<![CDATA[Penelitian ini bertujuan untuk mengevaluasi dan membandingkan efektivitas algoritma ResNet-50 dalam mengklasifikasikan aktivitas pengemudi terganggu pada dua jenis dataset: setir kiri dan setir kanan, menggunakan dataset AUC Driver Distracted yang mencakup sepuluh kelas aktivitas seperti mengemudi normal, menelepon, dan menulis pesan. Model ResNet-50 diterapkan tanpa modifikasi arsitektur atau teknik augmentasi data, dengan pemilihan parameter menggunakan 5-fold cross-validation dan optimasi Stochastic Gradient Descent (SGD). Hasil penelitian menunjukkan perbedaan signifikan dalam kinerja model antara dataset setir kiri dan kanan, dengan akurasi mencapai 84% dan 96%, secara berturut-turut. Perbedaan ini mungkin disebabkan oleh variasi distribusi data dan visual antara kedua dataset. Kesalahan klasifikasi yang terjadi sebagian besar disebabkan oleh keterbatasan gambar statis yang tidak dapat menangkap konteks temporal dari aktivitas pengemudi. Temuan ini menunjukkan potensi aplikasi dan perlunya penelitian lebih lanjut untuk meningkatkan kemampuan deteksi aktivitas pengemudi terganggu dalam konteks dunia nyata.]]>
Copyrights © 2024
