LEARNING MANAGEMENT SYSTEM (LMS) PADA KURSUS ONLINE BERBASIS DETEKSI KECURANGAN UJIAN MENGGUNAKAN MODEL MEDIAPIPE FACE MESH
Abstract
Kursus online adalah salah satu metode pembelajaran yang semakin populer di era digital. Namun kursus online juga menghadapi masalah kecurangan ujian yang dapat menurunkan kualitas dan integritas pembelajaran. Jadi kami mengembangkan sistem manajemen pembelajaran (LMS) dapat secara otomatis mendeteksi dan mencegah kecurangan ujian menggunakan teknologi TensorFlow.js dari model Facemesh MediaPipe. LMS ini dapat mengakses kamera web dan menganalisis wajahn menggunakan pelacakan wajah yang dapat mengidentifikasi fitur wajah dan orientasi kepala. Dengan demikian, LMS ini dapat mengetahui apakah kandidat sedang berkonsentrasi, memantau, menyontek pada saat melaksanakan ujian. LMS ini juga dapat memberikan feedback yang sesuai, seperti mengeluarkan peringatan, menutup tes secara otomatis, atau membatalkan tes. Kami menguji validitas dan efektivitas LMS ini menggunakan data tes online dari beberapa mata kuliah. Hasilnya menunjukkan bahwa LMS ini dapat mendeteksi kecurangan ujian dengan akurasi tinggi dan memberikan kinerja yang baik.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
M. Warsono, “Implementasi Learning Management System (LMS) Melalui Website dan E-Learning untuk Meningkatkan Keterampilan Pendidik,” J. Didakt. Pendidik. Dasar, vol. 5, no. 1, pp. 177–200, 2021, doi: 10.26811/didaktika.v5i1.224.
S. A. Raza, W. Qazi, K. A. Khan, and J. Salam, “Social Isolation and Acceptance of the Learning Management System (LMS) in the time of COVID-19 Pandemic: An Expansion of the UTAUT Model,” J. Educ. Comput. Res., vol. 59, no. 2, pp. 183–208, 2021, doi: 10.1177/0735633120960421.
D. Rhetno and A. Kuncoro, “Perancangan Perangkat Lunak E-learning untuk Kursus Online dengan Metode Web Based Learning Menggunakan Dokeos di SMK Nasional Depok,” J. Ilm. Komputasi, vol. 18, no. 4, 2019, doi: 10.32409/jikstik.18.4.2673.
D. Purwanto et al., “Aplikasi Kursus Online Berbasis Web Service Menggunakan Arsitektur Microservices,” pp. 978–979, 2021.
C. Lugaresi et al., “MediaPipe: A Framework for Building Perception Pipelines,” 2019, [Online]. Available: http://arxiv.org/abs/1906.08172
F. Zhang et al., “MediaPipe Hands: On-device Real-time Hand Tracking,” 2020, [Online]. Available: http://arxiv.org/abs/2006.10214
A. I. Siam, N. F. Soliman, A. D. Algarni, F. E. Abd El-Samie, and A. Sedik, “Deploying Machine Learning Techniques for Human Emotion Detection,” Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/8032673.
A. Kurnia Ramadhani, M. Syai’in, and M. K. Hasin, “Deteksi Potensi Kecurangan Ujian Menggunakan Image Processing Berbasis Multi-Task Convolutional Neural Network,” vol. 1, no. 2809, pp. 323–327, 2021.
S. Hangaragi, T. Singh, and N. N, “Face Detection and Recognition Using Face Mesh and Deep Neural Network,” Procedia Comput. Sci., vol. 218, pp. 741–749, 2023, doi: 10.1016/j.procs.2023.01.054.
P. D. Arnesia, N. A. Pratama, and F. Sjafrina, “Aplikasi Artificial Intelligence Untuk Mendeteksi Objek Berbasis Web Menggunakan Library Tensorflow Js, React Js Dan Coco Dataset,” JSiI (Jurnal Sist. Informasi), vol. 9, no. 1, pp. 62–69, 2022, doi: 10.30656/jsii.v9i1.4243.
DOI: http://dx.doi.org/10.26798/jiko.v8i2.1167
Article Metrics
Abstract view : 440 timesPDF (Bahasa Indonesia) - 152 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Elang Bimantoro, Muhammad Fikri Hidayattullah, Dwi Intan Af'idah