DETEKSI KELELAHAN MATA BERDASARKAN CITRA WAJAH MRL EYE DATASET DENGAN MENGGUNAKAN GLCM, PCA, DAN SVM
Article Sidebar
Read Counter : 2
Download : 0
Main Article Content
Abstract
Penelitian ini membahas implementasi metode GLCM, PCA, dan SVM untuk membangun sistem deteksi kelelahan mata berbasis pengolahan citra digital. Meningkatnya penggunaan perangkat elektronik menjadikan kelelahan mata sebagai isu kesehatan yang semakin serius, terutama bagi individu yang bekerja dalam bidang yang memerlukan konsentrasi visual tinggi dalam jangka waktu lama. Untuk menjawab kebutuhan tersebut, penelitian ini menggunakan pendekatan pembelajaran mesin klasik yang dikenal efisien dan ringan dari segi kebutuhan sumber daya, dengan memanfaatkan MRL Eye Dataset berbasis citra inframerah sebagai data utama. Tahapan pemrosesan citra dimulai dengan ekstraksi fitur tekstur menggunakan metode GLCM, yang kemudian direduksi dimensinya menggunakan teknik PCA, dan akhirnya dilakukan klasifikasi oleh algoritma SVM. Sistem ini diuji dalam dua skenario, yaitu dengan dan tanpa keberadaan data outlier. Penyesuaian parameter optimal dilakukan melalui metode Grid Search dan validasi silang menggunakan KFold dengan K = 3. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi kondisi mata “Awake” dan “Sleepy” dengan akurasi tertinggi mencapai 92.38%, serta nilai precision, recall, dan F1-score yang masing-masing mampu memperoleh hasil di atas 92%. Selain itu, waktu eksekusi untuk ekstraksi fitur, pelatihan model, dan prediksi tergolong cepat, sehingga menunjukkan bahwa sistem ini berpotensi untuk diterapkan secara real-time, bahkan pada perangkat dengan spesifikasi perangkat keras yang terbatas.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] M. P. Maulana, M. Dimyati, and Aprilliantoni, “TEKNOLOGI INFORMASI DAN KOMUNIKASI PENDIDIKAN DALAM ARAH PEMBANGUNAN NASIONAL,” Idarah Tarbawiyah: Journal of Management in Islamic Education, vol. 5, no. 6, pp. 655–664, Dec. 2024, doi: 10.32832/itjmie.v5i6.17161.
[2] Hana Salsabila Hafshah, Abdul Hadi Hassan, and H. Purnomo, “Hubungan Lama Penggunaan Komputer dan Intensitas Pencahayaan dengan Keluhan Kelelahan Mata pada Pekerja Rumah Sakit Amira,” Bandung Conference Series: Medical Science, vol. 5, no. 1, pp. 53–58, Jan. 2025, doi: 10.29313/bcsms.v5i1.16136.
[3] A. K. A. Tianto, I. Qadrijati, and S. Haryati, “FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN KELUHAN KELELAHAN MATA PADA PEKERJA KANTOR X KARANGANYAR,” Jurnal Kesehatan Masyarakat, vol. 11, no. 1, pp. 1–11, Jan. 2023, doi: 10.14710/jkm.v11i1.36786.
[4] Cahyo Wulandari, Rahmafari Fikra Maulida, Muhammad Asyam Fawwaz Akbar, and Abdurrahman Nur Prasetyo, “Promosi Kesehatan Mata melaui Kegiatan Skrining Mata pada Siswa SMP di Kecamatan Wedung, Demak,” Jurnal Pengabdian, Riset, Kreativitas, Inovasi, dan Teknologi Tepat Guna, vol. 2, no. 1, pp. 39–45, May 2024, doi: 10.22146/parikesit.v2i1.9558.
[5] P. Singhal, P. K. Srivastava, A. K. Tiwari, and R. K. Shukla, “A Survey: Approaches to Facial Detection and Recognition with Machine Learning Techniques,” 2022, pp. 103–125. doi: 10.1007/978-981-16-3346-1_9.
[6] M. A. Yaman, F. Rattay, and A. Subasi, “Comparison of Bagging and Boosting Ensemble Machine Learning Methods for Face Recognition,” Procedia Comput Sci, vol. 194, pp. 202–209, 2021, doi: 10.1016/j.procs.2021.10.074.
