Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

CLAHE Teroptimasi Bayesian untuk Peningkatan Deteksi Kantuk pada Kondisi Cahaya Rendah Menggunakan Arsitektur MobileNetV2-GRU Terdistribusi Waktu

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
301fc6e0-149e-4c55-84c8-f7771534894a
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan kegiatan deteksi kantuk pengemudi pada kondisi cahaya rendah dengan melibatkan Alzami, Farrikh; Naufal, Muhammad; Basuki, Ruri Suko; Winarno, Sri; Al Azies, Harun; Lutfi, Syaheerah Lebai; dan Brilianto, Rivaldo Mersis sebagai peserta kegiatan. Kegiatan ini membahas kesulitan pendekatan visi komputer konvensional ketika pencahayaan rendah menyebabkan kualitas citra menjadi kurang baik. Metodenya menggabungkan Contrast Limited Adaptive Histogram Equalization, atau CLAHE, yang dioptimalkan dengan Bayesian Optimization, dan arsitektur Time-Distributed MobileNetV2-GRU untuk deteksi kantuk dalam kondisi pencahayaan yang menantang. Kegiatan ini berfokus pada pemrosesan citra dan pemodelan temporal untuk tugas deteksi tersebut.

Kegiatan ini menggunakan dataset NITYMED yang berisi 128 urutan video. Tiga strategi prapemrosesan dibandingkan secara sistematis, yaitu bingkai asli, CLAHE dengan parameter tetap dan clip limit 2,0, serta CLAHE yang dioptimalkan dengan Bayesian Optimization. Bayesian Optimization menentukan parameter CLAHE secara adaptif berdasarkan skor Perceptual Image Quality Evaluator. Dengan demikian, prapemrosesan menjadi komponen yang disesuaikan dengan tugas. Arsitektur deteksi menggabungkan MobileNetV2 yang ringan dengan GRU untuk memungkinkan pemodelan temporal sekaligus mempertahankan efisiensi komputasi. Arsitektur yang dilaporkan memiliki 62.449 parameter yang dapat dilatih.

Analisis statistik menggunakan Wilcoxon Signed-Rank Test. Pada validasi silang 10-fold, pendekatan yang dioptimalkan dengan Bayesian Optimization mencapai akurasi rata-rata 93,77% ± 0,0521, F1-score 93,77% ± 0,0522, dan AUC 97,85% ± 0,0145. Kinerja puncak mencapai akurasi 98,11% pada konfigurasi optimal. Perbandingan akurasi dan F1-score melaporkan p-value di bawah 0,05. Hasilnya menunjukkan bahwa prapemrosesan adaptif meningkatkan visibilitas fitur dan konvergensi model. Kegiatan ini juga melaporkan kelayakan praktis untuk penerapan pada Advanced Driver Assistance Systems apabila strategi optimasi berkala diterapkan. Sumber tersebut menyajikan kegiatan UDINUS ini sebagai penelitian mengenai metode deteksi kantuk pengemudi pada kondisi cahaya rendah.

Rujukan https://www.scopus.com/pages/publications/105027155768?origin=resultslist