PELITABANGSAPELITABANGSA
Prosiding Sains dan TeknologiProsiding Sains dan TeknologiKantuk pengemudi merupakan salah satu faktor utama penyebab kecelakaan lalu lintas yang sering tidak terdeteksi secara dini, khususnya pada kendaraan operasional dan komersial. Kondisi ini menyebabkan penurunan kewaspadaan, waktu reaksi, serta kemampuan pengambilan keputusan pengemudi, sehingga meningkatkan risiko kecelakaan dengan tingkat keparahan tinggi. Penelitian ini mengembangkan SIGAP (Sistem Identifikasi Gejala Kantuk Pengemudi) sebagai sistem berbasis visi komputer yang bertujuan mengidentifikasi gejala kantuk pengemudi menggunakan algoritma deteksi objek YOLOv11. Sistem SIGAP dirancang untuk memberikan peringatan berbasis durasi, yaitu alarm ringan ketika kondisi kantuk terdeteksi selama 1,5 detik dan alarm berulang apabila durasi deteksi melebihi 3 detik. Dataset yang digunakan terdiri dari tiga kelas, yaitu Normal, Mengantuk, dan Microsleep, dengan total 2.052 citra hasil augmentasi. Untuk meningkatkan keandalan evaluasi model, dataset dibagi ulang dengan proporsi 70% data latih (1.436 citra), 20% data validasi (410 citra), dan 10% data uji (206 citra). Proses pelatihan dilakukan menggunakan arsitektur YOLOv11n dengan ukuran input 640×640 piksel. Hasil pengujian pada data validasi menunjukkan performa deteksi yang baik dengan nilai precision sebesar 0,958, recall 0,934, mAP@50 sebesar 0,972, dan mAP@50–95 sebesar 0,708, yang menunjukkan kemampuan model dalam mengidentifikasi gejala kantuk pengemudi secara akurat dan konsisten. Berdasarkan hasil tersebut, sistem SIGAP berpotensi digunakan sebagai sistem pendukung keselamatan berkendara untuk membantu mendeteksi gejala awal kantuk pengemudi secara real-time. Pengembangan lanjutan disarankan untuk pengujian lapangan yang lebih luas serta integrasi dengan perangkat peringatan dan sistem kendaraan guna meningkatkan efektivitas pencegahan kecelakaan lalu lintas.
Penelitian ini berhasil mengembangkan Model SIGAP sebagai sistem identifikasi gejala kantuk pengemudi berbasis visi komputer menggunakan algoritma YOLOv11 yang menunjukkan kinerja deteksi yang tinggi dan stabil.Hasil pelatihan menghasilkan nilai precision hingga 0,966, recall mencapai 0,962, mAP@50 sebesar 0,970, dan mAP@50–95 sebesar 0,708, yang menunjukkan kemampuan model dalam mendeteksi kondisi Normal, Mengantuk, dan Microsleep secara akurat.Pengujian operasional sistem menunjukkan bahwa mekanisme alarm berbasis durasi bekerja sesuai spesifikasi, dengan tingkat akurasi aktivasi alarm mencapai 100% pada pengujian terkontrol.Berdasarkan hasil tersebut, Model SIGAP berpotensi diterapkan sebagai sistem pendukung keselamatan berkendara secara real-time, khususnya pada kendaraan operasional dan komersial.
Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan untuk meningkatkan efektivitas dan penerapan sistem SIGAP secara lebih luas. Pertama, perlu dilakukan pengujian lapangan yang ekstensif pada berbagai kondisi berkendara nyata, termasuk variasi pencahayaan, cuaca, dan jenis kendaraan, untuk memvalidasi kinerja sistem dalam lingkungan operasional yang sesungguhnya. Kedua, penelitian lebih lanjut dapat difokuskan pada pengembangan model deteksi yang lebih robust terhadap variasi pose wajah dan ekspresi pengemudi, misalnya dengan memanfaatkan teknik augmentasi data yang lebih canggih atau mengintegrasikan informasi dari sensor multimodal seperti EEG atau detak jantung. Ketiga, eksplorasi integrasi sistem SIGAP dengan sistem bantuan pengemudi (ADAS) yang ada pada kendaraan modern, seperti sistem peringatan tabrakan atau kontrol adaptif, dapat meningkatkan efektivitas pencegahan kecelakaan secara keseluruhan dan memberikan pengalaman berkendara yang lebih aman dan nyaman bagi pengemudi.
