Perbandingan Efektivitas Arsitektur CNN Pada Sistem Klasifikasi Kelelahan Pada Wajah Pengemudi

Abstract

Kondisi kelelahan pada pengemudi berperan signifikan dalam meningkatkan risiko kecelakaan lalu lintas karena berdampak langsung pada penurunan tingkat konsentrasi serta keterlambatan respons terhadap situasi di jalan. Dengan demikian, pengembangan sistem klasifikasi kelelahan berbasis citra wajah yang mampu melakukan deteksi secara otomatis dan memiliki tingkat keandalan tinggi menjadi kebutuhan yang penting. Penelitian ini bertujuan membandingkan kinerja empat arsitektur Convolutional Neural Network (CNN), yaitu VGG16, ResNet50, MobileNetV2, dan InceptionV3, dalam mengklasifikasikan kelelahan wajah pengemudi. Dataset penelitian ini mencakup sebanyak 2.000 citra wajah yang bersumber dari platform Kaggle, yang selanjutnya melalui tahap praproses meliputi penyesuaian ukuran citra, normalisasi nilai piksel, serta penerapan teknik augmentasi data. Seluruh model dilatih selama 35 epoch dengan memanfaatkan bobot awal pretrained ImageNet. Evaluasi performa dilakukan menggunakan metrik training accuracy, training loss, validation accuracy, dan validation loss. Hasil pengujian menunjukkan bahwa ResNet50 dan MobileNetV2 mencapai performa terbaik dengan training dan validation accuracy sebesar 100% serta validation loss yang rendah, masing-masing 0,0301 dan 0,0309. Sementara itu, VGG16 memperoleh training accuracy 95,82% dan validation accuracy 93,03% dengan validation loss 0,1511, sedangkan InceptionV3 mencapai training accuracy 98,57% dan validation accuracy 95,73% dengan validation loss yang relatif lebih tinggi. Hasil ini menunjukkan bahwa meskipun arsitektur CNN yang kompleks mampu menghasilkan akurasi tinggi, model ringan seperti MobileNetV2 lebih optimal untuk implementasi sistem deteksi kelelahan pengemudi berbasis real-time karena efisiensi komputasinya.