Penerapan Face Detection Kantuk Berbasis Computer Vision Berdasarkan Analisis Rasio Mata dan Intraksi Mulut pada Pengemudi Mobil Kendaraan Umum

Distraksi dan kelelahan pengemudi merupakan salah satu penyebab utama kecelakaan lalu lintas yang dapat mengurangi tingkat keselamatan berkendara. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem deteksi kantuk berbasis computer vision menggunakan metode face detection dengan analisis rasio mata dan mulut. Sistem ini mengintegrasikan deteksi wajah, ekstraksi landmark, serta perhitungan Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR) untuk mengidentifikasi kondisi mata tertutup dan aktivitas menguap sebagai indikator kantuk. Metode yang digunakan dalam penelitian ini adalah model deteksi objek berbasis YOLOv8 yang dilatih menggunakan dataset citra wajah sebanyak 2094 gambar dengan empat kategori, yaitu mata terbuka, mata tertutup, menguap, dan tidak menguap. Dataset dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 70:20:10. Proses pelatihan dilakukan menggunakan platform Google Colab dengan dukungan augmentasi data untuk meningkatkan variasi dan performa model. Hasil penelitian menunjukkan bahwa model memiliki kinerja yang baik dengan nilai precision sebesar 82,88%, recall sebesar 83,44%, F1-score sebesar 84,55%, dan mAP sebesar 84,22% pada tahap pelatihan. Pada tahap implementasi berbasis webcam secara real-time, sistem mampu mendeteksi kondisi kantuk dengan nilai precision sebesar 81,43%, recall sebesar 80,95%, dan F1-score sebesar 80,93%. Sistem ini juga mampu memberikan peringatan secara otomatis ketika terdeteksi kondisi mengantuk. Dengan demikian, sistem deteksi kantuk berbasis face detection ini terbukti efektif dalam mendeteksi tanda-tanda kelelahan pengemudi secara real-time dan berpotensi untuk meningkatkan keselamatan berkendara, khususnya dalam kondisi nyata di Indonesia.