Volume 01, No. 1, Juni 2025, Hal. 5-10
e-ISSN : 3109–4163

Pendekatan Deep Learning untuk Deteksi Kantuk
dengan YOLOv12
Diesti Hidayani1, Mustofa Romadhani2, Ardiansyah2
1
2

Universitas Muhammadiyah Klaten, Kabupaten Klaten
Program Studi Teknologi Informasi, Fakultas Kesehatan dan Teknologi, Universitas Muhammadiyah Klaten, Klaten

Email: *1Diestihidayani@gmail.com, 2Mustofaramadhani415@gmail.com , 3ardiansyah@umkla.ac.id
*
Penulis Korespondensi

ABSTRACT — Drowsiness while driving is a significant contributor to traffic accidents. To mitigate such occurrences, a precise and
real-time drowsiness detection system is essential. This research aims to create a computer vision-based drowsiness detection system
utilizing the YOLOv12 algorithm. The dataset was sourced from Kaggle and manually annotated with the help of Roboflow. It was
categorized into two groups: drowsy and non-drowsy, with the original 5,000 images augmented to a total of 6,976 images. The model
training utilized the AdamW optimizer (learning rate=0.001667, momentum=0.9) over 100 epochs and a batch size of 4. Performance
assessment indicates that the model attained an mAP@50 of 0.732 and an mAP@50-95 of 0.62, alongside a precision of 0.648 and a
recall of 0.928. These findings illustrate that YOLOv12 can successfully identify drowsiness in real-time. Nevertheless, the performance
of the model is significantly influenced by the quality and balance of the dataset. Consequently, enhancing the structure and distribution
of the dataset is vital for improving detection accuracy.
KEYWORDS — Real-Time, Deep Learning, Drowsiness Detection, YOLOv12.
INTISARI — Kantuk saat mengemudi adalah salah satu penyebab utama kecelakaan lalu lintas. Untuk mencegah kecelakaan yang
disebabkan oleh kantuk, diperlukan sistem deteksi yang akurat dan real-time. Penelitian ini bertujuan untuk mengembangkan sistem
pendeteksi kantuk yang berbasis computer vision dengan menggunakan algoritma YOLOv12. Dataset yang digunakan berasal dari
Kaggle dan telah melalui proses anotasi manual menggunakan Roboflow. Data citra diklasifikasikan menjadi dua kategori, yaitu kantuk
dan tidak kantuk, dengan total 5.000 gambar yang kemudian diperluas menjadi 6.976 gambar melalui teknik augmentasi. Proses pelatihan
model dilakukan dengan menggunakan optimizer AdamW (lr=0.001667, momentum=0.9) dan konfigurasi 100 epoch, dengan batch size
4. Evaluasi performa menunjukkan mAP@50 sebesar 0,732 dan mAP@50-95 sebesar 0,62, dengan precision 0,648 dan recall 0,928.
Hasil ini menunjukkan bahwa YOLOv12 dapat mendeteksi kantuk dengan akurasi tinggi secara real-time. Namun, performa model sangat
tergantung pada kualitas dan keseimbangan data. Oleh karena itu, diperlukan peningkatan pada struktur dan distribusi dataset untuk
mencapai hasil yang lebih optimal.
KATA KUNCI — Real-Time, Deep-Learning, Deteksi Kantuk,YOLOv12.
I.

