Penerapan Machine Learning pada Deteksi Tingkat Kantuk Pengemudi Berbasis Jam Tangan Pintar Melalui Analisis Heart Rate Variability (HRV)
Abstrak
Kantuk saat mengemudi merupakan faktor sig- nifikan penyebab kecelakaan lalu lintas. Penelitian ini bertu- juan mengembangkan sistem deteksi tingkat kantuk penge- mudi berbasis jam tangan pintar dengan memanfaatkan anal- isis Heart Rate Variability (HRV). Data fisiologis diperoleh dari sensor photoplethysmography (PPG) pada smartwatch dan diproses melalui tahapan pra-pemrosesan, ekstraksi fitur HRV, serta penyeimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE). Proses klasifikasi dilakukan menggunakan algoritma Random Forest dan Decision Tree. Evaluasi performa model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik dengan akurasi sebesar 95%, precision 95.03%, recall 95%, dan f1-score 95%. Hasil ini menunjukkan bahwa pendekatan berbasis HRV dan machine learning berpotensi digunakan sebagai sistem peringatan dini kantuk pengemudi secara non-intrusif.
Index Terms—hrv, jam tangan pintar, machine learning, kan- tuk pengemudi
Referensi
W. K. Chen, Linear Networks and Systems. Belmont, CA: Wadsworth, 1993.
R. Antunes et al., “An Intelligent System to Detect Drowsiness at the Wheel,” Proc. Int. Symp. Digit. Forensics Secur., 2022.
A. Burlacu et al., “Accurate and early detection of sleepiness, fatigue and stress levels in drivers through HRV parameters,” Rev. Cardiovasc. Med., vol. 22, no. 3, pp. 845–852, 2021.
Z. Alarnaout et al., “Exploiting HRV for driver drowsiness detection using wearable sensors,” Sci. Rep., 2025.
