SISTEM PERINGATAN DINI KANTUK PENGEMUDI MENGGUNAKAN MODEL YOLOV11N BERBASIS CITRA WAJAH

Adi Supriyatna; Deny  Kurniawan; Mochamad  Wahyudi; Lise  Pujiastuti; Sumanto Sumanto; Dedi  Triyanto

doi:10.33365/teknoinfo.v19i2.732

Adi Supriyatna Universitas Bina Sarana Informatika
Deny Kurniawan Universitas Bina Sarana Informatika
Mochamad Wahyudi Universitas Bina Sarana Informatika
Lise Pujiastuti STMIK Antar Bangsa
Sumanto Sumanto Universitas Bina Sarana Informatika
Dedi Triyanto Universitas Bina Sarana Informatika

DOI: https://doi.org/10.33365/teknoinfo.v19i2.732

Keywords: Kantuk Pengemudi, YOLOv11n, Deteksi Real-Time, Visi Komputer,, Deep Learning

Abstract

Kecelakaan lalu lintas akibat kantuk saat mengemudi merupakan salah satu penyebab utama kematian di jalan raya dan menjadi isu keselamatan yang krusial. Studi menunjukkan bahwa 20–30% kecelakaan disebabkan oleh pengemudi yang mengantuk, sehingga diperlukan sistem peringatan dini yang mampu mendeteksi kondisi ini secara akurat dan real-time. Penelitian ini bertujuan untuk mengembangkan model deteksi kantuk berbasis visi komputer menggunakan algoritma YOLOv11n, yang dikenal sebagai varian ringan dan cepat dari keluarga YOLO. Model dilatih menggunakan dataset citra wajah yang telah diproses dan diaugmentasi melalui platform Roboflow, dengan tujuan untuk mendeteksi tanda-tanda kantuk secara visual. Hasil evaluasi model menunjukkan performa yang sangat baik, dengan nilai mAP50 sebesar 0,9710 dan mAP50-95 sebesar 0,6796. Selain itu, precision mencapai 0,9382 dan recall sebesar 0,9280, yang mengindikasikan kemampuan deteksi yang tinggi serta tingkat kesalahan yang rendah. Temuan ini membuktikan bahwa YOLOv11n dapat diimplementasikan secara efektif dalam sistem peringatan dini untuk meningkatkan keselamatan pengemudi, bahkan pada perangkat dengan sumber daya terbatas. Penelitian ini tidak hanya menjawab tantangan efisiensi dan akurasi deteksi kantuk, tetapi juga memberikan kontribusi nyata bagi pengembangan sistem keselamatan kendaraan berbasis kecerdasan buatan. Ke depan, pengembangan sistem deteksi multimodal yang menggabungkan citra wajah dengan data fisiologis seperti EOG dan detak kepala disarankan untuk meningkatkan keandalan sistem dalam kondisi nyata.

References

F. C. Yulianto, W. A. Triyanto, and S. Muzid, “Pengembangan Sistem Deteksi Kantuk Menggunakan YOLOv9 untuk Keselamatan dalam Berkendara,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 14, pp. 154–160, 2025.

T. Malpekar and S. Harne, “DrowsiScan: Early Detection of Driver Drowsiness using Deep Learning,” Int. J. Multidiscip. Res., vol. 6, no. 6, pp. 1–7, 2024, doi: 10.36948/ijfmr.2024.v06i06.31576.

M. Sutrisno, “Deteksi Kantuk Berbasis Jetson Nano Bagi Pengemudi Roda Empat Menggunakan Yolov5,” 2022.

I. Komang Yoga Tri Pranata, Cipta Ramadhani, and G. Wahyu Wiriasto, “Sistem Peringatan Dini Kantuk Pada Pengemudi Malam Hari Menggunakan Metode Facial Landmark Detection Berbasis Raspberry Pi 3 Modul B,” Dielektrika, vol. 10, no. 2, pp. 100–111, 2023, doi: 10.29303/dielektrika.v10i2.352.

A. Asvin Mahersatillah Suradi, S. Alam, M. Furqan Rasyid, I. Djafar, U. Dipa Makassar, and J. K. Perintis Kemerdekaan, “Sistem Deteksi Kantuk Pengemudi Mobil Berdasarkan Analisis Rasio Mata Menggunakan Computer Vision,” JUKI J. Komput. dan Inform., vol. 2, pp. 222–230, 2023.

R. Rahmania, F. Corputty, S. A. Wibowo, D. E. Saputra, and A. Istiqomah, “Exploration of The Impact of Kernel Size for YOLOv5-based Object Detection on Quadcopter,” Int. J. Informatics Vis., vol. 6, no. 3, pp. 726–735, 2022, doi: 10.30630/joiv.6.3.898.

U. D. Maharani, A. S. Handayani, and L. Lindawati, “Analisis Deteksi Mata Kantuk Di Wajah Pengemudi Menggunakan Support Vector Machine (SVM) Berbasis Citra Real-Time,” Build. Informatics, Technol. Sci., vol. 6, no. 2, pp. 940–949, 2024, doi: 10.47065/bits.v6i2.5701.

J. Da Wu and C. H. Chang, “Driver Drowsiness Detection and Alert System Development Using Object Detection,” Trait. du Signal, vol. 39, no. 2, pp. 493–499, 2022, doi: 10.18280/ts.390211.

N. I. Vargas-Cuentas and A. Roman-Gonzalez, “Facial image processing for sleepiness estimation,” BioSMART 2017 - Proc. 2nd Int. Conf. Bio-Engineering Smart Technol., 2017, doi: 10.1109/BIOSMART.2017.8095346.

S. S. Sengar, A. Kumar, and O. Singh, “VigilEye -- Artificial Intelligence-based Real-time Driver Drowsiness Detection,” vol. 9332, pp. 0–3, 2024, [Online]. Available: http://arxiv.org/abs/2406.15646

G. Vijendar Reddy, P. Gopala Krishna, L. Sukanya, K. Sri Harsha, N. Harsha Vardhan, and V. Arun, “Image-based Driver Alert System for Prevention of Fatigue-related Accidents,” E3S Web Conf., vol. 391, pp. 1–9, 2023, doi: 10.1051/e3sconf/202339101053.

J. Jose, J. Andrew, K. Raimond, S. Vincent, and R. Jennifer Eunice, “SleepyWheels: An ensemble model for drowsiness detection leading to accident prevention,” J. Auton. Intell., vol. 7, no. 3, 2024, doi: 10.32629/jai.v7i3.1117.

F. Jeribi, A. Siddiqa, H. Kibriya, A. Tahir, and N. Rana, “E cient Wound Classi cation Using YOLO n : A Lightweight Deep Learning Approach,” Comput. Mater. Contin., 2025.

Y. J. Zhang, Y. Xu, J. Hou, and Y. H. Song, “LMS-YOLO11n: A Lightweight Multi-Scale Weed Detection Model,” Int. J. Adv. Comput. Sci. Appl., vol. 16, no. 1, pp. 1291–1300, 2025, doi: 10.14569/IJACSA.2025.01601123.

L. K. Ramadhani and B. N. Widyaningrum, “Implementation of YOLO v11 for Image-Based Litter Detection and Classification in Environmental Management Efforts,” J. Appl. Informatics Comput., vol. 9, no. 3, pp. 617–624, 2025.