Perbandingan Akurasi Deteksi Kelelahan pada Pengendara Menggunakan YOLOv3-Tiny YOLOv4-Tiny

Abstract

Kecelakaan adalah sesuatu yang tidak diharapkan oleh siapa pun. Karena kecelakaan lalu lintas sangat bagi siapapun. Faktor manusia biasanya menjadi salah satu penyebab paling umum dari kecelakaan lalu lintas jalan karena terlalu banyak bekerja. Untuk mengatasi masalah tersebut, pemerintah berusaha untuk meminimalkan kecelakaan dengan memperbaiki jalan, membangun jalan tol, dan membuat rest area. Namun, kecelakaan di jalan karena kesalahan terkait kelelahan masih sering terjadi. Oleh karena itu, perlu dibangun sistem pendeteksi kelelahan pengemudi yang mengingatkan pengemudi akan prioritas keselamatan saat pengemudi lelah. Metode baru dan arsitektur mutakhir seperti You Only Look Once (YOLO) telah meningkatkan kemajuan penelitian di bidang deep learning. YOLO adalah arsitektur jaringan untuk pendeteksi objek yang mengklaim sebagai “detektor objek deep learning tercepat” yang mengutamakan akurasi dan kecepatan. Dengan YOLO, Kami dapat mendeteksi kelelahan wajah untuk melihat apakah pengemudi lelah atau fokus, terekam langsung di kamera. Karena, YOLOv4 memiliki tingkat keakuratan baik dengan frame per second (fps) yang tinggi. Akurasi terbaik yang bisa kami dapatkan untuk kelelahan pengendara YOLOv3-Tiny real-time adalah nilai MAP, atau akurasi hingga 97,3%. Sedangkan akurasi terbaik yang bisa kami dapatkan untuk kelelahan pengendara YOLOv4-Tiny real-time adalah nilai MAP, atau akurasi hingga 97,3%.