Estimasi Pose Kepala Untuk Sistem Pengawasan Asesmen (IPROCTOR) Menggunakan Metode Deep Learning.

Usman, Salim Bin (2022) Estimasi Pose Kepala Untuk Sistem Pengawasan Asesmen (IPROCTOR) Menggunakan Metode Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000104-Undergraduate_thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Asesmen merupakan kegiatan untuk memperoleh informasi tentang sejauh mana hasil belajar siswa atau ketercapaian kompetensi (rangkaian kemampuan) siswa, adalah bagian integral dari proses pembelajaran, tak terkecuali dalam pembelajaran berbasis Out Door Learning (ODL) dan Massive Open Online Course (MOOC). Perilaku kecurangan dalam pelaksanaan asesmen adalah hal yang memungkinkan terjadi dan tidak dapat dihindari. Sebuah studi yang dilakukan pada 2014 menyatakan bahwa persentase siswa yang melakukankecurangan dalam pelaksanaan kegiatan akademik terus meningkat, dan lebih mudah bagi mereka untuk berlaku curang pada asesmen yang dilakukan secara daring. Untuk mengurangi risiko kecurangan, sistem pelaksanaan dan pengawasan ujian yang valid menjadi suatu hal yang penting. Namun, pengawasan dengan cara tersebut bersifat padat karya dan membutuhkan biaya yang relatif tinggi. Pada penelitian ini, dilakukan implementasi otomasi sistem pengawasan asesmen menggunakan metode deep learning. Hasil penelitian ini menunjukkan bahwa model face detection SSD memberikan hasil terbaik pada skenario subjek dengan jarak dekat dan jauh dengan nilai rata-rata IoU sebesar 57,417% . Model estimasi pose kepala FSA-Net dan SSRNet berhasil untuk diterapkan dan didapatkan bahwa model FSA-Net Capsule Fusion merupakan model terbaik dalam mengestimasi 3 Degree of Freedom (3DoF). FSA-Net menghasilkan performa tertinggi pada pengujian data sintetis dengan hasil masing-masing 5,175 untuk rata-rata MAE dan 9,816 untuk rata-rata RMSE. SSR-Net menghasilkan performa tertinggi pada pengujian data video dengan hasil masing masing 8,365 untuk rata-rata MAE dan 11,812 untuk rata-rata RMSE. Didapatkan juga bahwa SSD lebih sesuai untuk digunakan sebagai model face detection pada tahap preprocess untuk melakukan deteksi wajah pada data video karena dapat melakukan deteksi wajah dengan baik ketika subjek berjarak dekat maupun jauh. Penelitian ini juga mendapatkan bahwa model face detection yang digunakan, memberikan pengaruh terhadap kinerja model estimasi pose. Penggunaan SSD sebagai model face detection memiliki hasil terbaik dengan hasil masing-masing 9,533 untuk rata-rata MAE dan 12,474 untuk rata-rata RMSE.
==============================================================================================================================
Assessment is an activity to obtain information about the extent to which student learning outcomes or the achievement of student competencies (a series of abilities) are an integral part of the learning process, including Out Door Learning (ODL) and Massive Open Online Course (MOOC) based learning. Fraudulent behavior in the implementation of the assessment is possible and unavoidable. A study conducted in 2014 stated that the percentage of students who cheat in the implementation of academic activities continues to increase, and it is easier for them to cheat in online assessments to reduce the risk of cheating, a valid examination administration and monitoring system is essential. However, such supervision is labor intensive and requires relatively high costs. In this study, an automated assessment monitoring system was implemented using the deep learning method. The results of this study indicate that the SSD face detection model gives the best results in the scenario of subjects with close and far distances with an average IoU value of 57.417%. The FSA-Net and SSR-Net head pose estimation models were successfully applied and it was found that the FSA-Net Capsule Fusion model was the best model in estimating the 3 Degree of Freedom (3DoF). FSA-Net produced the highest performance on synthetic data testing with the respective results of 5,175 for the MAE average and 9,816 for the RMSE average. SSR-Net produces the highest performance on video data testing with the respective results of 8,365 for the MAE average and 11,812 for the RMSE average. It was also found that SSD is better suit as a face detection model at the preprocess stage to perform face detection on video data because it can perform face detection well when the subject is near or far. This study also found that the face detection model used, gave an influence on the performance of the pose estimation model. The use of SSD as a face detection model has the best results with each result being 9,533 for the MAE average and 12,474 for the RMSE average.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.42 Usm e-1 2022
Uncontrolled Keywords:	Deep Learning, Deteksi Wajah, Estimasi Pose, iProctor. Deep Learning, Face Detection, iProctor, Pose Estimation.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	26 May 2026 02:51
Last Modified:	26 May 2026 02:51
URI:	http://repository.its.ac.id/id/eprint/133424

Actions (login required)

View Item