Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

EfficientNet-KNN untuk Deteksi Kantuk Pengemudi Waktu Nyata melalui Pemrosesan Citra Sekuensial

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
de97ff85-feae-4fbf-9e9f-4d6bafc6a170
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS), melalui partisipasi Winarno, Sri; Alzami, Farrikh; Naufal, Muhammad; Al Azies, Harun; Soeleman, Moch Arief; dan Malim, Nurul Hashimah Ahamed Hassain, melaksanakan penelitian mengenai deteksi kantuk pengemudi secara waktu nyata melalui pemrosesan citra sekuensial. Kegiatan ini menyajikan integrasi pertama EfficientNet dengan lapisan time-distributed dan klasifikasi K Nearest Neighbors (KNN) untuk tujuan tersebut. Pendekatan ini berbeda dari metode yang menganalisis setiap frame secara terpisah karena menangkap pola temporal dalam ekspresi wajah.

Arsitektur EfficientNet-KNN yang diusulkan menggabungkan compound scaling EfficientNet untuk ekstraksi fitur dengan KNN untuk klasifikasi pola sekuensial. Arsitektur tersebut memproses segmen video berdurasi lima detik melalui lapisan time-distributed. Proses ini mengurangi dimensi fitur dari 1.228.800 menjadi 1.280 dengan tetap mempertahankan informasi temporal yang penting. Tahap prapemrosesan mencakup deteksi wajah menggunakan filter Haar Cascade dan Global Average Pooling untuk optimasi komputasi. Validasi eksperimental dilakukan menggunakan ULg Multimodality Drowsiness Database (DROZY) pada proporsi dataset 25%, 50%, 75%, dan 100%.

Pada dataset lengkap, model terintegrasi mencapai akurasi 99,52% dengan waktu eksekusi 0,55 detik. Penelitian ini melaporkan peningkatan efisiensi komputasi sebesar 49,9 kali dibandingkan pendekatan KNN dasar dengan tetap mempertahankan akurasi yang lebih tinggi. Analisis uji-t statistik mengonfirmasi perbedaan kinerja yang signifikan pada p<0,05, sedangkan Cohen’s d menunjukkan ukuran efek yang besar untuk peningkatan akurasi dan kecepatan.

Evaluasi masih terbatas pada kondisi laboratorium terkendali dan memiliki potensi bias demografis. Oleh karena itu, penelitian ini mengidentifikasi kebutuhan validasi dunia nyata yang komprehensif pada lingkungan berkendara dan kelompok populasi yang beragam. Sejalan dengan tujuan yang dinyatakan, yaitu tiga, kegiatan UDINUS ini berkontribusi melalui penelitian tentang kerangka deteksi kantuk yang efisien secara komputasi untuk aplikasi otomotif waktu nyata, dengan menyeimbangkan akurasi dan kebutuhan sumber daya dalam mendukung sistem keselamatan pengemudi.

Rujukan https://www.scopus.com/pages/publications/105017623480?origin=resultslist