Analisis Performa Convolutional Neural Network untuk Deteksi Microsleep Berbasis Edge AI Pada ESP32-CAM

Abstrak

Kecelakaan lalu lintas akibat kantuk masih menjadi persoalan yang belum banyak mendapat solusi nyata, terutama untuk pengendara bermotor. Salah satu kondisi berbahaya adalah microsleep atau kondisi tidur singkat yang terjadi tanpa disadari dan hanya berlangsung beberapa detik, namun cukup membuat pengemudi kehilangan kendali. Penelitian ini mencoba menjawab tantangan tersebut dengan membangun sistem deteksi microsleep berbasis CNN yang dapat berjalan langsung pada perangkat ESP32-CAM tanpa memerlukan server atau koneksi internet. Model dikembangkan menggunakan platform Edge Impulse dengan arsitektur CNN ringan dan dilatih pada 3.872 citra mata dari MRL Eye Dataset. Seluruh citra dikonversi ke format grayscale berukuran 24×24 piksel sebelum proses pelatihan. Dengan konfigurasi 50 epoch, learning rate 0,0005, dan kuantisasi INT8, model berhasil mencapai akurasi validasi 94,5%. Ketika dijalankan pada ESP32-CAM, waktu inferensi hanya 41 ms per frame dengan konsumsi RAM 7,9 KB dan flash 31,2 KB. Deteksi microsleep ditentukan berdasarkan durasi mata tertutup yaitu kurang dari satu detik tidak terdeteksi, satu hingga dua detik memberikan peringatan awal, dan lebih dari dua detik mengaktifkan alarm. Pendekatan ini terbukti efektif pada kondisi pencahayaan normal, meski masih terkendala pada kondisi cahaya ekstrem. Hasil menunjukkan bahwa model CNN ringan layak diterapkan pada perangkat embedded berbiaya rendah untuk keperluan deteksi kantuk secara real-time