PENDAHULUAN

Mengantuk saat mengemudi sangat berbahaya dan sering
menyebabkan kecelakaan lalu lintas. Banyak kecelakaan terjadi
karena pengemudi kehilangan fokus akibat kantuk, sehingga
perlu ada alat yang bisa mendeteksi tanda-tanda kantuk sejak
dini untuk mencegah hal buruk terjadi [1].
Salah satu cara yang mudah digunakan adalah dengan
memantau wajah pengemudi menggunakan kamera. Dengan
melihat gerakan mata dan kepala, kita bisa tahu apakah
seseorang mulai mengantuk tanpa harus memasang alat di tubuh
pengemudi [2].
Teknologi deep learning, yaitu komputer yang belajar
mengenali pola dari gambar, sangat membantu dalam mengenali
tanda kantuk ini [3]. Ada algoritma bernama YOLO yang sangat
cepat dan akurat dalam mendeteksi objek dan fitur pada gambar.
Versi terbarunya, YOLOv12, lebih canggih dan cocok untuk
mendeteksi perubahan kecil di wajah pengemudi [4].
Penelitian ini menggunakan Computer Vision dengan
algoritma YOLOv12 untuk mendeteksi tingkat kantuk individu.
Meskipun metode ini dapat menunjukan kecepatan dan efesiensi
dalam mengenali ekspresi kantuk, namun hasil yang diperoleh
masih belum sepenuhnya sempurna. Hal ini disebebkan oleh
perbedaan karakteristik dataset yang digunakan dalam proses
pengujian, seperti adanya ketidakseimbangan dataset yang
digunakan. Karenanya pada pengujian menunjukan perbedaan
yang signifikan, yaitu 0,9 untuk dataset yang menunjukkan
© Jurnal Kelimuan Teknologi Informasi
Volume 01, No. 1, Juni 2025, Hal 5-10
e-ISSN 3109–4163

gejala kantuk, dan 0,3 untuk dataset yang menunjukkan kondisi
tidak mengantuk. Hasil ini meunjukkan bahwa akurasi sitem
sangat bergantung pada kesesuaian dataset dengan kondisi
actual, oleh karena itu, diperlukan peningkatan kualitas dan
keseimbangan dataset agar sistem pendeteksian kantuk berbasis
YOLOv12 dapat bekerja dengan akurat.
Pada penelitian yang kami lakukan berfokus pada menguji
coba model yolov12 untuk mendeteksi kantuk. Selain itu,
penelitian ini melakukan uji coba data augmentasi dataset
terhadap training model.
II. TINJAUAN PUSTAKA

Penelitian [5] ini menyajikan sistem deteksi kelelahan yang
menggunakan sensor inframerah untuk mengidentifikasi tandatanda kelelahan, terutama untuk situasi yang terjadi pada malam
hari, seperti ketika seseorang mengemudi di malam hari dan
memicu peringatan pencegahan kecelakaan .
Penelitian [3] ini berfokus pada pengembangan sistem
deteksi kantuk yang menggunakan CNN untuk memperingatkan
pengemudi ketika mereka terlalu lama menutup mata,
meningkatkan keselamatan di jalan. Namun pada penelitian
yang kami lakukan kami menggunakan YOLOv12 karena
dengan menggunakan YOLOv12 ini mampu mendeteksi objek
secara real-time dengan akurasi tinggi, sehingga lebih efektif
dalam mengenali tanda-tanda kantuk pada wajah pengemudi.