| File size | 443.13 KB |
| Pages | 10 |
| DMCA | Report |
Related /
JURNALFKIPUNTADJURNALFKIPUNTAD Instrumen hasil belajar berupa tes pilihan ganda. Tes hasil belajar yang diperoleh menunjukkan bahwa skor rata-rata kelas eksperimen 74,33 lebih tinggiInstrumen hasil belajar berupa tes pilihan ganda. Tes hasil belajar yang diperoleh menunjukkan bahwa skor rata-rata kelas eksperimen 74,33 lebih tinggi
UNRAMUNRAM Tahapan penelitian terdiri atas pembersihan data, transformasi kategori data menggunakan One-Hot Encoding, pembentukan model pengelompokan dengan algoritmaTahapan penelitian terdiri atas pembersihan data, transformasi kategori data menggunakan One-Hot Encoding, pembentukan model pengelompokan dengan algoritma
UNRAMUNRAM 7216. ROUGE-2 dengan Precision 0. 6936, Recall 0. 6212, dan F1-Score 0. 6480, serta ROUGE-L dengan Precision 0. 7210, Recall 0. 6465, dan F1-Score 0. 6741.7216. ROUGE-2 dengan Precision 0. 6936, Recall 0. 6212, dan F1-Score 0. 6480, serta ROUGE-L dengan Precision 0. 7210, Recall 0. 6465, dan F1-Score 0. 6741.
BSIBSI 500 data, sementara kelas Non-Diabetes mencakup 91.500 data. Metodologi yang diterapkan yakni Algoritma Naïve Bayes. Evaluasi model membuktikan bahwa500 data, sementara kelas Non-Diabetes mencakup 91.500 data. Metodologi yang diterapkan yakni Algoritma Naïve Bayes. Evaluasi model membuktikan bahwa
TRILOGITRILOGI Model cenderung bias terhadap kelas mayoritas dengan false negative tinggi, sehingga lebih cocok sebagai alat konfirmasi dibandingkan sebagai skriningModel cenderung bias terhadap kelas mayoritas dengan false negative tinggi, sehingga lebih cocok sebagai alat konfirmasi dibandingkan sebagai skrining
UPGRISUPGRIS Model-model tersebut dilatih dari awal (from scratch) pada subset dataset COCO dan diuji pada empat skenario: citra bersih, gangguan Gaussian, motion blur,Model-model tersebut dilatih dari awal (from scratch) pada subset dataset COCO dan diuji pada empat skenario: citra bersih, gangguan Gaussian, motion blur,
UNITY ACADEMYUNITY ACADEMY Dalam penelitian ini, telah dilakukan analisis klasifikasi struktur daerah di Kota Medan menggunakan algoritma K-NN (K-Nearest Neighbor). Penelitian iniDalam penelitian ini, telah dilakukan analisis klasifikasi struktur daerah di Kota Medan menggunakan algoritma K-NN (K-Nearest Neighbor). Penelitian ini
UmriUmri Berdasarkan hasil penelitian tersebut perlu adanya motivasi untuk meningkatkan kesadaran masyarakat tentang penerapan rumah tangga sehat agar terciptaBerdasarkan hasil penelitian tersebut perlu adanya motivasi untuk meningkatkan kesadaran masyarakat tentang penerapan rumah tangga sehat agar tercipta
Useful /
IAIN KEDIRIIAIN KEDIRI Lima puluh siswa kelas VIII pada dua sekolah menengah kejuruan dibagi secara merata ke dalam kelompok eksperimental dan kontrol. Validasi terhadap tigaLima puluh siswa kelas VIII pada dua sekolah menengah kejuruan dibagi secara merata ke dalam kelompok eksperimental dan kontrol. Validasi terhadap tiga
UNRAMUNRAM Kinerja bot terintegrasi diukur menggunakan fungsi microtime untuk menunjukkan waktu akses setiap perintah. Hasilnya kemudian dibandingkan dengan waktuKinerja bot terintegrasi diukur menggunakan fungsi microtime untuk menunjukkan waktu akses setiap perintah. Hasilnya kemudian dibandingkan dengan waktu
UNRAMUNRAM Kekurangan metode ini terletak pada pemahaman dan tingkat akurasi setiap orang yang berbeda-beda. Oleh karena itu, diperlukan sistem yang dapat membedakanKekurangan metode ini terletak pada pemahaman dan tingkat akurasi setiap orang yang berbeda-beda. Oleh karena itu, diperlukan sistem yang dapat membedakan
UNRAMUNRAM As the popularity of this service increases, it also harms attacks on mobile devices such as SMS spam. Spam SMS are short messages that the recipient doesntAs the popularity of this service increases, it also harms attacks on mobile devices such as SMS spam. Spam SMS are short messages that the recipient doesnt