View/Open

Author

Date Published
09 Jan 2026

Advisor

Subject
Sains Data

Publisher

Kelelahan pengemudi merupakan penyebab utama kecelakaan lalu lintas di Indonesia, dengan lebih dari 80% insiden fatal melibatkan faktor kantuk [1]. Penelitian ini mengembangkan sistem deteksi kantuk pengemudi berbasis deep learning menggunakan arsitektur MobileNetV2 yang diintegrasikan dengan eye aspect ratio (EAR) dan mouth aspect ratio (MAR). Data penelitian menggunakan Yawning Detection Dataset (YAWDD) berupa rekaman video pengemudi dalam format .avi dengan resolusi 640×480 piksel, mencakup kondisi mengemudi normal, berbicara, dan menguap. Nilai EAR dan MAR diekstraksi dari citra wajah setiap frame untuk menghasilkan fitur statis, sementara indikator temporal eye closure rate (ECR) dan mouth opening rate (MOR) digunakan guna meningkatkan stabilitas deteksi dan mengurangi kesalahan klasifikasi. Model MobileNetV2 dilatih menggunakan teknik transfer learning dengan berbagai kombinasi hyperparameter. Konfigurasi terbaik, yaitu optimizer Adam, learning rate 0,0001, batch size 64, dropout 0,2, dan 50 epoch, menghasilkan akurasi pelatihan 90,12%, validasi 88,96%, dan pengujian 89,99%. Hasil penelitian menunjukkan bahwa integrasi fitur statis dan temporal pada MobileNetV2 efektif meningkatkan akurasi dan reliabilitas sistem deteksi kantuk berbasis citra wajah.

URI
https://repo.itera.ac.id/depan/submission/SB2601150069

Keyword