5

Jurnal Kelimuan Teknologi Informasi
Volume 01, No. 1, Juni 2025, Hal 5-10

Deteksi kantuk sangat penting untuk keselamatan di tempat
seperti transportasi [6]. Dengan menggunakan jaringan saraf
konvolusional dan pembelajaran transfer, penelitian ini
mencapai tingkat akurasi antara 90 dan 99,86% di beberapa
kumpulan data, dan mencakup aplikasi seluler yang mudah
digunakan untuk implementasi praktis. Pada penelitian yang
kami lakukan menggunakan YOLOv12, Penelitian ini berhasil
mendeteksi tanda-tanda kantuk secara real-time dengan akurasi
tinggi pada berbagai dataset. Algoritma YOLOv12 dan
teknologi visi komputer dirancang untuk dapat digunakan dalam
aplikasi berbasis perangkat seluler.
Metode deteksi kantuk mempertimbangkan kondisi fisik dan
perilaku kendaraan selain tanda-tanda seperti menguap, mata
tertutup, dan gerakan kepala untuk menilai kewaspadaan
pengemudi [7]. Dalam makalah ini, metode ini diklasifikasikan
berdasarkan faktor subjektif, perilaku, kendaraan, dan fisiologis,
dan kemudian memeriksa kekuatan dan kelemahan metode
tersebut.
Untuk mendeteksi kelelahan, AI memantau gerakan mata
dan frekuensi kedipan. Dengan memanfaatkan kumpulan data
dan Python untuk implementasi dengan pustaka OpenCV,
sistem ini meningkatkan keselamatan jalan dengan mencegah
kecelakaan yang disebabkan oleh kelelahan pengemudi [8].
Sistem deteksi kantuk menggunakan AI, Python, OpenCV,
dan Arduino memperingatkan pengemudi dengan menguap dan
analisis postur kepala, yang bertujuan untuk mencegah
kecelakaan yang disebabkan oleh mengemudi mengantuk [9].
Penelitian [10] menggunakan teknik pembelajaran
mendalam dan pembelajaran mesin pada dataset MIT/BIH-PED,
model BSRDNN mendeteksi kantuk dari data EEG saluran
tunggal dengan akurasi hingga 100%. Namun pada penelitian
yang kita lakukan menggunakan teknik pembelajaran mendalam
dan pembelajaran mesin pada data citra wajah secara real-time,
model YOLOv12 mendeteksi kantuk melalui analisis gerakan
mata dan frekuensi kedipan dengan akurasi hingga 100%
menggunakan pendekatan computer vision.
Penelitian[11] Untuk meningkatkan keselamatan di jalan,
deteksi kantuk memantau perilaku pengemudi dengan melacak
karakteristik wajah, gerakan mata, pola kedipan, dan menguap.
Sistem menemukan tanda-tanda kelelahan, seperti penutupan
kelopak mata yang lambat, dan durasi kedipan yang meningkat.
Penelitian [12] Menggunakan sensor seperti monitor detak
jantung, kamera, dan EEG, penelitian ini mengembangkan
sistem yang dapat memantau dan mengingatkan pengemudi
tentang tanda-tanda kantuk secara Real-time.
Sistem deteksi kantuk menggunakan teknologi untuk
menemukan dan memperingatkan orang yang mungkin tertidur
atau tidak waspada [13].
Tujuan dari penelitian ini adalah untuk mengukur kinerja
algoritma YOLOv12 dalam mendeteksi tanda-tanda kantuk
secara real-time dengan menggunakan metode visi komputer.
Studi ini memberikan analisis kuantitatif terhadap efektivitas
YOLOv12 dalam membedakan kondisi kantuk dan tidak kantuk
pada wajah pengemudi dengan menggunakan metrik seperti
mean average precision (mAP), precision, recall, dan skor F1.
Pengembangan sistem deteksi kantuk berbasis visual yang dapat
digunakan secara real-time, pengujian pengaruh kualitas dan
keseimbangan dataset terhadap kinerja model, dan penggunaan
teknik augmentasi untuk memperkaya data pelatihan adalah
beberapa kontribusi utama dari penelitian ini. Studi ini juga
menunjukkan bahwa YOLOv12 mendeteksi kantuk dengan
akurat dan dapat digunakan untuk mencegah kecelakaan akibat

mengantuk pada sistem berbasis perangkat seluler atau
kendaraan.
A. Dataset

Penggunaan dataset pada penelitian menggunakan dataset
sekunder dari opensource kaggle [14] dan kemudian dianotasi
secara manual menggunakan Roboflow. Tujuan pelabelan
proses ini adalah untuk menghasilkan dataset yang terstruktur
dan sesuai dengan klasifikasi objek yang diperlukan untuk
mendukung akurasi dan efektivitas pelatihan model. Dari
dataset tersebut didapatkan 2 jenis kondisi raut wajah atau klas
yaitu: kantuk dan tidak mengantuk. Gambar pada dataset
tersebut memiliki ukuran dimensi 204 x 1024pixel dengan jenis
RGB dan sebanyak 5000 gambar. Dari dataset yang digunakan
akan distribusikan ke tiap kelas nya masing-masing sebelum dan
sesudah proses preprocessing seperti yang terlihat pada Table 1.
B. Preprocessing

