komersial dengannya [23].

2.9 Tkinter
Tkinter adalah paket GUI (Graphical User Interface) standar de-facto
Python. Tkinter didukung oleh Linux, Microsoft Windows dan Mac OS X dengan
instalasi Python [24].

13
 Tkinter memiliki banyak keunggulan yang menjadikannya pilihan utama
untuk desain UI. Namun tkinter memilki kekurangan dalam hal implementasi,
tkinter memilki overhead yang signifikan. Hal ini menyebabkan mesin bekerja
lebih lama dan lebih lambat. Widget adalah objek grafis yang tersedia dari library
Tkinter. Setiap widget memiliki konstruktor, destruktor, set properti dan metodenya
sendiri. Hirarki widget pada Tkinter sangat sederhana, semua widget (seperti
Buttom, Message Box, File Dialog, Label Text dan lainnya) berasal dari widget
class dan semua subclass widget menempati level yang sama di hierarchy tree [24].

14