Electronic Theses and Dissertation

Keselamatan berkendara di Provinsi Aceh semakin menjadi perhatian seiring meningkatnya jumlah kendaraan dan kompleksitas lalu lintas. Salah satu faktor yang memengaruhi keselamatan adalah emosi pengemudi, yang dapat berdampak pada perilaku dan pengambilan keputusan saat berkendara. Penelitian ini mengembangkan sistem deteksi emosi pengemudi berbasis Convolutional Neural Network (CNN) dengan arsitektur Detectron2 dan YOLOv11. Fokus dari penelitian ini adalah membangun model deteksi untuk mendeteksi ekspresi (datar, senang, dan sedih) dari pengguna jalan, Sistem ini bermanfaat untuk meningkatkan keselamatan berkendara dengan mendeteksi emosi seperti datar, senang, dan sedih yang dapat memengaruhi perilaku pengemudi sepeda motor. Data yang digunakan merupakan kumpulan gambar pengemudi motor yang berkendara di jalan lalu lintas, sebanyak 850 gambar, yang terbagi menjadi 3 label ekspresi di antaranya; 248 gambar untuk label datar, 257 gambar untuk label senang, 228 untuk label sedih, dan 117 gambar untuk multi label. Hasil penelitian menunjukkan bahwa model YOLOv11 dengan learning rate 0,0001 memberikan performa terbaik dengan mAP50 sebesar 0,57 dan mAP50-95 sebesar 0,46. Model ini mampu mendeteksi ekspresi wajah (datar, senang, sedih) dengan akurasi yang seimbang pada seluruh kelas.

Road safety in Aceh Province has become an increasing concern due to the rising number of vehicles and the growing complexity of traffic conditions. One significant factor influencing safety is driver emotion, which can affect behavior and decision-making while driving. This study develops a driver emotion detection system based on Convolutional Neural Network (CNN) architecture using Detectron2 and YOLOv11. The focus of this research is to build a detection model capable of recognizing facial expressions—neutral, happy, and sad—among road users. This system aims to enhance road safety by identifying emotional states that may influence motorcyclist behavior. The dataset used consists of 850 images of motorcyclists captured in real traffic scenarios, categorized into three expression labels: 248 images labeled as neutral, 257 as happy, 228 as sad, and 117 as multi-label. The results indicate that the YOLOv11 model with a learning rate of 0.0001 achieved the best performance, with a mAP@50 of 0.57 and a mAP@50–95 of 0.46. The model effectively detects facial expressions with balanced accuracy across all classes.