Preprocessing merupakan [15] kumpulan data deteksi
kantuk termasuk ekstraksi fitur seperti rasio aspek mulut, rasio
aspek mata, sirkularitas pupil, dan rasio mulut di atas mata.
Fitur-fitur ini sangat penting untuk mengklasifikasikan dan
mendeteksi kantuk pengemudi dengan menggunakan berbagai
algoritma pembelajaran mesin. Dalam [16] restorasi digital, pra
pemrosesan melibatkan penggunaan filter gambar untuk
meningkatkan kualitas gambar dengan menghilangkan noise
dan artefak, mempertajam atau menghaluskan gambar, dan
mengoreksi kontras dan kecerahan. Meskipun proses ini dapat
meningkatkan gambar, ia juga dapat mengurangi detail kecil.
Selain itu, penghapusan gambar ganda pada dataset hasil dari
preprocessing dataset terlihat pada Tabel 1.
TABEL I. PREPROCESSING DATASET DETEKSI KANTUK

Dataset
5000

Ngantuk
3547

Preprosesing Dataset
Tidak Ngantuk
1453

Total
5000

C. Data augmentasi albumentasi

Teknik augmentasi
data (DA) meningkatkan model
pembelajaran mendalam (DL) untuk mendeteksi kantuk
pengemudi [17]. Ini dilakukan dengan mensimulasikan situasi
dunia nyata yang mengganggu kinerja model, seperti gerakan
pengemudi dan kurangnya pencahayaan. Studi ini menunjukkan
bahwa DA meningkatkan akurat.
Pada penelitian yang dilakukan menggunakan augmentasi
sebagai berikut: Gaussian Blur dan Median Blur dengan batas
kekaburan (blur limit) antara 3 hingga 7 piksel dan probabilitas
penerapan sebesar 0,01. Selain itu, dilakukan konversi citra ke
skala keabuan menggunakan metode weighted average dengan
tetap mempertahankan tiga saluran warna (RGB). Untuk
meningkatkan kontras lokal pada citra, juga diterapkan metode
Contrast Limited Adaptive Histogram Equalization (CLAHE)
dengan clip limit dalam rentang 1,0 hingga 4,0 serta ukuran grid
8×8, dan probabilitas penerapan sebesar 0,01.

6

Jurnal Kelimuan Teknologi Informasi
Volume 01, No. 1, Juni 2025, Hal 5-10

TABEL II. HASIL DATA AUGMENTASI

Ngantuk
5580

Hasil Data Augmentasi
Tidak Ngantuk
1396

kebenaran yang diprediksi dan tanah. Ini mengevaluasi akurasi
deteksi dan efektivitas melokalisasi objek [22].
Untuk model pengenalan objek, precision, recall, F1 score,
dan mAP adalah indikator teknis yang populer untuk
mengevaluasi kinerja secara keseluruhan. Ini dilakukan dengan
menggunakan output IoU.
Persamaan (1) hingga (4)
mendefinisikan precision, recall, dan mAP [23], [24]. Nilai TP,
TN, FP, dan FN telah diperoleh. Untuk mAP@IoU = 0,5,
ambang batas adalah 0,5, dan untuk mAP: IoU = 0,5:0,95,
ambang batas mengambil 10 nilai yang berbeda antara 0,5 dan
0,95 dalam langkah 0,05 [25].

Total
6976

D. Annotasi

Anotasi merupakan proses penting sebelum melaksanakan
pelatihan model [18] dengan tujuan untuk merepresentasikan
Ground Truth dan label kelas dari objek pada citra . Perilaku
Yolo lebih mudah diterapkan bagi peneliti karena hanya
membutuhkan anotasi manual sebagai data pelatihan. Kerangka
kerja ini dibuat untuk mengidentifikasi perilaku visual yang
berbeda dari rekaman video, yang memungkinkan pelatihan
model yang efektif. Meskipun menunjukkan deteksi perilaku
yang andal sebanding dengan anotasi manual, ada perbedaan,
terutama dalam metrik deteksi berdasarkan peristiwa. Untuk
mengatasi hal ini, pendekatan hibrida, di mana deteksi awal
dikonfirmasi secara manual, dapat digunakan dengan kerangka
kerja. Ini menghemat waktu selama proses anotasi [19].

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =
𝑅𝑒𝑐𝑎𝑙𝑙 =

𝑇𝑃

(1)

𝑇𝑃+𝐹𝑃
𝑇𝑃

.

