DETEKSI KELELAHAN PENGEMUDI BERDASARKAN EKSPRESI WAJAH EAR DAN MAR MENGGUNAKAN 1DCNN-LSTM PADA DATASET NITYMED

Kecelakaan lalu lintas akibat kelelahan pengemudi masih menjadi masalah serius di berbagai negara, termasuk Indonesia. Deteksi dini kelelahan penting untuk mencegah terjadinya kecelakaan fatal. Penelitian ini mengembangkan sistem deteksi kelelahan pengemudi berbasis citra wajah dengan memanfaatkan dua parameter utama, yaitu Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR). Model yang digunakan adalah arsitektur hibrid 1-Dimensional Convolutional Neural Network (1DCNN) dan Long Short-Term Memory (LSTM). Dataset yang digunakan adalah NITYMED, yang terdiri dari 126 video pengemudi dengan total 63.748 citra. Proses penelitian meliputi pra-pemrosesan, ekstraksi fitur, pelabelan, pelatihan, dan pengujian model. Hasil menunjukkan bahwa kombinasi fitur EAR dan MAR menghasilkan akurasi tertinggi sebesar 96,8%, dengan presisi 97,1%, recall 96,5%, dan F1-score 96,8%. Temuan ini menunjukkan bahwa penggunaan gabungan fitur mata dan mulut mampu meningkatkan akurasi deteksi kelelahan dibandingkan penggunaan satu fitur saja. Hasil ini berpotensi diimplementasikan dalam sistem peringatan dini kendaraan untuk meningkatkan keselamatan berkendara