Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal SAINTEK
Furkhon Nurdiyanto
Unknown Affiliation
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Model SIGAP: Sistem Identifikasi Gejala Kantuk Pengemudi Menggunakan YOLO 11 Mu'ammar Kadafi; Furkhon Nurdiyanto; Daffa Albani Hakim; Agung Nugroho
Prosiding Sains dan Teknologi Vol. 5 No. 1 (2026): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 5 - Februari 2026
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kantuk pengemudi merupakan salah satu faktor utama penyebab kecelakaan lalu lintas yang sering tidak terdeteksi secara dini, khususnya pada kendaraan operasional dan komersial. Kondisi ini menyebabkan penurunan kewaspadaan, waktu reaksi, serta kemampuan pengambilan keputusan pengemudi, sehingga meningkatkan risiko kecelakaan dengan tingkat keparahan tinggi. Penelitian ini mengembangkan SIGAP (Sistem Identifikasi Gejala Kantuk Pengemudi) sebagai sistem berbasis visi komputer yang bertujuan mengidentifikasi gejala kantuk pengemudi menggunakan algoritma deteksi objek YOLOv11. Sistem SIGAP dirancang untuk memberikan peringatan berbasis durasi, yaitu alarm ringan ketika kondisi kantuk terdeteksi selama 1,5 detik dan alarm berulang apabila durasi deteksi melebihi 3 detik. Dataset yang digunakan terdiri dari tiga kelas, yaitu Normal, Mengantuk, dan Microsleep, dengan total 2.052 citra hasil augmentasi. Untuk meningkatkan keandalan evaluasi model, dataset dibagi ulang dengan proporsi 70% data latih (1.436 citra), 20% data validasi (410 citra), dan 10% data uji (206 citra). Proses pelatihan dilakukan menggunakan arsitektur YOLOv11n dengan ukuran input 640×640 piksel. Hasil pengujian pada data validasi menunjukkan performa deteksi yang baik dengan nilai precision sebesar 0,958, recall 0,934, mAP@50 sebesar 0,972, dan mAP@50–95 sebesar 0,708, yang menunjukkan kemampuan model dalam mengidentifikasi gejala kantuk pengemudi secara akurat dan konsisten. Berdasarkan hasil tersebut, sistem SIGAP berpotensi digunakan sebagai sistem pendukung keselamatan berkendara untuk membantu mendeteksi gejala awal kantuk pengemudi secara real-time. Pengembangan lanjutan disarankan untuk pengujian lapangan yang lebih luas serta integrasi dengan perangkat peringatan dan sistem kendaraan guna meningkatkan efektivitas pencegahan kecelakaan lalu lintas.
Model MODEPA-8 (Model Deteksi Parkir) UNSIKA Menggunakan YOLOv8 dengan Perbandingan Epoch 30 dan 50 Arjuno Putro Bayu; Furkhon Nurdiyanto; Hakim Wirawan; Irwana; Lela Nurpulaela
Prosiding Sains dan Teknologi Vol. 5 No. 1 (2026): Seminar Nasional Sains dan Teknologi (SAINTEK) ke 5 - Februari 2026
Publisher : DPPM Universitas Pelita Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ketersediaan parkir di lingkungan kampus menjadi permasalahan serius seiring meningkatnya jumlah kendaraan dan keterbatasan lahan parkir, khususnya di Universitas Singaperbangsa Karawang (UNSIKA). Sistem parkir konvensional yang belum terotomatisasi menyebabkan waktu pencarian parkir yang panjang dan inefisiensi operasional. Penelitian ini bertujuan untuk mengembangkan MODEPA-8, yaitu model deteksi parkir berbasis YOLOv8 (You Only Look Once), serta menganalisis pengaruh perbedaan jumlah epoch pelatihan terhadap performa deteksi parkir. Metode yang digunakan adalah penelitian eksperimental kuantitatif dengan pendekatan visi komputer, di mana model dilatih menggunakan dua konfigurasi epoch, yaitu 30 dan 50 epoch, pada dataset citra area parkir kampus UNSIKA. Evaluasi performa dilakukan menggunakan metrik mAP50–95, mAP50, precision, recall, F1 Score, dan Confusion Matrix. Hasil eksperimen menunjukkan bahwa MODEPA-8 dengan pelatihan 30 epoch mencapai mAP50–95 sebesar 0,91862, mAP50 sebesar 0,97516, precision 0,97679, dan recall 0,95186 dengan waktu pelatihan sekitar 5.690 detik. Sementara itu, pelatihan 50 epoch menghasilkan mAP50–95 sebesar 0,92259 dan recall 0,95783, namun membutuhkan waktu pelatihan yang jauh lebih lama, yaitu sekitar 14.143 detik. Selisih peningkatan performa yang kurang dari 1% menunjukkan adanya diminishing returns pada penambahan epoch. Oleh karena itu, MODEPA-8 dengan konfigurasi pelatihan 30 epoch direkomendasikan sebagai solusi paling efisien dan optimal untuk implementasi sistem parkir cerdas di lingkungan kampus.
Co-Authors Agung Nugroho Arjuno Putro Bayu Daffa Albani Hakim Hakim Wirawan Irwana Lela Nurpulaela Mu'ammar Kadafi