<![CDATA[Pembelajaran daring menuntut mahasiswa untuk mempertahankan perhatian visual dalam durasi yang panjang, sedangkan pola tidur yang kurang baik dan kelelahan dapat menurunkan konsentrasi serta meningkatkan risiko kantuk. Penelitian ini membandingkan metode CNN-PERCLOS dan SVM-HOG untuk mendeteksi kantuk mahasiswa menggunakan data citra wajah. Dataset yang digunakan diperoleh dari Kaggle Drowsiness Dataset dan terdiri atas empat kelas, yaitu Closed_Eyes, Open_Eyes, Yawn, dan No_yawn. Tahapan penelitian meliputi akuisisi dataset, pra-pemrosesan, klasifikasi visual berbasis CNN, perhitungan PERCLOS, ekstraksi fitur HOG, klasifikasi SVM, dan evaluasi model. Evaluasi dilakukan menggunakan akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa CNN-PERCLOS memperoleh performa lebih baik dibandingkan SVM-HOG, dengan akurasi 92.5%, presisi 92.9%, recall 92.5%, dan F1-score 92.5%. Sementara itu, SVM-HOG memperoleh akurasi 82.7%, presisi 83.2%, recall 82.7%, dan F1-score 82.6%. Hasil tersebut menunjukkan bahwa CNN-PERCLOS lebih efektif dalam mengenali pola visual kantuk dibandingkan fitur manual HOG dengan SVM.]]>
Copyrights © 2026
