VOKASI NEWS – Sistem eye tracking untuk monitoring mata lelah dengan menggunakan metode image processing, sebuah penelitian mahasiswa.
Perkembangan teknologi khususnya smartphone terbilang sangat pesat pada era globalisasi. Pengguna smartphone di Indonesia pada tahun 2020 sebanyak 183,68 juta. Jumlahnya sebesar 60% dari populasi.
Seiring dengan perkembangan teknologi terjadi peningkatan dalam jumlah penggunaan VDT (Visual Display Terminal). Penelitian di China yang melibatkan 2050 paritisipan, mengungkapkan perbedaan dalam frekuensi dan durasi penggunaan VDT sebelum dan sesudah pandemi COVID-19.
Penggunaan intensif smartphone ini tidak terlepas dari VDT yang berisiko meningkatkan kejadian Computer Vision Syndrome (CVS). CVS adalah kumpulan masalah penglihatan yang berhubungan dengan penggunaan layar digital dalam jangka waktu yang lama, seperti komputer dan smartphone. Gejala CVS termasuk mata kering, rasa terbakar, iritasi, dan ketegangan mata, yang dipicu oleh faktor seperti cahaya layar dsb.
Beberapa penelitian menunjukkan bahwa CVS dapat mengurangi frekuensi kedipan mata dari 15-20 menjadi 4-6 kedipan per menit. Hal ini berkontribusi pada gejala mata kering dan ketegangan mata. Penurunan frekuensi kedipan ini menandakan adanya ketegangan dan kelelahan mata yang signifikan. Maka diperlukan sistem yang dapat memantau kondisi mata untuk mendeteksi tanda awal kelelahan mata.
Tujuan Penelitian
Penelitian mahasiswa dirancang untuk mengembangkan sistem pengukuran frekuensi kedipan mata menggunakan algoritma Convolutional Neural Network (CNN). Algoritma ini diimplementasikan pada platform mikrokontroler Raspberry Pi 3 Model B+. Sistem ini menggunakan metode image processing untuk menganalisis dan menghitung frekuensi kedipan mata pengguna. Proses pengembangan meliputi pengumpulan dataset, pre-processing gambar, deteksi fitur mata, dan perhitungan kedipan mata.
Metode Penelitian
Penelitian ini melalui beberapa tahapan kritis, dimulai dari pengumpulan dataset gambar mata yang ekstensif. Gambar-gambar ini kemudian dipreproses untuk memastikan kualitas dan konsistensi data. Selanjutnya, fitur mata diekstraksi menggunakan algoritma CNN, yang terkenal dengan kemampuan klasifikasi. Model ini dilatih dan divalidasi menggunakan teknik holdout validation untuk memastikan akurasi tinggi. Implementasi pada Raspberry Pi 3 Model B+ dilakukan untuk menguji performa sistem dalam lingkungan nyata.
Hasil Penelitian
Hasil penelitian menunjukkan bahwa model CNN memiliki akurasi sangat tinggi dalam mendeteksi kedipan mata. Validasi dengan holdout validation mencapai akurasi 99,26%, sementara pengujian menggunakan confusion matrix menunjukkan akurasi 98%. Implementasi pada Raspberry Pi 3 Model B+ menunjukkan kinerja baik dengan latensi rata-rata 0,19 detik per frame. Pengujian ini dilakukan selama 15 detik memproses 77 frame. Meskipun hasilnya baik dan dioptimalkan dengan post-training quantization, akurasi yang didapatkan pada kondisi cahaya optimal hanya 75%. Persentase ini akan berubah berdasarkan kondisi cahaya lingkungan sekitar.
Tantangan dan Peningkatan
Tantangan utama yang dihadapi termasuk peningkatan kecepatan pemrosesan frame untuk mendukung deteksi real-time. Selain itu, diperlukan peningkatan sensitivitas terhadap pergerakan mata cepat dan penyesuaian untuk berbagai kondisi lingkungan. Sistem eye tracking ini cukup efektif untuk memonitor kelelahan mata, namun membutuhkan penyempurnaan agar optimal dalam berbagai kondisi. Sistem ini juga berpotensi digunakan sebagai alat bantu kesehatan bagi pekerja dan pengguna perangkat digital.
Penelitian Berkelanjutan
Penelitian lanjutan disarankan untuk meningkatkan akurasi sistem dan memperluas cakupan penggunaannya dalam berbagai kondisi lingkungan. Pengkajian ulang terhadap faktor ergonomis juga perlu dilakukan untuk meningkatkan kenyamanan penggunaan alat. Integrasi dengan perangkat lunak, seperti aplikasi mobile, dapat meningkatkan aksesibilitas dan kemudahan penggunaan sistem ini.
BACA JUGA: Pengaruh Pemberian Terapi Akupunktur Terhadap Perubahan Tekanan Darah Penderita Hipertensi
Sistem eye tracking yang dikembangkan menunjukkan potensi besar dalam memantau dan mencegah kelelahan mata akibat penggunaan perangkat digital. Namun, masih diperlukan beberapa peningkatan dan penyesuaian untuk mencapai performa optimal dalam berbagai kondisi. Hasil dari alat ini berfungsi sebagai sarana pendukung untuk mengidentifikasi gejala Computer Vision Syndrome. Pada kondisi sebenarnya, diperlukan pengujian tambahan seperti mengisi kuesioner yang ditujukan untuk Computer Vision Syndrome.
***
Penulis : Muhamad Ridwan Suryadi
Pembimbing 1 : Aji Akbar Firdaus
Pembimbing 2 : Sisca Dina Nur Nahdaliyah
Program Studi : Teknologi Rekayasa Instrumentasi dan Kontrol
Editor : Oky Sapto Mugi Saputro – Tim Branding Fakultas Vokasi UNAIR
