<![CDATA[Kantuk saat berkendara merupakan ancaman keselamatan yang serius, salah satunya melalui kondisi microsleep yang terjadi tanpa disadari namun dapat menyebabkan pengemudi kehilangan kendali kendaraan. Penelitian ini bertujuan untuk menganalisis performa model Convolutional Neural Network (CNN) ringan dalam mendeteksi kondisi microsleep secara real-time pada perangkat Edge AI berbasis ESP32-CAM sebagai solusi deteksi kantuk yang terjangkau dan mandiri tanpa ketergantungan pada komputasi eksternal. Model dikembangkan menggunakan platform Edge Impulse dengan arsitektur CNN ringan dan dilatih pada 3.872 citra mata serta diuji pada 974 citra dari MRL Eye Dataset. Seluruh citra dikonversi ke format grayscale berukuran 24×24 piksel sebelum proses pelatihan. Dengan konfigurasi 50 epoch, learning rate 0,0005, dan kuantisasi INT8, model mencapai akurasi validasi sebesar 94,5%. Ketika diimplementasikan pada ESP32-CAM, waktu inferensi yang diperoleh sebesar 41 ms per frame dengan konsumsi RAM 7,9 KB dan memori flash 31,2 KB. Evaluasi pada perangkat dilakukan melalui pengujian variasi jarak kamera dan kondisi pencahayaan. Deteksi microsleep ditentukan berdasarkan durasi mata tertutup, yaitu kurang dari satu detik tidak terdeteksi, satu hingga dua detik memberikan peringatan awal, dan lebih dari dua detik mengaktifkan alarm. Hasil pengujian menunjukkan sistem memiliki performa yang baik pada kondisi pencahayaan normal, meskipun masih mengalami keterbatasan pada kondisi cahaya ekstrem. Oleh karena itu, validasi lebih lanjut pada kondisi berkendara nyata masih diperlukan sebelum sistem dapat diterapkan secara penuh.]]>
Copyrights © 2026
