<![CDATA[Kelelahan dan kantuk merupakan salah satu penyebab utama kecelakaan lalu lintas, yang dapat memicu microsleep, yaitu periode tidur singkat yang terjadi secara tiba-tiba dan tidak disadari. Penelitian sebelumnya mendeteksi microsleep menggunakan Convolutional Neural Network (CNN) murni dengan aturan durasi penutupan mata (rule-based) yang hanya memanfaatkan informasi spasial dari satu frame. Karena microsleep merupakan fenomena temporal, penelitian ini mengembangkan pendekatan tersebut dengan menambahkan lapisan Long Short-Term Memory (LSTM) di atas fitur CNN, sehingga sistem dapat mempelajari pola perubahan kondisi mata dari urutan frame. CNN berperan sebagai ekstraktor fitur per frame, sedangkan LSTM mengklasifikasikan pola temporal dari urutan 20 frame. Sistem diimplementasikan secara real-time pada Raspberry Pi 4 Model B menggunakan TensorFlow Lite. Dibandingkan pendekatan CNN rule-based, penambahan LSTM meningkatkan recall kelas microsleep dari 80,1% menjadi 96,2% (+16,1 poin) dan F1-score dari 88,8% menjadi 97,0%. Evaluasi model pada satu pembagian uji menghasilkan akurasi 98,52% dengan recall microsleep 99,00%, sedangkan validasi silang GroupKFold (k=5) menghasilkan akurasi 98,77% ± 0,28% dan recall 97,78% ± 0,73%, menandakan generalisasi yang stabil. Latency end-to-end sistem sebesar 37,40 ms per frame (≈26,7 fps) sehingga layak untuk pemantauan secara real-time. Hasil ini menunjukkan pemodelan temporal berbasis LSTM meningkatkan kemampuan deteksi microsleep tanpa mengorbankan kecepatan real-time. Index Terms—Deteksi microsleep, CNN-LSTM, pemodelan temporal, Eye Aspect Ratio, Raspberry Pi, real-time, kantuk pengemudi.]]>
