RAFIQI, MUH IRHAS (2025) DETEKSI TINGKAT KANTUK PADA PENGEMUDI BERBASIS DEEP LEARNING. Diploma thesis, POLITEKNIK KESELAMATAN TRANSPORTASI JALAN.
|
Text (ABSTRAK)
21021047-SKRIPSI-ABSTRAK.pdf Download (892kB) | Preview |
|
|
Text (BAB I)
21021047-SKRIPSI-BAB_1.pdf Download (74kB) | Preview |
|
![[img]](http://eprints.pktj.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
21021047-SKRIPSI-BAB_2.pdf Restricted to Registered users only Download (926kB) | Request a copy |
|
|
Text (BAB III)
21021047-SKRIPSI-BAB_3.pdf Restricted to Registered users only Download (210kB) | Request a copy |
|
|
Text (BAB IV)
21021047-SKRIPSI-BAB_4.pdf Restricted to Registered users only Download (3MB) | Request a copy |
|
|
Text (BAB V)
21021047-SKRIPSI-BAB_5.pdf Download (86kB) | Preview |
|
|
Text (LAMPIRAN)
21021047-SKRIPSI-LAMPIRAN.pdf Restricted to Registered users only Download (3MB) | Request a copy |
Abstract
Kecelakaan lalu lintas merupakan permasalahan serius yang hingga kini belum dapat sepenuhnya diatasi di Indonesia. Setiap tahunnya, jumlah kecelakaan menunjukkan tren peningkatan. Berdasarkan data dari Kementerian Perhubungan, tercatat sebanyak 34.206 kasus kecelakaan terjadi selama periode 2020 hingga 2022. Faktor utama penyebab kecelakaan didominasi oleh kesalahan manusia, antara lain kurangnya pemahaman terkait keselamatan berkendara, kondisi fisik seperti kelelahan atau mengantuk akibat aktivitas berlebih, pengaruh minuman beralkohol atau obat-obatan terlarang, serta ketidakstabilan emosi. Hal ini turut diperkuat oleh pernyataan dari Komite Nasional Keselamatan Transportasi (KNKT) yang menyebutkan bahwa 80% kecelakaan di jalan tol disebabkan oleh pengemudi yang kelelahan dan mengantuk akibat durasi mengemudi yang berlebihan. Penelitian ini bertujuan untuk mengimplementasikan algoritma You Only Look Once (YOLO) berbasis deep learning guna mendeteksi tingkat kantuk pengemudi secara waktu nyata (real-time). Algoritma YOLO dipilih karena kemampuannya dalam melakukan deteksi objek secara cepat dan akurat. Metode penelitian yang digunakan adalah eksperimen kuantitatif dengan pengukuran performa model menggunakan metrik precision, recall, accuracy, dan F1 Score. Dataset yang digunakan berjumlah 1.000 gambar yang terbagi ke dalam empat kelas, yaitu alert, low vigilance, drowsy, dan microsleep. Hasil penelitian menunjukkan bahwa arsitektur YOLOv8, khususnya varian medium dan small, memberikan performa terbaik dengan keseimbangan optimal pada seluruh metrik evaluasi. YOLOv5 menunjukkan keunggulan pada aspek recall, sehingga sesuai digunakan untuk kebutuhan deteksi secara menyeluruh. Sementara itu, YOLOv10 menawarkan efisiensi komputasi yang baik tanpa mengorbankan performa. Berdasarkan hasil tersebut, YOLOv8 direkomendasikan sebagai model paling efektif, sedangkan YOLOv5 dan YOLOv10 dapat dijadikan alternatif berdasarkan kebutuhan spesifik, baik dari sisi cakupan deteksi maupun efisiensi sumber daya. Temuan ini diharapkan dapat berkontribusi dalam pengembangan sistem peringatan dini untuk mendeteksi kantuk pengemudi guna menurunkan risiko terjadinya kecelakaan lalu lintas.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Deep learning, Deteksi kantuk, Keselamatan berkendara, YOLO |
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) T Technology > TE Highway engineering. Roads and pavements T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Teknologi Rekayasa Otomotif > Teknologi Rekayasa Otomotif |
| Depositing User: | 21021047 21021047 |
| Date Deposited: | 12 Jun 2025 00:39 |
| Last Modified: | 12 Jun 2025 00:39 |
| URI: | http://eprints.pktj.ac.id/id/eprint/3495 |
Actions (login required)
 |
View Item |
