Penelitian ini mengusulkan sebuah solusi inovatif untuk mengatasi salah satu faktor dominan penyebab kecelakaan lalu lintas di Indonesia, yaitu kelelahan pengemudi. Berdasarkan data Badan Pusat Statistik (BPS) tahun 2022, tercatat sebanyak 139.258 kasus kecelakaan dengan 28.131 korban jiwa. Studi lain dari Komite Nasional Keselamatan Transportasi (KNKT) bahkan menunjukkan bahwa sekitar 80% kecelakaan angkutan umum berkaitan erat dengan faktor kelelahan. Kondisi ini menyoroti urgensi perlunya sistem deteksi kelelahan yang efektif dan real-time, mengingat metode tradisional seperti observasi visual atau analisis pola kemudi seringkali tidak mampu memberikan peringatan dini yang akurat.
Tujuan utama dari proyek ini adalah merancang dan mengimplementasikan perangkat wearable yang dapat dikenakan pada pergelangan tangan, yang secara berkelanjutan memantau kondisi fisiologis pengemudi. Perangkat ini menggunakan sensor Photoplethysmography (PPG) yang non-invasif untuk mengukur sinyal denyut nadi. Dari sinyal PPG, dapat diekstraksi parameter fisiologis kunci, termasuk Heart Rate (HR) dan Heart Rate Variability (HRV). Perubahan pada parameter-parameter ini telah terbukti memiliki korelasi yang signifikan dengan tingkat kelelahan. Oleh karena itu, sistem ini dirancang untuk mendeteksi perubahan tersebut dan menginterpretasikannya sebagai indikasi kelelahan pengemudi.
Sistem yang dikembangkan didukung oleh algoritma machine learning, khususnya model Random Forest, yang bertugas mengklasifikasikan kondisi pengemudi menjadi kategori "waspada" atau "lelah" berdasarkan data fisiologis yang dikumpulkan. Tantangan utama dalam perancangan ini mencakup desain perangkat yang ergonomis dan nyaman, serta memastikan akurasi deteksi yang tinggi meskipun dalam kondisi pergerakan. Perangkat ini dirancang dengan mempertimbangkan aspek portabilitas dan daya tahan baterai, dengan estimasi waktu operasi hingga 1,5 jam, dan waktu pengisian yang relatif singkat.
Hasil pengujian menunjukkan bahwa sistem yang diimplementasikan ini memiliki kinerja yang menjanjikan. Dari 12 sampel pengujian, model Random Forest berhasil mencapai akurasi keseluruhan sebesar 83%. Evaluasi yang lebih mendalam menunjukkan presisi sebesar 0.88 dan recall sebesar 0.7 untuk kelas 'lelah', serta presisi 0.8 dan recall 0.89 untuk kelas 'waspada'. Nilai F1-Score untuk kelas 'lelah' adalah sekitar 0.82 dan untuk kelas 'waspada' sekitar 0.84. Kinerja perangkat secara teknis juga menunjukkan hasil yang baik, dengan rata-rata frekuensi sampling sebesar 202.57 Hz dan nilai Signal-to-Noise Ratio (SNR) sebesar 10.38 dB saat digunakan dalam kondisi bergerak. Waktu operasi rata-rata baterai tercatat selama 1 jam 28 menit, dan waktu pengisian penuh hanya sekitar 40 menit. Dengan demikian, penelitian ini berhasil mengembangkan sebuah prototipe perangkat wearable yang efektif dan akurat untuk deteksi kelelahan pengemudi, memberikan kontribusi signifikan dalam upaya mengurangi risiko kecelakaan lalu lintas yang disebabkan oleh faktor kelelahan.