Analisis Model Deep Learning FasterNet dan MobileNetV3 Berbasis Citra Wajah untuk Deteksi Kantuk Pengemudi pada Platform Mobile ARM

Adiyanto Kusuma Nuhgraha, Nur
Utaminingrum, Fitri

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol 10 No 5 (2026): Mei 2026

Kecelakaan lalu lintas menyebabkan 1,19 juta kematian per tahun; 17,6% fatal melibatkan pengemudi mengantuk (29.834 kematian pada 2017-2021). Deteksi kantuk dengan EEG bersifat intrusif, sementara metode geometris (EAR, MAR) kurang akurat. Deep learning pada citra wajah non-intrusif dan akurat, namun implementasi di perangkat ARM terhambat Memory Access Cost pada depthwise convolution. Penelitian ini mengusulkan model hibrida Star-FasterNet yang mengintegrasikan partial convolution dan star operation untuk efisiensi ekstraksi fitur non-linear tanpa menambah parameter. Analisis komparatif dilakukan pada MobileNetV3, FasterNet, dan tiga varian Star-FasterNet menggunakan metrik akurasi, latensi ARM, dan resource usage. Hasil menunjukkan Star-FasterNet Case III mencapai akurasi rata-rata 92,44% YAWDD dan 94,61% UTA-RLDD  dengan latensi 15,09 ms, cpu usage 44,23%, dan memory usage 7,87 MB, membuktikan integrasi partial convolution dan star operation menghasilkan model berbasis ekspansi dimensi implisit yang sangat ringan dan efisien untuk meminimalkan Memory Access Cost dengan performa klasifikasi yang tetap optimal. Penelitian ini memberikan solusi teknis ilmiah untuk deteksi kantuk real-time pada platform mobile ARM.