<![CDATA[Ujian daring menghadapi tantangan serius terkait integritas akademik, sehingga diperlukan teknologi pengawasan yang andal. Pengenalan wajah menjadi salah satu solusi potensial untuk memastikan ujian benar-benar dikerjakan oleh peserta yang sah. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma MediaPipe Face Detection dan FaceNet dalam mendukung sistem pengawasan ujian daring berbasis pengenalan wajah. MediaPipe Face Detection digunakan untuk mendeteksi keberadaan wajah peserta secara real-time, sedangkan FaceNet berperan dalam identifikasi identitas peserta ujian. Penelitian ini menggunakan pendekatan transfer learning, yaitu model FaceNet yang telah ada dilatih ulang dengan data wajah dari peserta penelitian. Data wajah diperoleh dari mahasiswa dengan variasi pose (hadap depan, menoleh, menunduk, tertutup objek) dan jarak (30 cm, 50 cm, 100 cm). Model dilatih pada dua skenario: skenario pertama menggunakan 4 variasi pose per identitas yang menghasilkan 2.016 pasangan triplet, dan skenario kedua menggunakan 8 variasi pose per identitas yang menghasilkan 18.816 pasangan triplet. Untuk data evaluasi, pasangan triplet dipisahkan menjadi 1.932 pasangan positif dan 1.932 pasangan negatif, dengan total 3.864 pasangan. Pada tahap evaluasi model berbasis triplet, akurasi yang dicapai adalah 89,69% (skenario pertama) dan 81,39% (skenario kedua). Sementara itu, dalam pengujian implementasi sistem, pre-trained FaceNet memperoleh akurasi rata-rata 50,41% pada jarak terbaik 30 cm. Setelah dilakukan pelatihan ulang model, akurasinya meningkat menjadi 72,67% pada skenario pertama dan 68,84% pada skenario kedua. Hasil ini menegaskan bahwa transfer learning secara signifikan meningkatkan performa dibandingkan pre-trained FaceNet, meskipun variasi jarak dan pose wajah tetap mempengaruhi akurasi. Abstract Online examinations pose serious challenges to academic integrity, requiring reliable monitoring technologies. Facial recognition offers a potential solution to ensure that only authorized participants take the test. This study evaluates the performance of MediaPipe Face Detection and FaceNet in supporting a face-recognition–based online exam monitoring system. MediaPipe is used for real-time face detection, while FaceNet identifies participants’ identities through a transfer learning approach. Facial data were collected from students under varying poses (frontal, side, downward, occluded) and distances (30 cm, 50 cm, 100 cm). Two training scenarios were applied: four pose variations (2,016 triplets) and eight pose variations (18,816 triplets). The triplet-based evaluation achieved 89.69% and 81.39% accuracy for the two scenarios, respectively. System testing showed that transfer learning improved accuracy from 50.41% (pre-trained) to 72.67% and 68.84%. These results demonstrate that transfer learning substantially enhances recognition performance, although distance and pose variability remain critical factors affecting accuracy.]]>
