<![CDATA[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.]]>
Copyrights © 2026
