Sub Menu

Kantuk pada pengemudi merupakan salah satu faktor utama penyebab kecelakaan lalu lintas karena dapat menurunkan tingkat kewaspadaan, waktu reaksi, dan konsentrasi saat berkendara. Oleh karena itu, diperlukan sistem deteksi kantuk yang akurat, cepat, dan bersifat non-invasif. Penelitian ini mengusulkan penerapan metode 3D Convolutional Neural Network (3D CNN) untuk mendeteksi kondisi kantuk pengemudi berdasarkan informasi visual dari video wajah pengemudi. Pada tahap awal, area wajah pengemudi diekstraksi menggunakan metode Haar Cascade untuk memperoleh region of interest sebelum diproses lebih lanjut oleh model 3D CNN. Model 3D CNN digunakan untuk menangkap informasi spasial dan temporal secara bersamaan dari rangkaian frame video. Penelitian ini juga menganalisis pengaruh pengaturan parameter depth dan strides terhadap kinerja model. Pengujian dilakukan menggunakan UTA Real-Life Drowsiness Dataset dengan skema validasi berbasis beberapa fold. Hasil penelitian menunjukkan bahwa penggunaan 3D CNN mampu mendeteksi kantuk pengemudi dengan tingkat akurasi yang baik. Selain itu, variasi nilai depth dan strides terbukti memengaruhi performa model secara signifikan. Model dengan konfigurasi parameter tertentu menghasilkan akurasi yang lebih optimal dibandingkan konfigurasi lainnya. Dengan demikian, sistem yang diusulkan berpotensi digunakan sebagai solusi deteksi kantuk pengemudi secara real-time untuk meningkatkan keselamatan berkendara.