[7] J. Sapkale, S. J. Bhosale, and R. Ingle, “An Eye State Recognition System using Transfer Learning: Inception-Based Deep Convolutional Neural Network,” International Research Journal of Engineering and Technology, 2022, [Online]. Available: www.irjet.net
[8] P. Kumar Pagadala, D. Yaso Omkari, P. S. Lakshmi, C. Dewi, S. A. Sutresno, and J. Christanto, “AUTOMATED BRAIN TUMOR DETECTION WITH GLCM-BASED FEATURE EXTRACTION AND PCA FOR DIMENSION REDUCTION AND CLASSIFICATION USING MACHINE LEARNING,” J Theor Appl Inf Technol, vol. 30, no. 12, 2024, [Online]. Available: www.jatit.org
[9] M. Zawish, S. Davy, and L. Abraham, “Complexity-Driven CNN Compression for Resource-constrained Edge AI,” Aug. 2022, doi: 10.1109/TAI.2024.3353157.
[10] Akash Shingha, “MRL Eye Dataset.” Accessed: Jun. 09, 2025. [Online]. Available: https://www.kaggle.com/datasets/akashshingha850/mrl-eye-dataset
[11] M. I. Mustofa, M. T. Furqon, and D. E. Ratnawati, “Penggunaan Metode Ekstraksi Fitur Tekstur Gray Level Co-ocurrrence Matrix dan K-Nearest Neighbor untuk Identifikasi Jenis Penyakit Tanaman Apel,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, pp. 4451–4458, Sep. 2022.
[12] M. Kabir, F. Unal, T. C. Akinci, A. A. Martinez-Morales, and S. Ekici, “Revealing GLCM Metric Variations across a Plant Disease Dataset: A Comprehensive Examination and Future Prospects for Enhanced Deep Learning Applications,” Electronics (Basel), vol. 13, no. 12, p. 2299, Jun. 2024, doi: 10.3390/electronics13122299.
[13] N. Neneng, A. S. Puspaningrum, and A. A. Aldino, “Perbandingan Hasil Klasifikasi Jenis Daging Menggunakan Ekstraksi Ciri Tekstur Gray Level Co-occurrence Matrices (GLCM) Dan Local Binary Pattern (LBP),” SMATIKA JURNAL, vol. 11, no. 01, pp. 48–52, Jul. 2021, doi: 10.32664/smatika.v11i01.572.
[14] V. Feriska Amalia and R. Rahma Dewi, “PENILAIAN KESEGARAN IKAN DENGAN METODE K-NEAREST NEIGHBOR DAN PENGOLAHAN CITRA DIGITAL,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 4, pp. 7823–7829, Aug. 2024, doi: 10.36040/jati.v8i4.10441.
[15] J. P. Sari, A. Erlansari, and E. P. Purwandari, “IDENTIFIKASI CITRA DIGITAL KURA-KURA SUMATERA DENGAN PERBANDINGAN EKSTRAKSI FITUR GLCM DAN GLRLM BERBASIS WEB,” 2021. [Online]. Available: www.ejournal.unib.ac.id/index.php/pseudocode
[16] M. Laia, R. K. Hondro, and T. Zebua, “Implementasi Pengolahan Citra dengan Menggunakan Metode K-Nearest Neighbor Untuk Mengetahui Daging Ayam Busuk dan Daging Ayam Segar,” Jurnal Riset Komputer), vol. 8, no. 2, pp. 2407–389, 2021, doi: 10.30865/jurikom.v8i2.2818.
[17] A. Nurdiansyah and A. Ramadhanu, “SEGMENTASI CITRA BUAH DURIAN DAN JAGUNG DENGAN ALGORITMA K-NEAREST NEIGHBOR DAN PRINCIPAL COMPONEN ANALYSIS,” Jurnal Informatika Teknologi dan Sains (Jinteks), vol. 7, no. 1, pp. 412–419, Mar. 2025, doi: 10.51401/jinteks.v7i1.5359.
[18] E. A. Kusnanti, L. D. F. Vantie, and U. L. Yuhana, “SOFTWARE DEFECT PREDICTION USING PCA BASED RECURRENT NEURAL NETWORK,” JUTI: Jurnal Ilmiah Teknologi Informasi, pp. 23–31, Jan. 2024, doi: 10.12962/j24068535.v22i1.a1199.
[19] S. Hussain, M. W. Mustafa, T. A. Jumani, S. K. Baloch, and M. S. Saeed, “A novel unsupervised feature‐based approach for electricity theft detection using robust PCA and outlier removal clustering algorithm,” International Transactions on Electrical Energy Systems, vol. 30, no. 11, Nov. 2020, doi: 10.1002/2050-7038.12572.
[20] S. S. Maulina Putri, M. Arhami, and H. Hendrawaty, “Penerapan Metode SVM pada Klasifikasi Kualitas Air,” Journal of Artificial Intelligence and Software Engineering (J-AISE), vol. 3, no. 2, p. 93, Nov. 2023, doi: 10.30811/jaise.v3i2.4630.