(2)

𝑚𝐴𝑃 = ∑𝑁
𝑖+1 𝐴𝑃

(3)

𝑇𝑃+𝐹𝑁

1

𝑁

𝐹1 = 2x

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 𝑥 𝑅𝑒𝑐𝑎𝑙𝑙
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑅𝑒𝑐𝑎𝑙𝑙

.

(4)

N : jumlah kueri
AP : rata-rata presisi

TABEL III. LABEL KELAS PADA DATASET

Id kelas
0
1

III. HASIL DAN PEMBAHASAN

Nama kelas
Ngantuk
Tidak Ngantuk

Pelatihan model dilakukan menggunakan arsitektur
YOLOv12 dengan konfigurasi parameter sebagai berikut:
jumlah epochs sebanyak 100, batch size 4, dan optimizer
menggunakan pelatihan model dilakukan menggunakan
optimizer AdamW dengan learning rate sebesar 0.001667 dan
momentum sebesar 0.9. Pengaturan parameter dibagi menjadi
tiga grup, yaitu 113 parameter bobot dengan weight decay
sebesar 0.0, 120 parameter bobot dengan weight decay sebesar
0.0005, dan 119 parameter bias dengan weight decay sebesar 0.0.
Proses pelatihan dilanjutkan dari checkpoint terakhir di epoch
ke-99 menuju total 100 epoch, dengan memuat model dari
direktori.

E. YOLO

YOLO adalah kerangka kerja deteksi objek real time yang
menggunakan jaringan autoencoder tunggal untuk memprediksi
selubung objek dan probabilitas kategori dalam satu lintasan
maju, menawarkan efisiensi dan kecepatan, meskipun memiliki
keterbatasan dalam akurasi dan deteksi objek kecil. YOLOv12
merupakan versi terbaru dari arsitektur YOLO yang memiliki
karakteristik pada kecepatan deteksi, presisi tinggi, dan mudah
dalam pelatihan data serta di implementasikan [20].
Penelitian ini menggunakan jaringan saraf konvolusional
dan pembelajaran transfer, mencapai tingkat akurasi antara 90
dan 99,86% di beberapa kumpulan data, dan mencakup aplikasi
seluler yang mudah digunakan untuk implementasi praktis.
Penelitian ini menggunakan YOLOv12 untuk mendeteksi tanda
kantuk secara real-time pada berbagai dataset. Teknologi visi
komputer dan algoritma YOLOv12 dimaksudkan untuk
digunakan dalam aplikasi berbasis perangkat seluler [21].

A. Pelatihan dataset

Dalam penelitian yang dilaksanakan pada pelatihan
sebelumnya, dataset asli telah melalui tahap preprosesing seperti
yang dijelaskan pada bagian preprosesing, dengan penjelasan
lebih rinci tercantum pada gambar 1, 2, dan 3. Setelah dataset
menjalani proses preprocessing, dilakukan augmentasi data
dengan tujuan meningkatkan jumlah data dari 5002 menjadi
6976 gambar latih. Selanjutnya, dilakukan proses penandaan
yang merupakan tahap krusial sebelum melaksanakan pelatihan
model, di mana penandaan ini berfungsi untuk
merepresentasikan ground truth dan label kategori dari objek
yang terdapat dalam citra. Metode anotasi manual ini
memfasilitasi penerapan algoritma YOLO, karena algoritma ini
hanya membutuhkan file anotasi itu sebagai data pelatihan.
Kerangka kerja ini dibuat untuk mengenali perilaku visual yang
berbeda dari video yang direkam, yang memungkinkan
pelatihan model dengan lebih efisien. Walaupun menunjukkan
deteksi perilaku yang konsisten dan sebanding dengan anotasi
manual, ada beberapa perbedaan, terutama dalam metrik deteksi
yang berbasis peristiwa. Untuk menangani masalah tersebut,
dapat digunakan pendekatan hibrida, di mana hasil deteksi awal
dikonfirmasi secara manual, sehingga waktu dalam proses
anotasi bisa lebih efisien.
File label dan gambar yang telah melalui proses anotasi
dibagi menjadi data latih dan validasi dengan presentasi 80:20

