Publisher

UMKLAUMKLA

Journal JKTI Jurnal Keilmuan Teknologi InformasiJKTI Jurnal Keilmuan Teknologi Informasi Abstract

Kantuk saat mengemudi adalah salah satu penyebab utama kecelakaan lalu lintas. Untuk mencegah kecelakaan yang disebabkan oleh kantuk, diperlukan sistem deteksi yang akurat dan real-time. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi kantuk yang berbasis computer vision dengan menggunakan algoritma YOLOv12. Dataset yang digunakan berasal dari Kaggle dan telah melalui proses anotasi manual menggunakan Roboflow. Data citra diklasifikasikan menjadi dua kategori, yaitu kantuk dan tidak kantuk, dengan total 5.000 gambar yang kemudian diperluas menjadi 6.976 gambar melalui teknik augmentasi. Proses pelatihan model dilakukan dengan menggunakan optimizer AdamW (lr=0.001667, momentum=0.9) dan konfigurasi 100 epoch, dengan batch size 4. Evaluasi performa menunjukkan mAP@50 sebesar 0,732 dan mAP@50-95 sebesar 0,62, dengan precision 0,648 dan recall 0,928. Hasil ini menunjukkan bahwa YOLOv12 dapat mendeteksi kantuk dengan akurasi tinggi secara real-time. Namun, performa model sangat tergantung pada kualitas dan keseimbangan data. Oleh karena itu, diperlukan peningkatan pada struktur dan distribusi dataset untuk mencapai hasil yang lebih optimal.

Conclusion

Proses deteksi dan klasifikasi objek kantuk menggunakan YOLOv12 yang meliputi tahapan preprocessing, augmentasi data, serta anotasi objek, menghasilkan performa yang baik sebagaimana ditunjukkan pada hasil evaluasi.Pelatihan dataset dilakukan dengan konfigurasi epochs sebanyak 100, batch size 4, dan optimizer menggunakan optimizer AdamW dengan learning rate sebesar 0.Penelitian ini menunjukkan bahwa peningkatan kualitas serta keseimbangan dataset penting untuk optimalisasi sistem deteksi kantuk secara real-time.

Future Research

Penelitian lanjutan bisa dilakukan untuk melihat apakah sistem deteksi kantuk ini bisa dikembangkan menjadi aplikasi mudah guna di ponsel pintar, supaya pengemudi bisa mendapat peringatan langsung tanpa perlu perangkat khusus di mobil. Selain itu, eksperimen bisa dicoba dengan menggabungkan deteksi wajah dari kamera dengan data lain seperti suhu tubuh atau gerakan badan, untuk membuat sistem lebih akurat dalam membedakan kantuk benar-benar atau hanya lelah biasa. Lalu, ada ide untuk menguji model ini pada kelompok orang dari berbagai usia dan kondisi kesehatan berbeda, agar hasilnya bisa lebih umum dan berguna untuk semua kalangan pengemudi di jalan raya. Dengan begitu, kita bisa tahu bagaimana cara meningkatkan kualitas dataset yang lebih seimbang, seperti menambah gambar dari situasi berkendara di malam hari atau saat kondisi cuaca buruk. Dari saran sebelumnya tentang dataset, penelitian baru bisa fokus pada cara membuat anotasi otomatis agar proses persiapan data lebih cepat dan hemat biaya. Penelitian lanjutan juga bisa mengeksplorasi apakah algoritma lain selain YOLOv12, seperti versi YOLO yang lebih baru atau gabungan dengan model lain, bisa menghasilkan deteksi yang lebih stabil dan kuat menghadapi variasi cahaya. Selanjutnya, ide untuk integrasi sistem ini dengan fitur mobil cerdas, misalnya dengan sistem navigasi atau musik di dalam kendaraan, supaya peringatan kantuk tidak hanya suara tapi bisa menyesuaikan lingkungan mobil secara otomatis. Dengan kombinasi itu, penelitian bisa menjadi lebih praktis untuk kehidupan sehari-hari dan membantu mengurangi angka kecelakaan karena kantuk saat mengemudi secara signifikan.

References

1. PEMANFAATAN SAM DAN YOLOV8 UNTUK DETEKSI DAN SEGMENTATION MRI TUMOR OTAK | TEKNIMEDIA: Teknologi Informasi... doi.org/10.46764/teknimedia.v5i1.192PEMANFAATAN SAM DAN YOLOV8 UNTUK DETEKSI DAN SEGMENTATION MRI TUMOR OTAK TEKNIMEDIA Teknologi Informasi doi 10 46764 teknimedia v5i1 192
2. Drowsiness Detection Using Brain Signal Recognition Deep Neural Network (BSRDNN) | IIETA. drowsiness... iieta.org/journals/ijsse/paper/10.18280/ijsse.140308Drowsiness Detection Using Brain Signal Recognition Deep Neural Network BSRDNN IIETA drowsiness iieta journals ijsse paper 10 18280 ijsse 140308
3. Fifth Dimension Research Publication. fifth dimension research publication sorry fdrpjournals doesn work... fdrpjournals.org/ijire/archives?paperid=8696442353460363240Fifth Dimension Research Publication fifth dimension research publication sorry fdrpjournals doesn work fdrpjournals ijire archives paperid 8696442353460363240

Subjects

1. #desain sistem#desain sistem
2. #prediction model#prediction model

Metadata

File size	460.95 KB
Pages	6
Short Link	https://juris.id/p-152
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report