Perbandingan Pendekatan Deep Learning Untuk Optimasi Kinerja Klasifikasi Distraksi Pengemudi
Tahun 2026 · Penulis: Mahdi Aqil Ali
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12416
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Distraksi pengemudi merupakan salah satu faktor utama penyebab tingginya angka kecelakaan lalu lintas di dunia, dengan kontribusi mencapai 31,3% dari total kejadian kecelakaan yang disebabkan oleh hilangnya fokus saat berkendara. Berbagai penelitian terdahulu telah menerapkan metode Convolutional Neural Network (CNN) untuk mendeteksi distraksi pengemudi, namun umumnya masih menggunakan arsitektur CNN generasi lama dengan jumlah parameter yang besar sehingga membebani komputasi dan menghasilkan waktu inferensi yang relatif tinggi, kurang optimal untuk diterapkan secara real-time, serta belum mengeksplorasi maupun membandingkan arsitektur backbone CNN generasi terbaru seperti ResNet50V2, MobileNetV3, dan ConvNeXt yang berpotensi menawarkan keseimbangan lebih baik antara akurasi klasifikasi dan efisiensi komputasi. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja ketiga backbone CNN dalam mengklasifikasikan distraksi pengemudi berbasis citra menggunakan State Farm Distracted Driver Dataset (SFDD) yang terdiri atas 22.424 citra dengan 10 kelas distraksi. Metode penelitian bersifat kuantitatif eksperimental, melalui tahapan pengumpulan dataset, preprocessing (image resizing dan data splitting dengan proporsi 70:20:10), pelatihan model menggunakan pendekatan deep transfer learning dengan bobot pra-latih ImageNet, serta evaluasi kinerja berdasarkan metrik precision, recall, F1-score, accuracy, dan inference time. Hasil penelitian menunjukkan bahwa ketiga backbone mencapai akurasi klasifikasi yang sangat tinggi, di atas 99%, dengan ResNet50V2 sebagai backbone terbaik (akurasi 99,91%; waktu inferensi 5,44 ms; 183,8 FPS), diikuti MobileNetV3 (99,51%) dan ConvNeXt (99,47%). Hasil ini mengungguli penelitian terdahulu yang hanya mencapai akurasi 95,10%. Dapat disimpulkan bahwa ResNet50V2 merupakan backbone CNN paling optimal karena menawarkan keseimbangan terbaik antara akurasi klasifikasi dan efisiensi komputasi untuk sistem Driver Monitoring System berbasis citra.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,854
Tahun 2024 · Penulis: Dandy Satrio Wibowo
Penggunaan Pre-Trained Convolutional Neural Networks dan Explainable AI dalam Klasifikasi Penyakit Alzheimer berdasarkan Citra MRI Otak
Penyakit Alzheimer adalah penyakit yang menyebabkan kematian pada sel-sel saraf otak dan menurunkan volume otak seiring berjalannya waktu. Penyakit Alzheimer memiliki lima tahapan perkembangannya, yaitu tahap preclinical, mild cognitive impairment (MCI), mild,
- Cosine 0,820
Tahun 2025 · Penulis: Dejan Putra Pratama
Analisis Performa VGG-New dengan Variasi Loss Fungsi Untuk Ekspresi Facial Dikenali Fakulta
Facial Expression Recognition merupakan bidang penelitian yang krusial dalam interaksi manusia-komputer, namun performanya sangat bergantung pada pemilihan model dan loss function yang tepat. Permasalahan utama di dalam penelitian adalah untuk menentukan loss
- Cosine 0,814
Tahun 2026 · Penulis: Alejandra Rehagel
Optimasi Model Machine Learning Klasik Menggunakan Post-Training Quantization untuk Intrusion Detection System pada Mikrokontroler ESP32 (ESP-EYE) dengan Dataset RT-IoT2022
Perkembangan Internet of Things (IoT) meningkatkan kebutuhan terhadap sistem deteksi intrusi yang mampu bekerja secara efisien pada perangkat dengan sumber daya terbatas, seperti mikrokontroler ESP32. Penelitian ini bertujuan untuk menganalisis pengaruh Post-T