Sistem Peringatan Tersemat untuk Pengemudi Mengantuk

Abstract

Pendeteksian Driver Drowsiness (DDD) merupakan teknologi keselamatan kendaraan penting yang dirancang untuk mencegah kecelakaan akibat kantuk pengemudi. Dalam penelitian ini, pendekatan baru diajukan menggunakan model jaringan saraf konvolusi (CNN) ringan yang terdiri dari 44.853 parameter. Berkat ke ringanannya, model ini bekerja secara efisien bahkan pada perangkat dengan sumber daya terbatas. Hasil percobaan menunjukkan kinerja kompetitif model ini dibandingkan dengan model yang ada dengan ukuran input dan jumlah parameter yang lebih besar. Dalam hal akurasi, metode ini mencapai akurasi sebesar 92,06% pada dataset Curtin Emotion Wheels (CEW) yang mengesankan. Bahkan dalam kondisi pencahayaan yang sulit, performa model ini tetap luar biasa jika digabungkan dengan kamera termal. Secara khusus, model ini mencapai akurasi yang luar biasa sebesar 95,10% pada jarak kamera 0,3-meter dari wajah pengemudi. Selain itu, metode ini memiliki karakteristik kecepatan yang sangat baik, sehingga cocok digunakan pada perangkat tertanam. Kecepatan rata-rata perangkat Raspberry Pi 4 diperkirakan mencapai 5 frames per detik (FPS). Hal ini menunjukkan kepraktisan dan kelayakan penerapan pendekatan ini dalam skenario waktu nyata, yang semakin meningkatkan keselamatan pengemudi.