%0 Thesis
%9 S2 - Magister
%A Reza, Muhammad
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2025
%F universitasamikomyogyakarta:31735
%I Universitas AMIKOM Yogyakarta
%K Deteksi Kantuk Pengemudi, SlowFast Network, Multi-Head Self  Attention, Computer Vision, Video Classification.
%T PENINGKATAN AKURASI PADA SLOWFAST NETWORK   MENGGUNAKAN MULTI-HEAD SELF ATTENTION LAYER
%U https://eprints.amikom.ac.id/id/eprint/31735/
%X Kecelakaan lalu lintas akibat kelelahan pengemudi merupakan masalah   keselamatan global yang memerlukan solusi deteksi dini yang akurat. Penelitian ini  bertujuan untuk meningkatkan kinerja sistem deteksi kantuk berbasis video  menggunakan arsitektur SlowFast Network yang diintegrasikan dengan mekanisme  Multi-Head Self Attention (MHSA). Penelitian eksperimental ini menggunakan  pendekatan kuantitatif dengan menggabungkan dataset SUST-DDD dan  NITYMED guna mencakup variasi kondisi pencahayaan siang dan malam hari.  Metode pengembangan model melibatkan pra-pemrosesan data menggunakan  teknik sliding window berdurasi 2 detik, normalisasi, dan augmentasi data, serta  divalidasi menggunakan analisis visual Grad-CAM untuk mengukur efektivitas  fokus atensi model.    Hasil penelitian menunjukkan bahwa integrasi MHSA secara signifikan  meningkatkan kemampuan model dalam menangkap fitur spasial-temporal yang  kritis. Model final berhasil mencapai akurasi sebesar 96,65% pada data uji  gabungan, dengan nilai Recall untuk kelas drowsy mencapai 99%. Capaian ini  mengungguli model baseline tanpa atensi yang hanya mencapai akurasi 84,48%  pada pengujian sejenis. Analisis visual membuktikan bahwa mekanisme atensi  berhasil memfokuskan pembelajaran model pada area wajah yang relevan, seperti  mata dan mulut, serta secara efektif melakukan supresi terhadap gangguan visual  dari latar belakang maupun kondisi minim cahaya.    Dapat disimpulkan bahwa kombinasi arsitektur SlowFast dengan MHSA  serta penggunaan dataset yang bervariasi mampu menghasilkan model deteksi  kantuk yang handal (robust) dan memiliki generalisasi tinggi. Sistem ini terbukti  efektif dalam mengenali tanda-tanda kantuk baik yang bersifat halus maupun  eksplisit dalam berbagai kondisi lingkungan.