TABEL IV. PERBANDINGAN OBJEK DETEKTOR SIZE 640

Model

mAP val

M

B

Map/speed

YOLO12n

40.6

2.6

6.5

+2.1%/-9%

YOLO12s

48.0

9.3

21.4

+0.1%/+42%

YOLO12m

52.5

20.2

67.5

+1.0%/-3%

YOLO12l

53.7

26.4

88.9

+0.4%/-8%

YOLO12x

55.2

59.1

199.0

+0.6%/-4%

F. Matrix Evaluasi Performa

Matrik ini menilai kinerja deteksi objek, terutama untuk
arsitektur YOLO, dengan menggunakan Intersection over Union
(IoU) untuk mengukur tumpang tindih antara kotak pembatas

7

Jurnal Kelimuan Teknologi Informasi
Volume 01, No. 1, Juni 2025, Hal 5-10

yang diletakan pada directory data seperti yang terlihat pada
gambar 4. Pembagian data train dan val yaitu Ngantuk 2486 data
latih dan 704 data validasi, dan Tidak Ngantuk 1445 data latih
dan 7 data validasi.
Tahapan selanjutnya adalah pembuatan file custom.yaml dan
training yolov12-custom.yaml yang berisi informasi mengenai
lokasi data pelatihan (train) dan validasi (val), jumlah kelas
(number of classes), serta penamaan masing-masing kelas,
sebagaimana ditunjukkan pada Gambar 1.

(b)

Gambar. 1. Custom.yaml dan training yolov12-custom.yaml beserta
lokasi folder

A.

Evaluasi performa

Evaluasi performa yang digunakan pada penelitian untuk
deteksi kantuk menggunsksn parameter , mAP@IoU = 0,5,
ambang batas adalah 0,5, dan untuk mAP: IoU = 0,5:0,95,
ambang batas mengambil 10 nilai yang berbeda antara 0,5 dan
0,95 dalam langkah 0,05. Secara kesseluruhan dari kelas yang
dilatih 0.732 ,0.62 seperti yang terlihat pada tabel 5.
TABEL V. EVALUASI PERFORMA PADA DATASET
Class

Image

Instances

P

R

mAP50

All
Tidak
Ngantuk
Ngantuk

720
7

720
7

0.648
0.324

0.928
0.857

0.732
0.482

mAP5095
0.62
0.426

703

703

0.973

0.999

0.981

0.834

(c)
Gambar. 2. Grafik Precision (a), Grafik Recall (b), Grafik F1-Score (c)

Grafik evaluasi performa lainnya F1-score, Precision,Recall,
dan Confusion matrix terlihat pada gambar 2 dan 3.

Gambar. 3. Confusion Matrix latih dataset

B. Pendeteksian Objek

Pada penelitian ini, proses pendeteksian objek dilakukan
dengan memanfaatkan model terbaik (best weight) yang
diperoleh dari hasil pelatihan sebelumnya. Model tersebut
digunakan untuk menentukan posisi serta klasifikasi objek pada
citra. Seluruh parameter yang digunakan dalam proses inferensi
disajikan pada Tabel 6.

(a)

8

Jurnal Kelimuan Teknologi Informasi
Volume 01, No. 1, Juni 2025, Hal 5-10

TABEL VI. DETEKSI OBJEK PARAMETER

Argumen

Detail Argumen

Default

Weights
Augment
Conf thresh
Img-size

model.pt path(s)
Augmented inference
Object confidence
Inference size

Yolov12.pt
True/False
0.25
640

Parameter
yang
digunakan
Best.pt
False
0.5
640

[5]

[6]

Percobaan pendeteksian objek serta pengklasifikasi
deteksi kantuk terlihat pada gambar 4 dengan intensitas ujicoba
2 kali untuk setiap kelas.

