PERBANDINGAN ALGORITMA DETEKSI OBJEK YOLOv11, YOLOv12, YOLOv26, DAN MODEL KLASIFIKASI ResNet50 DAN MobileNetV2 PADA DETEKSI KANTUK PENGEMUDI

Kevin Anugrah Putra Hasibuan; Risanto Darwaman; Eka Ari Endrawati

doi:10.31539/rye6rr20

Authors

Kevin Anugrah Putra Hasibuan Universitas Krisnadwipayana
Risanto Darwaman Universitas Krisnadwipayana
Eka Ari Endrawati Universitas Krisnadwipayana

DOI:

https://doi.org/10.31539/rye6rr20

Abstract

Tingginya angka kecelakaan lalu lintas yang disebabkan oleh human error, khususnya kantuk atau microsleep saat mengemudi, menjadi permasalahan serius dalam keselamatan berkendara. Penelitian ini bertujuan menganalisis dan membandingkan kinerja algoritma YOLOv11, YOLOv12, dan YOLOv26 serta model klasifikasi ResNet50 dan MobileNetV2 dalam mendeteksi kondisi kantuk pengemudi berbasis citra wajah secara real-time. Evaluasi kinerja dilakukan menggunakan metrik presisi, recall, akurasi, dan mean Average Precision (mAP). Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimental yang menerapkan teknologi computer vision dan deep learning. Dataset diperoleh dari Roboflow Universe dan terdiri atas 2.649 citra yang telah dianotasi ke dalam tiga kelas, yaitu open, close, dan yawning. Tahapan penelitian mencakup pengumpulan dan prapemrosesan dataset, pelatihan setiap model, pengujian kinerja, evaluasi berdasarkan metrik yang ditetapkan, serta implementasi sistem menggunakan kamera untuk mendukung deteksi secara real-time. Hasil penelitian menunjukkan bahwa seluruh model mampu mendeteksi kondisi pengemudi dengan tingkat kinerja yang berbeda pada setiap metrik evaluasi. YOLOv11 menunjukkan keunggulan dalam mendukung deteksi real-time, sedangkan ResNet50 dan MobileNetV2 memberikan kinerja yang baik dalam proses klasifikasi dengan tingkat efisiensi yang berbeda. Penelitian ini diharapkan dapat mendukung pengembangan sistem deteksi kantuk yang efektif dan aplikatif untuk meningkatkan keselamatan berkendara.

Kata kunci: Kantuk Pengemudi, YOLOv11, YOLOv12, YOLOv26, Computer Vision

References

Achmad, S. A. Y. A., Suryadhi, & Subur, J. (2023). Rancang bangun alat pendeteksi kantuk pada kendaraan roda empat dengan metode Haar Cascade. Journal of Science and Engineering, 6(2), 69–78. https://doi.org/10.33387/josae.v6i2.6898

Albadawi, Y., Takruri, M., & Awad, M. (2022). A review of recent developments in driver drowsiness detection systems. Sensors, 22(5), 2069. https://doi.org/10.3390/s22052069

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 770–778). IEEE. https://doi.org/10.1109/CVPR.2016.90

Indra, G., Saputri, H. H., & Aziza, N. A. (2025). Penerapan MobileNet untuk klasifikasi kondisi wajah mengantuk pada citra wajah. Journal of Informatics and Communication Technology (JICT), 7(1), 189–197. https://doi.org/10.52661/jict.v7i1.413

Iriyanti, A. S., Hidayat, M. A. N., Hakim, J., Ndala, S., & Sasono, D. S. (2026). Perbandingan efektivitas arsitektur CNN pada sistem klasifikasi kelelahan pada wajah pengemudi. Journal of Artificial Intelligence and Digital Business (RIGGS), 4(4), 15319–15326. https://doi.org/10.31004/riggs.v4i4.6937

Jocher, G., Qiu, J., Liu, M., Lyu, S., Akyon, F. C., & Kalfaoglu, M. E. (2026). Ultralytics YOLO26: Unified real-time end-to-end vision models. arXiv. https://doi.org/10.48550/arXiv.2606.03748

Kurniawan, A. R., Burdiarso, Z., & Ardhianto, E. (2025). Implementasi algoritma YOLO untuk deteksi jumlah pengunjung di dalam gedung. JATI (Jurnal Mahasiswa Teknik Informatika), 9(2), 2944–2948. https://doi.org/10.36040/jati.v9i2.13271

Lubis, N., Siambaton, M. Z., & Aulia, R. (2024). Implementasi algoritma deep learning pada aplikasi speech to text online dengan metode Recurrent Neural Network (RNN). SUDO Jurnal Teknik Informatika, 3(3), 113–126. https://doi.org/10.56211/sudo.v3i3.583

Nuraeni, E., Sunardi, & Fadlil, A. (2026). Deteksi kelelahan pengemudi berdasarkan ekspresi wajah EAR dan MAR menggunakan 1DCNN-LSTM pada dataset NITYMED. JATI (Jurnal Mahasiswa Teknik Informatika), 10(1), 1730–1737. https://doi.org/10.36040/jati.v10i1.17138

Ruseno, N., Miswanto, & Shufiyah, K. N. (2026). Face landmark-based drowsiness warning system for drivers in intelligent transport system to reduce accidents with YOLOv11. PIKSEL: Penelitian Ilmu Komputer Sistem Embedded and Logic, 14(1), 65–72. https://doi.org/10.33558/piksel.v14i1.12053

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4510–4520). IEEE. https://doi.org/10.1109/CVPR.2018.00474

Saputri, R. S., Apriliani, A., Amar, R. S., & Astri, L. Y. (2025). Deteksi dini microsleep pada pengemudi kendaraan roda empat melalui citra mata menggunakan algoritma YOLOv8. Jurnal Processor, 20(2), 165–179. https://doi.org/10.33998/processor.2025.20.2.2529

Suradi, A. A. M., Alam, S., Mushaf, M., Rasyid, M. F., & Djafar, I. (2023). Sistem deteksi kantuk pengemudi mobil berdasarkan analisis rasio mata menggunakan computer vision. JUKI: Jurnal Komputer dan Informatika, 5(2), 222–230. https://doi.org/10.53842/juki.v5i2.269

Tian, Y., Ye, Q., & Doermann, D. (2025). YOLOv12: Attention-centric real-time object detectors. arXiv. https://doi.org/10.48550/arXiv.2502.12524

Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2023). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 7464–7475). IEEE. https://doi.org/10.1109/CVPR52729.2023.00721