Pengembangan Model Pengawas Berbasis Kecerdasaan Buatan untuk Ujian Online
Development of an Artificial Intelligence-Based Proctoring System for Online Exams
Ujian online telah menjadi pilihan utama dalam menilai kompetensi mahasiswa di era digital karena kemudahannya yang efisien. Namun, tantangan utama yang muncul adalah meningkatnya kasus kecurangan elektronik yang berpotensi merusak integritas akademik. Penelitian ini bertujuan untuk mengembangkan model pengawas berbasis kecerdasan buatan yang mampu mendeteksi berbagai perilaku curang selama ujian online secara real-time. Dengan memanfaatkan algoritma Local Binary Pattern Histogram untuk pengenalan wajah dan framework Mediapipe Face Detection untuk deteksi wajah, sistem ini dirancang untuk memberikan solusi pengawasan yang inovatif dan andal.
Analisis data dilakukan dengan fokus pada deteksi gerakan kepala dan mata, verifikasi identitas peserta ujian, serta identifikasi penggunaan alat bantu dan kolusi yang tidak sah. Landasan teori mengintegrasikan teknologi computer vision dan machine learning untuk menciptakan sistem pengawasan yang cerdas.
Hasil uji menunjukkan performa yang menjanjikan: pengenalan wajah mencapai akurasi 80% dalam waktu 576,66 detik, estimasi arah wajah meraih akurasi 100% dengan waktu 3009,68 detik, dan pelacakan multi-orang mencatat akurasi 96% dalam 827,34 detik. Temuan ini menunjukkan potensi besar dalam meningkatkan keamanan dan kejujuran pelaksanaan ujian online, sekaligus membuka jalan bagi implementasi pengawasan berbasis kecerdasan buatan yang lebih luas di masa depan.
Online exams have become the primary choice in assessing student competencies in the digital era due to their efficient convenience. However, the main challenge that arises is the increasing cases of electronic cheating that have the potential to undermine academic integrity. This research aims to develop an artificial intelligence-based proctoring model capable of detecting various cheating behaviors during online exams in real-time. By utilizing Local Binary Pattern Histogram algorithm for face recognition and Mediapipe Face Detection framework for face detection, the system is designed to provide an innovative and reliable proctoring solution.
Data analysis is performed with a focus on head and eye movement detection, verification of examinee identity, and identification of unauthorized use of aids and collusion. The theoretical foundation integrates computer vision and machine learning technologies to create an intelligent proctoring system.
The test results show promising performance: face recognition achieved 80% accuracy in 576.66 seconds, face direction estimation achieved 100% accuracy in 3009.68 seconds, and multi-person tracking recorded 96% accuracy in 827.34 seconds. These findings show great potential in enhancing the security and honesty of online exam administration, while paving the way for wider implementation of artificial intelligence-based surveillance in the future.