Kelelahan pengemudi merupakan salah satu penyebab utama kecelakaan lalu lintas, khususnya pada perjalanan jarak jauh atau saat berkendara dalam kondisi monoton. Kondisi ini dapat menurunkan kewaspadaan, memperlambat respons terhadap situasi di jalan, dan meningkatkan risiko kecelakaan. Oleh karena itu, diperlukan sistem yang mampu mengenali tanda-tanda awal kelelahan secara akurat dan memberikan peringatan secara langsung kepada pengemudi agar tetap waspada selama berkendara.
Penelitian mengembangkan sistem menggunakan Raspberry Pi dengan kamera sebagai input video dan menerapkan model CNN dan CNN+LSTM untuk mengklasifikasikan kondisi pengemudi dalam lima kelas: normal, yawn, close, nod, dan micro. Ketika kondisi kelelahan terdeteksi, sistem memberikan peringatan berupa getaran real-time melalui motor di sabuk pengaman.
Hasil pengujian menunjukkan bahwa model CNN mampu mencapai akurasi 91 % pada klasifikasi binary dan 92 % pada klasifikasi multiclass, dengan latensi prediksi rata?rata 29–32 ms per frame serta kecepatan sekitar 31 FPS. Model CNN+LSTM memberikan akurasi lebih tinggi daripada CNN yaitu 97 % untuk klasifikasi binary dan 98 % untuk multiclass, tetapi waktu prediksi sekitar 5,7–6,0 detik. Pengujian integrasi sistem menggunakan model CNN menghasilkan latensi aktivasi motor getar 0,45–0,75 detik.