PERBANDINGAN IMPLEMENTASI YOLOV10 DAN EFFICIENTDET DALAM IDENTIFIKASI PENGEMUDI MENGANTUK
Metode yang umum digunakan untuk mendeteksi pengemudi mengantuk diantaranya adalah implementasi computer vision dalam melakukan deteksi objek. Fokus penelitian ini adalah pada perbandingan dua framework single-stage object detection: (YOLO dan EfficientDet). Penelitian ini mengembangkan dan membandingkan dua model deteksi objek pada gejala pengemudi mengantuk yang dapat dikenali dari aspek visual seperti mata tertutup dan mulut terbuka, serta menganalisis performa kedua model dari segi kemampuan deteksi berdasarkan pengujian confusion matrix dan video simulasi untuk menguji penggunaan resource dan ketepatan deteksi kondisi mengantuk saat diimplementasikan pada Nvidia Jetson Orin Nano. Pengujian dilakukan pada dataset test set berjumlah 1447 gambar dan 13 video simulasi pengemudi mengantuk. Hasil pengujian menunjukkan bahwa YOLOv10 memiliki akurasi rata-rata 92,67%, precision 89,41%, recall 94,15%, dan f1-score 0,917. Sedangkan EfficientDet memiliki akurasi 90,72%, precision 86,77%, recall 92,10%, dan f1-score 0,8935. EfficientDet lebih unggul dalam penggunaan CPU (46%) dan GPU (26%), namun hampir 2 kali lebih lambat dalam kecepatan inference dibandingkan YOLOv10. Kedua model menunjukkan utilisasi RAM yang sangat rendah yakni 0,66MB (YOLOv10) dan 0,64MB (EfficientDet). Pada pengujian deteksi kondisi mengantuk, YOLOv10 maupun EfficientDet belum mampu mendeteksi dengan akurasi yang tinggi karena faktor seperti detection loss, pantulan cahaya pada kacamata, kondisi kurang cahaya, dan generalisasi model. Penelitian ini menunjukkan bahwa framework object detection dapat diimplementasikan pada perangkat edge device seperti Nvidia Jetson Orin Nano. Penelitian ini merekomendasikan peningkatan kemampuan algoritma deteksi, variasi dataset, cakupan penelitian untuk kondisi low-light, dan penggunaan perangkat pendukung seperti kamera dengan kemampuan low-light.
URI
https://repo.itera.ac.id/depan/submission/SB2408040001
Keyword
Mengantuk, YOLOv10, EfficientDet, Jetson