<![CDATA[Pendeteksian kantuk merupakan hal penting dalam menjaga keselamatan, terutama dalam konteks transportasi dan lingkungan kerja. Dalam upaya untuk mengembangkan aplikasi pendeteksi kantuk yang efektif, metode-metode berbasis visi komputer, seperti YOLO (You Only Look Once) dan Viola-Jones, telah menjadi fokus penelitian yang signifikan. Penelitian ini bertujuan untuk membandingkan performa kedua metode tersebut dalam aplikasi pendeteksi kantuk berbasis website. Pendekatan pemecahan masalah yang terstruktur digunakan untuk mengidentifikasi kelebihan dan kekurangan dari masing-masing metode. Evaluasi dilakukan menggunakan kriteria seperti akurasi deteksi, kecepatan pemrosesan, efisiensi sumber daya, dan robustness terhadap variasi kondisi lingkungan. Data yang digunakan dalam penelitian ini meliputi dataset video dan gambar yang mencakup berbagai kondisi pencahayaan dan posisi wajah. Kedua metode YOLO dan Viola-Jones menggunakan dataset, algoritma untuk klasifikasi menggunakan CNN (Convolutional Neural Network) dan jumlah epoch yang sama. training metode Viola-Jones lebih cepat, 13 menit 37 detik. Dibandingkan dengan metode Yolo membutuhkan waktu 400 menit. Perbandingan keakurasian kedua metode, nilai metrik Viola-Jones 0,9 lebih besar dibandingkan metode Yolo 0,75, berarti metode Viola-Jones memiliki ketepatan yang tinggi dalam mengklasifikasi kondisi “kantuk”. Nilai metrik Recall Viola-Jones 0,88 lebih besar dibandingkan metode Yolo 0,75. Nilai metrik F1-score Viola-Jones 0,88 lebih besar dibandingkan metode Yolo 0,70, hal ini menunjukkan performa model metode Viola-Jones cukup baik dalam mendeteksi kondisi "kantuk”. Kata Kunci: Deteksi Kantuk, Metode YOLO, Metode Viola-Jones, Visi Komputer, Performa Algoritma. ABSTRACT Drowsiness detection is a crucial aspect of ensuring safety, particularly in the contexts of transportation and work environments. In the effort to develop an effective drowsiness detection application, computer vision-based methods such as YOLO (You Only Look Once) and Viola-Jones have become significant research focuses. This study aims to compare the performance of these two methods in a web-based drowsiness detection application. A structured problem-solving approach is employed to identify the strengths and weaknesses of each method. The evaluation is conducted using criteria such as detection accuracy, processing speed, resource efficiency, and robustness to environmental condition variations. The data used in this study include video and image datasets covering various lighting conditions and facial positions. Both the YOLO and Viola-Jones methods utilize the same dataset, classification algorithm (Convolutional Neural Network or CNN), and number of epochs. The training time for the Viola-Jones method is faster, taking 13 minutes and 37 seconds, compared to YOLO, which requires 400 minutes. In terms of accuracy, Viola-Jones achieves a metric value of 0.9, which is higher than YOLO's 0.75, indicating that the Viola-Jones method is more precise in classifying “drowsiness” conditions. The Recall metric for Viola-Jones is 0.88, surpassing YOLO's 0.75. Similarly, the F1-score for Viola-Jones is 0.88, greater than YOLO's 0.70. These results demonstrate that the Viola-Jones method performs well in detecting “drowsiness” conditions.Keywords: Drowsiness Detection, YOLO Method, Viola-Jones Method, Computer Vision, Algorithm Performance.]]>
