Deteksi Gejala Drowsiness pada Pengemudi Menggunakan Arsitektur YOLOv11 Berbasis Computer Vision

Abstract

Kelelahan atau kantuk (drowsiness) pada pengemudi merupakan salah satu penyebab utama kecelakaan lalu lintas karena dapat memicu microsleep. Penelitian ini bertujuan mengembangkan sistem deteksi gejala drowsiness berbasis computer vision menggunakan arsitektur YOLOv11 serta mengevaluasi performanya secara real-time melalui citra wajah. Penelitian menggunakan metode eksperimen dengan dataset publik sebanyak 2.363 citra yang terdiri atas tiga kelas, yaitu Awake, Drowsy, dan Yawning, dengan pembagian data 70% pelatihan, 20% validasi, dan 10% pengujian. Model dilatih selama 100 epoch menggunakan Python. Hasil evaluasi menunjukkan bahwa model memperoleh nilai Precision sebesar 88,71%, Recall sebesar 83,33%, F1-Score sebesar 85,93%, mAP@0.5 sebesar 90,60%, dan mAP@0.5:0.95 sebesar 70,36%. Berdasarkan hasil normalized confusion matrix, model mampu mendeteksi kelas Yawning dengan tingkat deteksi sebesar 100%, kelas Awake sebesar 89%, dan kelas Drowsy sebesar 78%. Hasil penelitian menunjukkan bahwa arsitektur YOLOv11 memiliki performa yang baik dalam mendeteksi gejala drowsiness secara real-time serta berpotensi diterapkan sebagai sistem pendukung keselamatan berkendara.