[21] A. Rizwan, N. Iqbal, R. Ahmad, and D.-H. Kim, “WR-SVM Model Based on the Margin Radius Approach for Solving the Minimum Enclosing Ball Problem in Support Vector Machine Classification,” Applied Sciences, vol. 11, no. 10, p. 4657, May 2021, doi: 10.3390/app11104657.
[22] D. Mustafa Abdullah and A. Mohsin Abdulazeez, “Machine Learning Applications based on SVM Classification A Review,” Qubahan Academic Journal, vol. 1, no. 2, pp. 81–90, Apr. 2021, doi: 10.48161/qaj.v1n2a50.
[23] A. Kumar and D. Mishra, “Improving Support Vector Machine using Modified Kernel Function,” International Journal of Scientific Research and Modern Technology, pp. 1–5, May 2025, doi: 10.38124/ijsrmt.v4i5.501.
[24] D. Jahed Armaghani, P. G. Asteris, B. Askarian, M. Hasanipanah, R. Tarinejad, and V. Van Huynh, “Examining Hybrid and Single SVM Models with Different Kernels to Predict Rock Brittleness,” Sustainability, vol. 12, no. 6, p. 2229, Mar. 2020, doi: 10.3390/su12062229.
[25] S. Shojae Chaeikar, A. A. Manaf, A. A. Alarood, and M. Zamani, “PFW: Polygonal Fuzzy Weighted—An SVM Kernel for the Classification of Overlapping Data Groups,” Electronics (Basel), vol. 9, no. 4, p. 615, Apr. 2020, doi: 10.3390/electronics9040615.
[26] W. Sadewo, Z. Rustam, H. Hamidah, and A. R. Chusmarsyah, “Pancreatic Cancer Early Detection Using Twin Support Vector Machine Based on Kernel,” Symmetry (Basel), vol. 12, no. 4, p. 667, Apr. 2020, doi: 10.3390/sym12040667.
[27] E. Elgeldawi, A. Sayed, A. R. Galal, and A. M. Zaki, “Hyperparameter Tuning for Machine Learning Algorithms Used for Arabic Sentiment Analysis,” Informatics, vol. 8, no. 4, p. 79, Nov. 2021, doi: 10.3390/informatics8040079.
[28] I. K. Nti, O. Nyarko-Boateng, and J. Aning, “Performance of Machine Learning Algorithms with Different K Values in K-fold CrossValidation,” International Journal of Information Technology and Computer Science, vol. 13, no. 6, pp. 61–71, Dec. 2021, doi: 10.5815/ijitcs.2021.06.05.
[29] A. K. Jailani and A. Erna, “Deteksi Anomali pada Rasio Jam Belajar dan Aktivitas Sosial terhadapPerforma Akademis Mahasiswa menggunakan Metode Local Outlier Factor (LOF),” SISITI : Seminar Ilmiah Sistem Informasi dan Teknologi Informasi, vol. 14, no. 1, pp. 79–88, Mar. 2025, doi: 10.36774/sisiti.v14i1.1678.
[30] S. Afzal, A. Afzal, M. Amin, S. Saleem, N. Ali, and M. Sajid, “A Novel Approach for Outlier Detection in Multivariate Data,” Math Probl Eng, vol. 2021, pp. 1–12, Oct. 2021, doi: 10.1155/2021/1899225.
[31] M. Abdelhamid and A. Desai, “Balancing the Scales: A Comprehensive Study on Tackling Class Imbalance in Binary Classification,” Sep. 2024, [Online]. Available: http://arxiv.org/abs/2409.19751
[32] C. Iwendi, S. Khan, J. H. Anajemba, M. Mittal, M. Alenezi, and M. Alazab, “The Use of Ensemble Models for Multiple Class and Binary Class Classification for Improving Intrusion Detection Systems,” Sensors, vol. 20, no. 9, p. 2559, Apr. 2020, doi: 10.3390/s20092559.
[33] A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, Oct. 2020, doi: 10.47970/siskom-kb.v4i1.169.
[34] K. Krasnodębska, W. Goch, J. A. Verstegen, J. H. Uhl, and M. Pesaresi, “Advancing Precision, Recall, F-Score, and Jaccard Index: An Approach for Continuous Gridded Data,” 2024. doi: 10.2139/ssrn.4865121.
[35] G. M. Foody, “Challenges in the real world use of classification accuracy metrics: From recall and precision to the Matthews correlation coefficient,” PLoS One, vol. 18, no. 10, p. e0291908, Oct. 2023, doi: 10.1371/journal.pone.0291908.
[36] A. A. Kurniawan, M. Mustikasari, and P. Korespondensi, “EVALUASI KINERJA MLLIB APACHE SPARK PADA KLASIFIKASI BERITA PALSU DALAM BAHASA INDONESIA,” vol. 9, no. 3, 2022, doi: 10.25126/jtiik.202293538.