Abstract:
Kantuk saat mengemudi merupakan penyebab signifikan kecelakaan lalu lintas,
terutama pada perjalanan jarak jauh. Penelitian ini bertujuan mengembangkan
sistem deteksi kantuk pengemudi secara real-time yang praktis dan ekonomis tanpa
menggunakan sensor tambahan. Sistem ini menggunakan metode Eye Aspect Ratio
(EAR) untuk menghitung rasio keterbukaan mata, model Convolutional Neural
Network (CNN) untuk mengklasifikasikan kondisi mata, serta MediaPipe
FaceMesh sebagai pengganti Haar Cascade untuk mendeteksi landmark wajah
secara lebih stabil. Dataset yang digunakan berasal dari Kaggle dan terdiri dari
gambar mata terbuka dan tertutup yang telah diproses melalui normalisasi dan
augmentasi. Sistem awalnya dirancang sebagai aplikasi desktop berbasis Tkinter,
namun dalam proses pengembangan dialihkan menjadi aplikasi web menggunakan
Flask untuk mendukung fleksibilitas dan kemudahan akses lintas perangkat.
Deteksi kantuk dilakukan ketika nilai EAR di bawah ambang batas dan CNN
mengklasifikasikan mata sebagai tertutup dalam beberapa frame berturut-turut,
yang kemudian memicu peringatan suara secara otomatis. Hasil pengujian
menunjukkan bahwa sistem mampu mendeteksi kondisi kantuk dengan akurasi
tinggi dan respons cepat. Penelitian ini memberikan solusi non-invasif untuk
meningkatkan keselamatan berkendara dengan pendekatan visual yang efisien dan
mudah diintegrasikan.
