Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal SINTECH (Science and Information Technology) Journal
Hadibrata, Lymanto
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Deteksi Potensi Menyontek Menggunakan Feedforward Neural Network Pada Ujian Daring Hadibrata, Lymanto; Rochadiani, Theresia Herlina
SINTECH (Science and Information Technology) Journal Vol. 7 No. 2 (2024): SINTECH Journal Edition Agustus 2024
Publisher : Prahasta Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31598/sintechjournal.v7i2.1585

Abstract

Pendidikan di Indonesia merupakan salah satu faktor pendukung yang dapat menjadikan Indonesia menjadi negara maju. Akan tetapi masih banyak pelajar yang melakukan praktik menyontek sehingga menurunkan kualitas pendidikan di Indonesia. Untuk mengurangi praktik menyontek di Indonesia, penelitian ini bertujuan untuk membuat sebuah model deep learning dengan menggunakan metode feedforward neural network untuk mendeteksi potensi menyontek. Penelitian ini menggunakan 51 video dataset diperoleh dari orang-orang yang pada akhirnya diubah menjadi titik-titik koordinat menggunakan Mediapipe Face Landmark yang disimpan pada file CSV. Pada penelitian ini terdapat 7 class pada dataset yang sudah dibuat yaitu netral, hadap_atas, hadap_bawah, hadap_kiri, hadap_kanan, retina_kiri dan retina_kanan. Indikator utama yang paling menentukan untuk mendeteksi potensi tidak menyontek adalah class netral. Akan tetapi, class retina_kiri dan retina_kanan juga ikut berpartisipasi karena ada pertimbangan dari segi pembacaan soal. Indikator yang menentukan untuk mendeteksi potensi menyontek adalah class hadap_kiri, hadap_kanan, hadap_atas, dan hadap_bawah. Penelitian ini menghasilkan model yang dapat memprediksi potensi menyontek dengan akurasi sebesar 91.6% dengan menggunakan metode feedforward neural network. Dari model yang dihasilkan, dapat diimplementasikan kedalam sebuah sistem ujian daring.
Co-Authors Rochadiani, Theresia Herlina