Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Vocational Education and Information Technology (JVEIT)
Rafii Khairan Saragih
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Mechanical Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Comparison of CNN-PERCLOS and SVM-HOG Models for Drowsiness Detection in University Students: Perbandingan Model CNN-PERCLOS dan SVM-HOG untuk Deteksi Kantuk Mahasiswa Dodik Ariyanto; Raden Muhammad Raditya Rahman; Muhammad Rafi Alexander Prayoga; Rafii Khairan Saragih; Faldiena Marcelita
Journal of Vocational Education and Information Technology (JVEIT) Vol. 7 No. 1 (2026): Jurnal JVEIT : Vol 7 No 1 2026
Publisher : Lembaga Pengembangan dan Inovasi Universitas Dharmas Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56667/jveit.v7i1.2234

Abstract

Pembelajaran daring menuntut mahasiswa untuk mempertahankan perhatian visual dalam durasi yang panjang, sedangkan pola tidur yang kurang baik dan kelelahan dapat menurunkan konsentrasi serta meningkatkan risiko kantuk. Penelitian ini membandingkan metode CNN-PERCLOS dan SVM-HOG untuk mendeteksi kantuk mahasiswa menggunakan data citra wajah. Dataset yang digunakan diperoleh dari Kaggle Drowsiness Dataset dan terdiri atas empat kelas, yaitu Closed_Eyes, Open_Eyes, Yawn, dan No_yawn. Tahapan penelitian meliputi akuisisi dataset, pra-pemrosesan, klasifikasi visual berbasis CNN, perhitungan PERCLOS, ekstraksi fitur HOG, klasifikasi SVM, dan evaluasi model. Evaluasi dilakukan menggunakan akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa CNN-PERCLOS memperoleh performa lebih baik dibandingkan SVM-HOG, dengan akurasi 92.5%, presisi 92.9%, recall 92.5%, dan F1-score 92.5%. Sementara itu, SVM-HOG memperoleh akurasi 82.7%, presisi 83.2%, recall 82.7%, dan F1-score 82.6%. Hasil tersebut menunjukkan bahwa CNN-PERCLOS lebih efektif dalam mengenali pola visual kantuk dibandingkan fitur manual HOG dengan SVM.
Co-Authors DODIK ARIYANTO Marcelita, Faldiena Muhammad Rafi Alexander Prayoga Raden Muhammad Raditya Rahman