IMPLEMENTASI YOLOv8 UNTUK DETEKSI KANTUK MAHASISWA DI KELAS ONLINE MELALUI ANALISIS EKSPRESI WAJAH

Kurnia, Dennis Ma'rifatul (2026) IMPLEMENTASI YOLOv8 UNTUK DETEKSI KANTUK MAHASISWA DI KELAS ONLINE MELALUI ANALISIS EKSPRESI WAJAH. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030120.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030120_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030120_0712108103_0713018402_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (5MB)
	Text (BAB 2) RAMA_57201_2213030120_0712108103_0713018402_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (BAB 3) RAMA_57201_2213030120_0712108103_0713018402_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (BAB 4) RAMA_57201_2213030120_0712108103_0713018402_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (9MB) | Request a copy
	Text (BAB 5) RAMA_57201_2213030120_0712108103_0713018402_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (464kB) | Request a copy
	Text (References) RAMA_57201_2213030120_0712108103_0713018402_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Lampiran) RAMA_57201_2213030120_0712108103_0713018402_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (924kB) | Request a copy

Abstract

Kualitas pembelajaran daring di perguruan tinggi sangat bergantung pada tingkat kewaspadaan mahasiswa selama proses perkuliahan. Fenomena kantuk menjadi hambatan utama yang menurunkan efektivitas transfer pengetahuan akibat kelelahan fisik dan durasi belajar yang panjang di depan layar. Keterbatasan dosen dalam memantau kondisi mahasiswa secara visual melalui platform digital mendorong kebutuhan akan sistem pemantauan otomatis yang mampu bekerja secara real-time. Penelitian ini bertujuan untuk mengimplementasikan algoritma YOLOv8 dalam mendeteksi tanda-tanda kantuk mahasiswa melalui analisis aktivitas mata dan mulut. Metode penelitian yang digunakan adalah pendekatan CRISP-DM yang meliputi tahap Business Understanding hingga Deployment. Dataset yang diolah berjumlah 8.573 citra hasil augmentasi dari sumber publik Roboflow (SleepyDetect dan Yawn), yang diklasifikasikan ke dalam tiga kelas: open-eyes (terjaga), pre-drowsy (menguap), dan drowsy (mata tertutup). Proses pelatihan model dilakukan menggunakan arsitektur YOLOv8 Nano dengan teknik transfer learning berbasis bobot pre-trained COCO untuk menghasilkan model yang ringan namun tetap akurat. Hasil evaluasi menunjukkan bahwa model YOLOv8 Nano mencapai performa yang tinggi dengan nilai mAP50 sebesar 0,992 (99,2%), Precision 0,973, Recall 0,979, dan F1-Score 0,976. Analisis confusion matrix membuktikan akurasi per kelas yang sangat tinggi, yakni 100% pada kelas pre-drowsy, 99% pada drowsy, dan 97% pada open-eyes. Dengan kecepatan inferensi mencapai 4,1 milidetik per gambar, model ini terbukti sangat responsif untuk penggunaan secara langsung. Implementasi model dilakukan melalui perangkat lunak AwakeLens yang terintegrasi dengan dashboard monitoring untuk mendukung pengawasan dosen secara kolektif. Penelitian ini menyimpulkan bahwa YOLOv8 Nano merupakan solusi efektif untuk deteksi kantuk pada kelas daring dengan tingkat presisi yang tinggi. Namun, terdapat keterbatasan pada aspek generalisasi model karena dataset yang digunakan belum sepenuhnya merepresentasikan karakteristik spesifik mahasiswa di Kelas Online. Penelitian selanjutnya disarankan untuk mengumpulkan dan mengintegrasikan data primer dari populasi lokal untuk meningkatkan validitas eksternal. Selain itu, pengembangan selanjutnya dapat memperluas fitur deteksi perilaku melalui estimasi posisi kepala (head pose estimation) serta analisis fitur non-visual guna meningkatkan akurasi penilaian kondisi mahasiswa secara holistik di lingkungan pendidikan nyata.

Actions (login required)

View Item