Pengembangan model pendeteksi Microsleep menggunakan YOLO dan Facial Landmark dengan peningkatan kualitas citra berbasis CLAHE

Wulandari, Serly Annisa (2026) Pengembangan model pendeteksi Microsleep menggunakan YOLO dan Facial Landmark dengan peningkatan kualitas citra berbasis CLAHE. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) Cover.pdf Download (130kB) | Preview
Preview	Text (ABSTRAK) Abstrak.pdf Download (192kB) | Preview
Preview	Text SURAT PERNYATAAN PLAGIARISM_Serly.pdf Download (439kB) | Preview
Preview	Text (DAFTAR ISI) Daftar Isi.pdf Download (294kB) | Preview
Preview	Text (BAB I) BAB 1.pdf Download (342kB) | Preview
	Text (BAB II) BAB 2.pdf Restricted to Registered users only Download (820kB)
	Text (BAB III) BAB 3.pdf Restricted to Registered users only Download (314kB)
	Text (BAB IV) BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB 5.pdf Restricted to Registered users only Download (2MB)
	Text (BAB VI) BAB 6.pdf Restricted to Registered users only Download (200kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (180kB)

Abstract

Penurunan tingkat kewaspadaan akibat kelelahan dan kantuk, khususnya fenomena microsleep, menjadi permasalahan serius pada berbagai aktivitas operasional yang menuntut tingkat konsentrasi tinggi sehingga memerlukan solusi deteksi dini secara cepat dan akurat. Penelitian ini bertujuan untuk merancang, mengembangkan, dan menganalisis kinerja model perangkat lunak pendeteksi microsleep berarsitektur komputasi hibrida menggunakan algoritma YOLOv5, Facial landmark (MediaPipe), dan Contrast Limited Adaptive Histogram Equalization (CLAHE) pada kondisi pencahayaan yang bervariasi. Model dieksekusi melalui tahapan pra-pemrosesan citra menggunakan metode CLAHE untuk meratakan distribusi piksel secara adaptif, dilanjutkan dengan lokalisasi area wajah secara makro menggunakan YOLOv5, serta ekstraksi titik koordinat mata menggunakan Facial landmark untuk menghitung metrik Eye Aspect Ratio (EAR). Berdasarkan hasil pengujian komparatif, integrasi CLAHE terbukti mampu mendongkrak rata-rata metrik evaluasi secara keseluruhan. Pada kondisi minim cahaya, metode ini berhasil meningkatkan Face Detection Rate (FDR) dan Akurasi menjadi 63,17%, sementara pada kondisi cahaya sedang dan terang terjadi lonjakan signifikan pada Presisi (mencapai 38,76%) dan Recall (mencapai 43,17%) tanpa memicu pencerahan berlebih (overexposure). Model berhasil mengidentifikasi indikasi microsleep dan memberikan peringatan visual dini secara objektif dalam estimasi waktu respons yang sangat ideal, yakni 0,71 detik pada kecepatan pemrosesan 8 FPS, yang dipicu apabila nilai EAR berada di bawah ambang batas 0.2 selama minimal 5 frame berturut-turut. Secara keseluruhan, model ini terbukti tangguh (robust) beroperasi secara optimal pada berbagai dinamika pencahayaan serta mampu mengatasi hambatan visual berupa oklusi aksesoris wajah (masker, topi, hijab, dan kacamata baca), dengan batasan kegagalan klasifikasi yang secara mutlak hanya terjadi akibat penggunaan lensa kacamata hitam.

Actions (login required)

View Item