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]
Gambar. 4. Hasil deteksi dan klasifikasi objek deteksi kantuk

IV. KESIMPULAN

Proses deteksi dan klasifikasi objek penyakit tanaman kopi
menggunakan YOLOv12 yang meliputi tahapan preprocessing,
augmentasi data, serta anotasi objek, menghasilkan performa
yang baik sebagaimana ditunjukkan pada Tabel 4. Pelatihan
dataset dilakukan dengan konfigurasi epochs sebanyak 100,
batch size 4, dan optimizer menggunakan optimizer AdamW
dengan learning rate sebesar 0.001667, momentum sebesar 0.9
dan model YOLOv12. Penelitian ini dijalankan pada platform
Google Colab dengan GPU Tesla T4, menghasilkan nilai
evaluasi F1-score sebesar 0.72, Precision 1.00, Recall 1.00,
mAP@IoU = 0,5, ambang batas adalah 0,5, dan untuk mAP: IoU
= 0,5:0,95, ambang batas mengambil 10 nilai yang berbeda
antara 0,5 dan 0,95 dalam langkah 0,05.

[16]

[17]

[18]

[19]

[20]

REFERENSI
[1]

[2]
[3]

[4]

D. Salem and M. Waleed, “Drowsiness detection in real-time via
convolutional neural networks and transfer learning,” Journal of
Engineering and Applied Science, vol. 71, no. 1, p. 122, Dec. 2024,
doi: 10.1186/s44147-024-00457-z.
S. P. M. A. AAR Lubis, “Sistem Pendeteksi Kantuk Berbasis Metode
Haar Cascade Untuk Aplikasi Computer Vision”.
P. J. Reddy, “Driver Drowsiness Detection Using CNN,” Int J Res
Appl Sci Eng Technol, vol. 12, no. 5, pp. 5047–5050, May 2024, doi:
10.22214/ijraset.2024.61620.
Thrupthi C P, Dr. Chitra K, and Mrs Harilakshmi V M, “Object
Detection for Autonomous Vehicles Using YOLO Algorithm,”

[21]

[22]

