Publisher

PELITABANGSAPELITABANGSA

Journal Prosiding Sains dan TeknologiProsiding Sains dan Teknologi Abstract

Kantuk 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.

Conclusion

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.

Future Research

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.

Metadata

File size	443.13 KB
Pages	10
DMCA	Report