Comparison of CNN-PERCLOS and SVM-HOG Models for Drowsiness Detection in University Students
Perbandingan Model CNN-PERCLOS dan SVM-HOG untuk Deteksi Kantuk Mahasiswa
DOI:
https://doi.org/10.56667/jveit.v7i1.2234Keywords:
CNN, PERCLOS, SVM, HOG, deteksi kantukAbstract
Pembelajaran daring menuntut mahasiswa untuk mempertahankan perhatian visual dalam durasi yang panjang, sedangkan pola tidur yang kurang baik dan kelelahan dapat menurunkan konsentrasi serta meningkatkan risiko kantuk. Penelitian ini membandingkan metode CNN-PERCLOS dan SVM-HOG untuk mendeteksi kantuk mahasiswa menggunakan data citra wajah. Dataset yang digunakan diperoleh dari Kaggle Drowsiness Dataset dan terdiri atas empat kelas, yaitu Closed_Eyes, Open_Eyes, Yawn, dan No_yawn. Tahapan penelitian meliputi akuisisi dataset, pra-pemrosesan, klasifikasi visual berbasis CNN, perhitungan PERCLOS, ekstraksi fitur HOG, klasifikasi SVM, dan evaluasi model. Evaluasi dilakukan menggunakan akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa CNN-PERCLOS memperoleh performa lebih baik dibandingkan SVM-HOG, dengan akurasi 92.5%, presisi 92.9%, recall 92.5%, dan F1-score 92.5%. Sementara itu, SVM-HOG memperoleh akurasi 82.7%, presisi 83.2%, recall 82.7%, dan F1-score 82.6%. Hasil tersebut menunjukkan bahwa CNN-PERCLOS lebih efektif dalam mengenali pola visual kantuk dibandingkan fitur manual HOG dengan SVM.
Downloads
References
[1] J. Salim, S. Tandy, J. N. Arnindita, J. J. Wibisono, M. R. Haryanto, dan M. G. Wibisono, “Zoom fatigue and its risk factors in online learning during the COVID-19 pandemic,” Medical Journal of Indonesia, vol. 31, no. 1, hlm. 13–19, Jan 2022, doi: 10.13181/mji.oa.225703.
[2] S. H. Azizah, “POLA TIDUR MAHASISWA DI TENGAH KEGIATAN KULIAH: KAJIAN LITERATUR,” vol. 4, 2026.
[3] W. D. Rahayu, E. A. Pambudi, A. P. Wicaksono, dan F. Wibowo, “Sistem Deteksi Kelelahan Pengemudi Berdasarkan Pengukuran Kedipan Mata Menggunakan Metode Manhattan Distance,” Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, no. 1, hlm. 439, Apr 2024, doi: 10.35889/jutisi.v13i1.1852.
[4] I. K. Y. T. Pranata, C. Ramadhani, dan G. W. Wiriasto, “Sistem Peringatan Dini Kantuk pada Pengemudi Malam Hari Menggunakan Metoda Facial Landmark Detection Berbasis Raspberry PI 3 Modul B,” Dielektrika: Department of Electrical Engineering University of Mataram, vol. 10, no. 2, hlm. 100–111, Agu 2023.
[5] T. Abe, “PERCLOS-based technologies for detecting drowsiness: current evidence and future directions,” 2023, Oxford University Press. doi: 10.1093/sleepadvances/zpad006.
[6] H. Akbar, D. Aryani, dan S. Junaedi, “Deteksi Kantuk Pengendara Mobil Berbasis Citra Menggunakan Convolutional Neural Networks,” INFORMATIKA, vol. 10, no. 1, hlm. 13–20, Jan 2022, doi: 10.36987/informatika.v10i1.2454.
[7] A. S. Ritonga dan I. Muhandhis, “Analisis dan Implementasi Metode Viola-Jones dan CNN pada Sistem Deteksi Kantuk Real-Time,” Jurnal Ilmiah IT CIDA, vol. 10, no. 2, hlm. 53–66, Des 2024, doi: 10.55635/jic.v10i2.227.
[8] L. Larasati, “SISTEM DETEKSI KANTUK REAL-TIME BERBASIS CNN DAN LANDMARK WAJAH,” Kohesi: Jurnal Multidisiplin Saintek, vol. 8, no. 1, Mei 2025, doi: 10.8734/Kohesi.v1i2.365.
[9] A. A. Ramadana Lubis, S. I. Purnama, dan M. A. Afandi, “Sistem Pendeteksi Kantuk Berbasis Metode Haar Cascade Untuk Aplikasi Computer Vision,” Techno.Com, vol. 22, no. 3, hlm. 589–598, Agu 2023, doi: 10.33633/tc.v22i3.8464.
[10] N. Ramadhani, S. Aulia, E. Suhartono, dan S. Hadiyoso, “Deteksi Kantuk pada Pengemudi Berdasarkan Penginderaan Wajah Menggunakan PCA dan SVM,” Jurnal Rekayasa Elektrika, vol. 17, no. 2, Jun 2021, doi: 10.17529/jre.v17i2.19884.
[11] U. D. Maharani, A. S. Handayani, dan L. Lindawati, “Analisis Deteksi Mata Kantuk Di Wajah Pengemudi Menggunakan Support Vector Machine (SVM) Berbasis Citra Real-Time,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 2, hlm. 940–949, Sep 2024, doi: 10.47065/bits.v6i2.5701.
[12] A. A. M. Suradi, S. Alam, dan M. F. Rasyid, “Sistem Deteksi Kantuk Pengemudi Mobil Berdasarkan Analisis Rasio Mata Menggunakan Computer Vision,” vol. 5, 2023.
[13] Y. Li dkk., “A CNN-Based Wearable System for Driver Drowsiness Detection,” Sensors, vol. 23, no. 7, hlm. 3475, Mar 2023, doi: 10.3390/s23073475.
[14] V. Owen dan N. Surantha, “Computer Vision-Based Drowsiness Detection Using Handcrafted Feature Extraction for Edge Computing Devices,” Applied Sciences, vol. 15, no. 2, hlm. 638, Jan 2025, doi: 10.3390/app15020638.
[15] D. H. Vazquez-Santana dan A. J. Argüelles-Cruz, “Non-Intrusive Drowsiness Detection for Accident Prevention Using a Novel CNN,” Computación y Sistemas, vol. 28, no. 3, Sep 2024, doi: 10.13053/cys-28-3-4981.
[16] S. Essahraui dkk., “Real-Time Driver Drowsiness Detection Using Facial Analysis and Machine Learning Techniques,” Sensors, vol. 25, no. 3, hlm. 812, Jan 2025, doi: 10.3390/s25030812.
[17] I. P. A. E. D. Udayana, N. P. E. Kherismawati, dan I. G. I. Sudipa, “Detection of Student Drowsiness Using Ensemble Regression Trees in Online Learning During a COVID-19 Pandemic,” Telematika, vol. 19, no. 2, hlm. 229, Jun 2022, doi: 10.31315/telematika.v19i2.7044.
[18] H. Tung, “Drowsiness Dataset,” Kaggle, 2024. [Online]. Available: https://www.kaggle.com/datasets/hoangtung719/drowsiness-dataset.