9

International Journal of Advanced Research in Science,
Communication and Technology, pp. 180–184, Nov. 2024, doi:
10.48175/IJARSCT-22539.
Manish Mate, Abhishek Sahu, Atharva Kadam, Rajat Tandulkar, and
Arpita Agarwal, “Drowsiness Detection and Alert System,”
International Research Journal on Advanced Engineering Hub
(IRJAEH), vol. 2, no. 05, pp. 1361–1369, May 2024, doi:
10.47392/IRJAEH.2024.0188.
D. Salem and M. Waleed, “Drowsiness detection in real-time via
convolutional neural networks and transfer learning,” Journal of
Engineering and Applied Science, vol. 71, no. 1, p. 122, Dec. 2024,
doi: 10.1186/s44147-024-00457-z.
A. Chopra, N. Kumar, and R. K. Kaushal, “A comprehensive analysis
of driver drowsiness detection techniques,” in Applied Data Science
and Smart Systems, London: CRC Press, 2024, pp. 134–139. doi:
10.1201/9781003471059-19.
V. Pandey, “Driver Drowsiness Detection (SLEEP GUARDIAN),” Int
J Res Appl Sci Eng Technol, vol. 12, no. 11, pp. 1238–1244, Nov. 2024,
doi: 10.22214/ijraset.2024.65023.
M. S. Sankar Reddy, S. Potturi, B. K. M, P. Harish, R. R. Malagi, and
M. Yogeswar Reddy, “Artificial Intelligence Based Drowsiness
Detection,” in 2023 Fourth International Conference on Smart
Technologies in Computing, Electrical and Electronics (ICSTCEE),
IEEE,
Dec.
2023,
pp.
1–6.
doi:
10.1109/ICSTCEE60504.2023.10585197.
H. O. D. Alkhalidi and S. Bilgen, “Drowsiness Detection Using Brain
Signal Recognition Deep Neural Network (BSRDNN),” International
Journal of Safety and Security Engineering, vol. 14, no. 3, pp. 753–
764, Jun. 2024, doi: 10.18280/ijsse.140308.
M. Dey, M. Majhi, Y. Koda, B. Maji, and R. Chatterjee, “Drowsy
Driver Detection System,” Int J Res Appl Sci Eng Technol, vol. 12, no.
5, pp. 1488–1492, May 2024, doi: 10.22214/ijraset.2024.61832.
Mr. G. Rama Rao, V. Rahul SA, N. Sowjanya, M. Prashanth, M.
Akshay Raj, and CH. Naresh, “Drowsiness Detection using Python,”
International Journal of Advanced Research in Science,
Communication and Technology, pp. 431–436, May 2024, doi:
10.48175/IJARSCT-18164.
S. Venugopal, N. AJ, and S. K.S, “Drowsiness Detection System,”
International Journal of Innovative Research in Engineering, pp. 208–
210, May 2023, doi: 10.59256/ijire.2023040374.
I. Nasri, M. Karrouchi, H. Snoussi, K. Kassmi, and A. Messaoudi,
“Detection and Prediction of Driver Drowsiness for the Prevention of
Road Accidents Using Deep Neural Networks Techniques,” 2022, pp.
57–64. doi: 10.1007/978-981-33-6893-4_6.
S. Mittal, S. Gupta, Sagar, A. Shamma, I. Sahni, and N. Thakur,
“Driver Drowsiness Detection Using Machine Learning and Image
Processing,” in 2021 9th International Conference on Reliability,
Infocom Technologies and Optimization (Trends and Future
Directions) (ICRITO), IEEE, Sep. 2021, pp. 1–8. doi:
10.1109/ICRITO51393.2021.9596358.
A. de Polo, “Digital picture restoration and enhancement for quality
archiving,” in 2002 14th International Conference on Digital Signal
Processing Proceedings. DSP 2002 (Cat. No.02TH8628), IEEE, pp.
99–102. doi: 10.1109/ICDSP.2002.1027824.
G. M. Mohamed, S. S. Patel, and N. Naicker, “Data Augmentation for
Deep Learning Algorithms that Perform Driver Drowsiness Detection,”
International Journal of Advanced Computer Science and
Applications,
vol.
14,
no.
1,
2023,
doi:
10.14569/IJACSA.2023.0140127.
Y. Jamtsho, P. Riyamongkol, and R. Waranusast, “Real-time
Bhutanese license plate localization using YOLO,” ICT Express, vol.
6, no. 2, pp. 121–124, Jun. 2020, doi: 10.1016/j.icte.2019.11.001.
A. H. Hang Chan et al., “YOLO-Behaviour: A simple, flexible
framework to automatically quantify animal behaviours from videos,”
Aug. 27, 2024. doi: 10.1101/2024.08.26.609387.
R. R. Ajith Babu, H. M. Dhushyanth, R. Hemanth, M. Naveen Kumar,
B. A. Sushma, and B. Loganayagi, “Fast and Accurate YOLO
Framework for Live Object Detection,” 2023, pp. 555–567. doi:
10.1007/978-981-99-5166-6_38.
M. Fauzan Ridho, Fransiskus Panca, Welly Yandi, and Almeera
Amsana Rachmani, “Drowsiness Detection in the Advanced DriverAssistance System using YOLO V5 Detection Model,” ELECTRON
Jurnal Ilmiah Teknik Elektro, vol. 5, no. 1, May 2024, doi:
10.33019/electron.v5i1.136.
Y. Li, S. Li, H. Du, L. Chen, D. Zhang, and Y. Li, “YOLO-ACN:
Focusing on Small Target and Occluded Object Detection,” IEEE
Access,
vol.
8,
pp.
227288–227303,
2020,
doi:
10.1109/ACCESS.2020.3046515.

Jurnal Kelimuan Teknologi Informasi
Volume 01, No. 1, Juni 2025, Hal 5-10

[23]

[24]
[25]

A. Ardiansyah, K. N. Qodri, D. Al Banna, and M. Z. Al-Baihaqi,
“PEMANFAATAN SAM DAN YOLOV8 UNTUK DETEKSI DAN
SEGMENTATION MRI TUMOR OTAK,” TEKNIMEDIA:
Teknologi Informasi dan Multimedia, vol. 5, no. 1, pp. 82–89, Jun.
2024, doi: 10.46764/teknimedia.v5i1.192.
A. Ardiansyah, Buku Monograf Pengenalan Objek Dalam Bidang
Kesehatan. PT. Sonpedia Publishing Indonesia, 2024.
I. Ahmad et al., “Deep Learning Based Detector YOLOv5 for
Identifying Insect Pests,” Applied Sciences, vol. 12, no. 19, p. 10167,
Oct. 2022, doi: 10.3390/app121910167.

10