View/Open

Author
KASYFI, WAHYU HAZAZI

Date Published
15 Jan 2026

Advisor
Imam Eko Wicaksono, S.Si., M.Si.,

Subject
Teknik Informatika

Publisher

Keselamatan dalam berkendara merupakan isu penting yang semakin mendapat perhatian karena meningkatnya jumlah kecelakaan lalu lintas, dimana faktor perilaku pengemudi menjadi penyebab utama. Untuk meminimalkan risiko tersebut, diperlukan sistem yang mampu mengidentifikasi pola perilaku berkendara secara otomatis melalui pemanfaatan teknologi kecerdasan buatan. Penelitian ini bertujuan mengembangkan model klasifikasi perilaku pengemudi menggunakan Convolutional Neural Network (CNN) dengan dataset perilaku berkendara multi-class. Pengujian dilakukan dengan menerapkan metode k-fold cross validation guna memastikan hasil evaluasi yang lebih akurat dan tidak bias. Tiga arsitektur CNN digunakan sebagai kandidat model, yaitu ResNet18, VGG11, dan MobileNetV2. Pelatihan model dilakukan dengan memanfaatkan variasi hyperparameter seperti learning rate, batch size, optimizer AdamW dan SGD, serta epoch sebanyak 15. Kinerja model kemudian diuji menggunakan confusion matrix dan metrik evaluasi accuracy, precision, recall, serta f1-score. Hasil eksperimen menunjukkan bahwa ResNet18 memberikan performa paling optimal, dengan rata-rata accuracy 0,9656, precision 0,9646, recall 0,9645, dan f1-score 0,9644. Model ini terbukti mengungguli VGG11 dan MobileNetV2 dalam melakukan klasifikasi perilaku berkendara. Hasil tersebut menunjukkan bahwa ResNet18 dapat menjadi dasar yang kuat untuk pengembangan sistem deteksi perilaku pengemudi berbasis deep learning.

URI
https://repo.itera.ac.id/depan/submission/SB2602020029

Keyword
Perilaku Pengemudi Klasifikasi MobileNetV2 ResNet18 VGG11