Analisis Performa Metode Yolo Dan Viola-Jones Pada Aplikasi Deteksi Kantuk

Pendeteksian kantuk merupakan hal penting dalam menjaga keselamatan, terutama dalam konteks transportasi dan lingkungan kerja. Dalam upaya untuk mengembangkan aplikasi pendeteksi kantuk yang efektif, metode-metode berbasis visi komputer, seperti YOLO (You Only Look Once) dan Viola-Jones, telah menjadi fokus penelitian yang signifikan. Penelitian ini bertujuan untuk membandingkan performa kedua metode tersebut dalam aplikasi pendeteksi kantuk berbasis website. Pendekatan pemecahan masalah yang terstruktur digunakan untuk mengidentifikasi kelebihan dan kekurangan dari masing-masing metode. Evaluasi dilakukan menggunakan kriteria seperti akurasi deteksi, kecepatan pemrosesan, efisiensi sumber daya, dan robustness terhadap variasi kondisi lingkungan. Data yang digunakan dalam penelitian ini meliputi dataset video dan gambar yang mencakup berbagai kondisi pencahayaan dan posisi wajah. Kedua metode YOLO dan Viola-Jones menggunakan dataset, algoritma untuk klasifikasi menggunakan CNN (Convolutional Neural Network) dan jumlah epoch yang sama. training metode Viola-Jones lebih cepat, 13 menit 37 detik. Dibandingkan dengan metode Yolo membutuhkan waktu 400 menit. Perbandingan keakurasian kedua metode, nilai metrik Viola-Jones 0,9 lebih besar dibandingkan metode Yolo 0,75, berarti metode Viola-Jones memiliki ketepatan yang tinggi dalam mengklasifikasi kondisi “kantuk”. Nilai metrik Recall Viola-Jones 0,88 lebih besar dibandingkan metode Yolo 0,75. Nilai metrik F1-score Viola-Jones 0,88 lebih besar dibandingkan metode Yolo 0,70, hal ini menunjukkan performa model metode Viola-Jones cukup baik dalam mendeteksi kondisi "kantuk”.