Penerapan Arsitektur MobileNetV2 Berbasis Replikasi Channel untuk Klasifikasi Citra Grayscale

Abstract

Abstrak—Kecelakaan lalu lintas masih menjadi permasalahan serius yang berdampak pada tingginya angka cedera dan kematian, di mana salah satu penyebab utamanya adalah kondisi mengantuk yang menurunkan tingkat konsentrasi pengemudi. Oleh karena itu, diperlukan suatu sistem deteksi mata tertutup dan terbuka yang akurat dan efisien. Pendekatan berbasis citra mata menjadi solusi yang potensial karena mampu mengidentifikasi kondisi mata terbuka dan tertutup secara otomatis menggunakan metode pengolahan citra dan deep learning. Penggunaan citra grayscale dinilai lebih efisien dari segi komputasi, namun memiliki keterbatasan karena tidak sesuai dengan arsitektur model pre-trained yang umumnya memerlukan input tiga channel. Penelitian ini bertujuan untuk menerapkan arsitektur MobileNetV2 berbasis replikasi channel dalam klasifikasi citra grayscale untuk deteksi mata tertutup dan terbuka. Teknik replikasi channel dilakukan dengan menggandakan citra grayscale menjadi tiga channel agar kompatibel dengan arsitektur MobileNetV2. Model dikembangkan menggunakan pendekatan transfer learning untuk meningkatkan kemampuan ekstraksi fitur dan performa klasifikasi. Hasil pengujian menunjukkan bahwa model MobileNetV2 dengan teknik replikasi channel mampu mencapai akurasi sebesar 99,92% dalam mengklasifikasikan kondisi mata terbuka dan tertutup. Hal ini menunjukkan bahwa metode yang diusulkan efektif dalam meningkatkan kompatibilitas citra grayscale dengan model deep learning pre-trained serta mampu menghasilkan performa klasifikasi yang tinggi.

Kata Kunci—deteksi kelelahan, MobileNetV2, replikasi channel, citra grayscale, transfer learning.