<![CDATA[Penelitian ini bertujuan menghadirkan proctoring ujian daring yang ringan dan menjaga privasi dengan memindahkan seluruh inferensi ke sisi klien, menjawab masalah integritas ujian berbasis web yang kerap mengandalkan perekaman/unggah video server-side berbiaya dan berisiko. Kami membangun prototipe berbasis TensorFlow.js dan BlazeFace (single-stage CNN) yang menggabungkan kebijakan safe-area terkonfigurasi, adaptive screen-lock berbasis state machine, serta heuristik client-side anti-cheat; evaluasi dilakukan pada dataset beranotasi (offline) dan simulasi CBT in-situ (3×20 menit, perangkat heterogen), dengan metrik deteksi (AP/mAP, F1), kepatuhan safe-area, dan kinerja runtime. Hasil menunjukkan AP@0,5 sebesar 0,95 (pencahayaan normal), 0,91 (low-light), dan 0,93 (variasi pose), mAP@[0,5:0,95] masing-masing 0,66/0,59/0,61, serta F1 0,92/0,87/0,90; safe-area compliance median mencapai 0,86/0,92/0,95 pada perangkat rendah/menengah/tinggi; profil kinerja berada pada 22–48 FPS dengan latensi ujung-ke-ujung 28–58 ms; dan skor penerimaan privasi 4,5/5 (Likert). Kebaruan utama terletak pada integrasi utuh on-device single-stage CNN, kebijakan safe-area, adaptive screen-lock, dan metrik baru safe-area compliance ke dalam proctoring murni-peramban yang plug-and-play dan minim paparan data. Nilai praktisnya adalah penegakan integritas mendekati waktu nyata tanpa perekaman video; sementara keterbatasan mencakup penurunan recall pada low-light/occlusion dan belum adanya liveness lanjut, yang membuka arah riset untuk liveness/fairness, auto-tuning berbasis perangkat, dan uji lapangan berskala besar.]]>
