umlah kecelakaan lalu lintas di Indonesia telah mengalami peningkatan signifikan, menjadikan kondisi tersebut sebagai salah satu faktor utama penyebab kematian di negara ini. Data menunjukkan bahwa dari tahun 2019 hingga 2022, tercatat peningkatan kecelakaan yang disebabkan oleh sejumlah faktor, termasuk faktor manusia, kondisi kendaraan, keadaan jalan, dan faktor lingkungan. Gangguan pengemudi, terutama akibat aktivitas multitasking, menjadi elemen kunci yang berkontribusi pada kejadian kecelakaan. Dalam rangka mencegah terjadinya kecelakaan, penelitian ini difokuskan pada penerapan kecerdasan buatan, dengan penekanan khusus pada deep learning menggunakan model convolutional neural network (CNN). Studi ini memiliki tujuan untuk mendeteksi perilaku pengemudi yang terganggu dengan menggabungkan convolutional neural network (CNN) dan fitur buatan tangan seperti Scale-Invariant Feature Transform (SIFT). Sebanyak 3000 citra perilaku pengemudi per kategori dikumpulkan, dan model gabungan CNN serta ekstraksi fitur SIFT digunakan untuk membentuk model yang lebih canggih. Hasil eksperimen menunjukkan bahwa model gabungan mampu mencapai kinerja yang lebih baik dibandingkan dengan model CNN yang hanya menggunakan analisis citra berwarna RGB. Evaluasi dilakukan dengan metrik-metrik seperti akurasi, loss, presisi, recall, dan F1-score. Dengan konfigurasi hyperparameter yang tepat, model gabungan berhasil mencapai akurasi tertinggi sebesar 99,00?ngan tingkat loss yang rendah. Temuan ini menunjukkan potensi besar dalam penggunaan kombinasi CNN dan SIFT untuk meningkatkan deteksi perilaku pengemudi terganggu, yang pada gilirannya dapat memberikan kontribusi signifikan pada upaya pencegahan kecelakaan lalu lintas di masa depan.