Perbandingan Pendekatan Deep Learning Untuk Optimasi Kinerja Klasifikasi Distraksi Pengemudi

Abstract

Distraksi pengemudi merupakan salah satu faktor utama penyebab tingginya angka kecelakaan lalu lintas di dunia, dengan kontribusi mencapai 31,3% dari total kejadian kecelakaan yang disebabkan oleh hilangnya fokus saat berkendara. Berbagai penelitian terdahulu telah menerapkan metode Convolutional Neural Network (CNN) untuk mendeteksi distraksi pengemudi, namun umumnya masih menggunakan arsitektur CNN generasi lama dengan jumlah parameter yang besar sehingga membebani komputasi dan menghasilkan waktu inferensi yang relatif tinggi, kurang optimal untuk diterapkan secara real-time, serta belum mengeksplorasi maupun membandingkan arsitektur backbone CNN generasi terbaru seperti ResNet50V2, MobileNetV3, dan ConvNeXt yang berpotensi menawarkan keseimbangan lebih baik antara akurasi klasifikasi dan efisiensi komputasi. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja ketiga backbone CNN dalam mengklasifikasikan distraksi pengemudi berbasis citra menggunakan State Farm Distracted Driver Dataset (SFDD) yang terdiri atas 22.424 citra dengan 10 kelas distraksi. Metode penelitian bersifat kuantitatif eksperimental, melalui tahapan pengumpulan dataset, preprocessing (image resizing dan data splitting dengan proporsi 70:20:10), pelatihan model menggunakan pendekatan deep transfer learning dengan bobot pra-latih ImageNet, serta evaluasi kinerja berdasarkan metrik precision, recall, F1-score, accuracy, dan inference time. Hasil penelitian menunjukkan bahwa ketiga backbone mencapai akurasi klasifikasi yang sangat tinggi, di atas 99%, dengan ResNet50V2 sebagai backbone terbaik (akurasi 99,91%; waktu inferensi 5,44 ms; 183,8 FPS), diikuti MobileNetV3 (99,51%) dan ConvNeXt (99,47%). Hasil ini mengungguli penelitian terdahulu yang hanya mencapai akurasi 95,10%. Dapat disimpulkan bahwa ResNet50V2 merupakan backbone CNN paling optimal karena menawarkan keseimbangan terbaik antara akurasi klasifikasi dan efisiensi komputasi untuk sistem Driver Monitoring System berbasis citra.