Inovasi Teknologi Embedded untuk Keselamatan Pengemudi di Era Pandemi

Inovasi Teknologi Embedded untuk Keselamatan Pengemudi di Era Pandemi

Teknologi telah berkembang pesat dalam beberapa dekade terakhir, menawarkan solusi inovatif untuk berbagai masalah yang dihadapi masyarakat modern. Salah satu isu yang menjadi perhatian global adalah keselamatan di jalan raya, khususnya dalam mencegah kecelakaan yang disebabkan oleh faktor manusia seperti kelelahan pengemudi. Di tengah pandemi COVID-19, tantangan ini semakin kompleks dengan adanya kebutuhan untuk memastikan penggunaan masker yang benar di tempat umum, termasuk dalam kendaraan pribadi dan transportasi umum. Artikel ilmiah yang ditulis oleh Rizqi Putri Nourma Budiarti, Bagoes Wahyu Nugroho, Nisa Ayunda, dan Sritrusta Sukaridhoto berjudul "Drowsy Eyes and Face Mask Detection for Car Drivers using the Embedded System" memberikan kontribusi signifikan dalam mengatasi kedua masalah ini melalui pendekatan teknologi yang inovatif.

Studi ini memanfaatkan teknologi embedded, khususnya sistem berbasis NVIDIA Jetson Nano, untuk mendeteksi penggunaan masker dan kantuk pada pengemudi mobil. Menggunakan kombinasi algoritma MobileNetV2 untuk deteksi masker dan HOG (Histogram of Oriented Gradients) serta SVM (Support Vector Machine) untuk deteksi mata kantuk, sistem ini menunjukkan tingkat akurasi yang cukup baik: 80% untuk deteksi masker dan 75% untuk deteksi mata kantuk. Temuan ini menunjukkan potensi besar teknologi embedded dalam meningkatkan keselamatan jalan dan mendukung upaya pencegahan penyebaran COVID-19. Mengingat tingginya angka kecelakaan lalu lintas global---dengan sekitar 3.400 kematian per hari yang dilaporkan oleh WHO pada tahun 2016---serta pentingnya pemakaian masker dalam mencegah penularan virus, sistem deteksi yang dikembangkan dalam penelitian ini dapat menjadi terobosan penting dalam upaya meningkatkan keselamatan berkendara dan kesehatan publik secara simultan.

Penelitian yang dilakukan oleh Budiarti et al. ini berfokus pada dua isu utama: deteksi kantuk pada pengemudi dan pemakaian masker sebagai tindakan pencegahan COVID-19. Keduanya merupakan masalah signifikan yang mempengaruhi keselamatan dan kesehatan publik secara global. Menggunakan teknologi Deep Learning yang diterapkan pada sistem embedded, penelitian ini menunjukkan bagaimana kecerdasan buatan (AI) dapat digunakan untuk mendeteksi perilaku pengemudi yang berisiko serta memantau kepatuhan terhadap protokol kesehatan. Teknologi ini didasarkan pada penggunaan MobileNetV2 untuk deteksi masker dan algoritma HOG dan SVM untuk deteksi mata kantuk, yang telah terbukti efektif dalam berbagai studi sebelumnya.

Dari sisi metode, penggunaan NVIDIA Jetson Nano sebagai platform embedded menunjukkan keunggulan dalam hal portabilitas dan efisiensi daya. Jetson Nano mampu menangani algoritma pembelajaran mesin yang kompleks seperti MobileNetV2 dengan konsumsi daya yang rendah, membuatnya ideal untuk aplikasi di kendaraan. Data yang digunakan dalam penelitian ini mencakup lebih dari 3.000 gambar wajah dan mata, baik dengan maupun tanpa masker, serta gambar mata terbuka dan tertutup. Penggunaan dataset yang kaya ini memungkinkan model untuk dilatih dengan baik, mencapai akurasi deteksi masker sebesar 80% dan deteksi kantuk sebesar 75%.

Secara khusus, algoritma MobileNetV2 digunakan untuk mendeteksi penggunaan masker. Algoritma ini dikenal karena efisiensinya dalam mengolah gambar dengan cepat, bahkan pada perangkat dengan kapasitas komputasi yang terbatas. Dalam penelitian ini, MobileNetV2 mampu mencapai akurasi pelatihan sebesar 99%, yang menunjukkan efektivitasnya dalam mengenali gambar wajah yang memakai masker dengan benar. Di sisi lain, deteksi mata kantuk menggunakan kombinasi HOG dan SVM. HOG bekerja dengan mengidentifikasi gradien orientasi dalam citra, sedangkan SVM digunakan untuk mengklasifikasikan apakah mata pengemudi terbuka atau tertutup. Hasil deteksi mata kantuk mencapai akurasi pelatihan sebesar 80%, yang cukup baik untuk aplikasi di dunia nyata, meskipun ada ruang untuk peningkatan lebih lanjut.

Penelitian ini juga menyoroti tantangan dalam implementasi sistem ini dalam skala yang lebih besar. Salah satu tantangan utamanya adalah keterbatasan dalam kondisi pencahayaan dan posisi pengemudi yang dapat mempengaruhi akurasi deteksi. Misalnya, pada gambar yang diambil dalam kondisi pencahayaan rendah atau sudut pengambilan yang tidak optimal, akurasi deteksi bisa menurun. Oleh karena itu, penelitian lebih lanjut diperlukan untuk mengatasi keterbatasan ini, termasuk pengembangan algoritma yang lebih adaptif terhadap berbagai kondisi lingkungan.

Selain itu, penelitian ini menunjukkan potensi besar untuk aplikasi komersial dan praktis. Dalam konteks kendaraan pribadi dan layanan transportasi seperti GrabCar atau GoCar, sistem ini bisa menjadi fitur keselamatan tambahan yang memberikan peringatan dini kepada pengemudi yang mengalami kantuk atau tidak mengenakan masker. Ini tidak hanya meningkatkan keselamatan penumpang dan pengemudi, tetapi juga membantu mematuhi protokol kesehatan yang diterapkan selama pandemi. Dengan demikian, sistem ini dapat dianggap sebagai langkah maju dalam teknologi keselamatan otomotif dan kesehatan publik.

Penelitian oleh Budiarti et al. mengenai deteksi kantuk dan penggunaan masker pada pengemudi melalui sistem embedded berbasis Deep Learning menunjukkan potensi besar dalam meningkatkan keselamatan di jalan raya dan mendukung kesehatan publik. Dengan tingkat akurasi 80% untuk deteksi masker dan 75% untuk deteksi kantuk, penelitian ini menawarkan solusi yang menjanjikan untuk mengatasi dua masalah utama yang dihadapi masyarakat modern. Meskipun demikian, ada tantangan yang perlu diatasi, terutama terkait dengan variabilitas kondisi lingkungan seperti pencahayaan dan posisi pengemudi. Pengembangan lebih lanjut dan peningkatan algoritma akan diperlukan untuk memastikan aplikasi sistem ini secara luas dan efektif. Ke depannya, teknologi ini berpotensi untuk diterapkan dalam berbagai kendaraan, baik pribadi maupun komersial, meningkatkan keselamatan dan kepatuhan terhadap protokol kesehatan, serta memberikan kontribusi positif terhadap keselamatan jalan dan kesehatan global.

Referensi 

Budiarti, R. P. N., Nugroho, B. W., Ayunda, N., & Sukaridhoto, S. (2023). Drowsy Eyes and Face Mask Detection for Car Drivers using the Embedded System. Register: Jurnal Ilmiah Teknologi Sistem Informasi, 9(1), 86-94. https://doi.org/10.26594/register.v9i1.2612