TY  - THES
KW  - Sistem Deteksi Kantuk
KW  -  YOLOv8
KW  -  Deep Learning
KW  -  Drowsiness detection system
UR  - https://repository.upi.edu/
M1  - other
N2  - Masalah utama yang banyak dialami saat ini adalah masih banyaknya pengemudi mobil yang menghiraukan kondisi lelah dan tetap memaksakan untuk mengendarai mobil. Kondisi ini sangat membahayakan keamanan diri sendiri dan orang lain. Komite Nasional Keselamatan Transportasi (KNKT) menyatakan bahwa sebesar 80% dari kecelakaan darat disebabkan oleh kesalahan manusia dengan kelelahan menjadi penyebab yang paling dominan. Penelitian ini bertujuan untuk mengembangkan sebuah sistem yang dapat mendeteksi kondisi kantuk pengemudi mobil. Penelitian ini menggunakan pendekatan AI Project Cycle yang terdiri dari tahap problem scoping, data acquisition, data exploration, modelling, evaluation, dan deployment. Dataset yang digunakan sebagai sumber pelatihan model adalah dataset publik yang didapatkan pada website Roboflow dengan jumlah total gambar sebanyak 4.344 gambar.. Model YOLOv8 pada sistem deteksi dapat mendeteksi dengan baik ditunjukkan dengan nilai metrik evaluasi sebesar 93.1% untuk accuracy, 89.7% untuk precision, 89.7% untuk recall, 89.6% untuk F1-Score. Selanjutnya model diimplementasikan ke dalam komputer untuk dilakukan pengujian langsung terhadap objek. Sistem dapat berjalan dengan baik pada jarak uji 30 cm dan 60 cm di waktu pagi hari dan siang hari. Diharapkan penelitian ini dapat memberikan manfaat dalam bentuk peningkatan kesadaran dalam hal keselamatan berkendara.
-------
The main problem currently experienced by many drivers is that many drivers ignore fatigue and continue driving. This condition is very dangerous for themselves and others. The National Transportation Safety Committee (KNKT) states that 60% to 70% of road accidents are caused by driver fatigue. This research aims to develop a system that can detect driver drowsiness. This research uses an AI Project Cycle approach consisting of problem scoping, data acquisition, data exploration, modeling, evaluation, and deployment stages. The dataset used as a source for model training is a public dataset obtained from the Roboflow website with a total of 4.344 pictures. The YOLOv8 model in the detection system can detect well, as indicated by evaluation metric values ??of 93.1% for accuracy, 89.7% for precision, 89.7% for recall, and 89.6% for F1-Score. The model is then implemented into a computer for direct testing on objects. The system can run well at test distances of 30 cm and 60 cm in the morning and afternoon. It is hoped that this research will provide benefits in the form of increased awareness regarding driving safety.
TI  - PROTOTYPE ALGORITMA DEEP LEARNING UNTUK MENDETEKSI KONDISI KANTUK PENGEMUDI MOBIL MENGGUNAKAN YOLOv8
AV  - restricted
ID  - repoupi137633
N1  - https://scholar.google.com/citations?user=giUyhAoAAAAJ&hl=id

ID SINTA Dosen Pembimbing:
Muhammad Taufik Dwi Putra: 6745726
Devi Aprianti Rimadhani Agustini: 6745751
PB  - Universitas Pendidikan Indonesia
A1  - Adhafa Syahrim maulana Aruman, -
A1  - Muhammad Taufik Dwi Putra, -
A1  - Devi Aprianti Rimadhani Agustini, -
Y1  - 2025/08/27/
ER  -