Implementasi Algoritma Deep Learning Untuk Sistem Deteksi Kantuk Pada Pengemudi Menggunakan Yolo

Abstract

Mengemudi dalam keadaan mengantuk merupakan salah satu tindakan berbahaya yang dapat menjadi salah satu penyebab terjadinya kecelakaan yang dapat mengakibatkan cedera hingga meregang nyawa. Pencegahan kecelakaan yang diakibatkan kantuk pada pengemudi dapat dilakukan dengan cara melakukan deteksi kantuk sejak dini secara akurat. Seiring berkembangnya teknologi, dalam beberapa dekade terakhir kecerdasan buatan untuk melakukan deteksi kantuk pada pengemudi menjadi subjek banyak penelitian dan berbagai metode telah dikembangkan. Mengimplementasikan arsitektur convolutional neural network (CNN) dengan algoritma you only look once (YOLO) menjadi salah satu langkah yang dapat digunakan untuk melakukan analisis deteksi kantuk pada pengemudi yang dapat diterapkan melalui cuplikan video maupun secara realtime. Pada penelitian ini kategori kelas deteksi dibagi menjadi dua yaitu pengemudi yang terdeteksi mengantuk akan diberi label drowsy sedangkan pengemudi yang terdeteksi terjaga atau dalam kondisi normal akan diberi label awake sesuai dengan bounding box yang sudah dibuat sebelumnya. Selain itu dengan melakukan konfigurasi parameter model dengan batch size 64, network size 416x416, subdivisions 16, max batch 4000, filters 21, dengan empat skenario training data dan testing data dengan learning rate 0.00261 dan 0.001 dengan split dataset 90%:10% dan 80%:10% diperoleh nilai IoU terbesar pada konfigurasi menggunakan split dataset 80%:20% dengan learning rate 0.00261.