Optimasi Hyperparameter YOLOv12 untuk Sistem Deteksi Drowsiness Real-Time Berbasis Monitoring Kondisi Mata

Kecelakaan lalu lintas akibat kelelahan pengemudi masih menjadi masalah serius di Indonesia dengan lebih dari 140 ribu kasus per tahun. Penelitian ini mengembangkan sistem deteksi drowsiness berbasis monitoring kondisi mata menggunakan YOLOv12 dengan optimasi hyperparameter secara sistematis. Arsitektur attention-centric YOLOv12 yang mengintegrasikan Area Attention (A2) module dan Residual Efficient Layer Aggregation Network (R-ELAN) dioptimasi pada MRL Eye Dataset yang berisi 86.364 gambar mata. Proses optimasi hyperparameter dilakukan melalui grid search sistematis terhadap learning rate, batch size, dan image size untuk mencapai keseimbangan optimal antara akurasi deteksi dan kecepatan inferensi. Hasil menunjukkan konfigurasi optimal (learning rate 0.001, batch size 64, image size 640×640) mencapai mAP@0.5 sebesar 99.47%, precision 98.99%, dan recall 99.39%, melampaui target penelitian (85%) dengan margin 14.47 poin persentase. Sistem memenuhi requirement real-time dengan FPS 44.32 dan inference time 21.78ms. Implementasi scoring prediction system dengan threshold 15 frames berhasil membedakan kedipan normal dari microsleep dengan false positive rate <1%. Antarmuka visualisasi berbasis Streamlit pada lingkungan lokal menampilkan hasil deteksi secara real-time dengan alert visual yang efektif. Perbandingan dengan penelitian terdahulu menunjukkan peningkatan signifikan dari baseline 2.8% menjadi 99.47% (peningkatan 3,450%), membuktikan efektivitas systematic hyperparameter optimization untuk deteksi drowsiness berbasis YOLOv12.